Technologia wykrywania wad tkanin nietkanych

Włókniny od zawsze były szeroko stosowane jako surowiec do produkcji jednorazowych materiałów medycznych, takich jak maski chirurgiczne, czepki pielęgniarskie i czepki chirurgiczne. Jakość jednorazowych materiałów medycznych zależy głównie od jakości włóknin. Ze względu na fakt, że proces produkcji i transportu włóknin nie gwarantuje absolutnej czystości środowiska, a same włókniny mają silne właściwości adsorpcji elektrostatycznej, często adsorbują one drobne zanieczyszczenia z powietrza. W związku z tym ciała obce mogą znajdować się w bardzo niewielu miejscach włóknin. Materiał włókninowy badany w tym artykule jest bezpośrednio wykorzystywany do produkcji masek. Po analizie wybranych próbek defektów stwierdzono, że odsetek defektów w postaci ciał obcych, takich jak owady i sierść, jest najwyższy. Istnienie tych defektów bezpośrednio prowadzi do niskiej jakości późniejszych produktów, a wadliwe produkty są również surowo zabronione do wprowadzenia na rynek. Dlatego producenci muszą usuwać niektóre z tych defektów, w przeciwnym razie spowoduje to ogromne straty ekonomiczne.

Obecnie większość dużych firm w branży korzysta z importowanego sprzętu do kontroli wizualnej w celu wykrywania defektów. Chociaż wyniki są dobre, sprzęt ten jest zazwyczaj drogi i wymaga kosztownej konserwacji, przez co nie nadaje się do użytku przez małe przedsiębiorstwa i warsztaty. Większość małych firm w Chinach nadal stosuje tradycyjną, ręczną kontrolę wizualną w celu wykrywania defektów. Ta metoda jest stosunkowo prosta, ale wymaga dłuższego szkolenia pracowników, niskiej wydajności i dokładności wykrywania oraz marnuje znaczną ilość zasobów ludzkich, co stanowi znaczny koszt dla zarządzania przedsiębiorstwem. W ostatnich latach dziedzina wykrywania defektów dynamicznie się rozwinęła, a właściciele firm stopniowo wdrażają nowe technologie, aby zastąpić tradycyjne, ręczne metody kontroli wizualnej.

Z perspektywy trendów rozwoju branży, zaprojektowanie automatycznego urządzenia do wykrywania, które może automatycznie uzyskiwać i analizować obrazy defektów w procesie produkcji włóknin, jest niezbędnym środkiem wspierającym rozwój produkcji, zapewniającym jakość produktu i obniżającym koszty pracy. Od lat 80. XX wieku wielu inżynierów podejmowało próby wykorzystania wiedzy z zakresu wizji komputerowej do wykrywania defektów włóknin. W niektórych badaniach wykorzystano metody analizy tekstury do scharakteryzowania defektów i ich wykrycia, podczas gdy w innych operatorzy wykrywania krawędzi określili najpierw kontur defektu i ustalili rozsądne progi na podstawie informacji statystycznych o skali szarości defektów, aby umożliwić ich wykrycie. Istnieją również badania wykorzystujące metody analizy widmowej do wykrywania defektów w oparciu o wysoką okresowość tekstury tkanin.

Powyższe metody osiągnęły pewne rezultaty w zakresie wykrywania defektów, ale nadal istnieją pewne ograniczenia: po pierwsze, kształt i rozmiar defektów w rzeczywistych środowiskach produkcyjnych są zróżnicowane. Algorytmy wykrywania defektów oparte na uczeniu maszynowym i informacjach statystycznych wymagają ustalania progów w oparciu o wiedzę a priori, co nie może być skuteczne dla wszystkich defektów, co skutkuje niewystarczającą odpornością tej metody. Po drugie, tradycyjne metody przetwarzania obrazu są zazwyczaj powolne w działaniu i nie mogą skutecznie sprostać wymaganiom produkcji w czasie rzeczywistym. Od lat 80. XX wieku dziedzina badań nad uczeniem maszynowym rozwija się dynamicznie, a zastosowanie odpowiedniej wiedzy napędza rozwój wielu branż. Wiele tematów badawczych wykazało, że zastosowanie algorytmów uczenia maszynowego, takich jak sieć neuronowa BP i SVM, w wykrywaniu defektów w strukturach jest skuteczne. Metody te zapewniają wysoką dokładność wykrywania i pewien stopień odporności, co nie jest trudne do odkrycia poprzez dokładną analizę procesu uczenia maszynowego. Wydajność tego typu algorytmu zależy głównie od doboru manualnych cech defektów. Jeśli manualne cechy nie są kompletne lub wystarczająco rozróżniające, wydajność modelu również będzie niska.

Wraz z ciągłym wzrostem mocy obliczeniowej komputerów i intensywnym rozwojem teorii głębokiego uczenia w ostatnich latach, coraz więcej osób zaczęło stosować głębokie uczenie do wykrywania defektów w tkaninach. Głębokie uczenie pozwala skutecznie uniknąć niekompletności ręcznie zaprojektowanych cech i charakteryzuje się wysoką dokładnością wykrywania. W oparciu o te rozważania, niniejszy artykuł wykorzystuje wiedzę z zakresu widzenia komputerowego i głębokiego uczenia do zaprojektowania automatycznego systemu wykrywania defektów w tkaninach nietkanych, który skutecznie zwiększa dokładność wykrywania defektów i charakteryzuje się wysoką odpornością.