Tecnologia de detecção de defeitos em tecidos não tecidos

Os tecidos não tecidos têm sido amplamente utilizados como matéria-prima para a produção de materiais médicos descartáveis, como máscaras cirúrgicas, toucas de enfermagem e gorros cirúrgicos. A qualidade desses materiais depende principalmente da qualidade dos tecidos não tecidos. Devido ao fato de que o processo de produção e transporte dos tecidos não tecidos não garante a pureza absoluta do ambiente, e considerando sua forte capacidade de adsorção eletrostática, eles frequentemente adsorvem pequenas impurezas presentes no ar. Portanto, corpos estranhos podem estar presentes em algumas áreas dos tecidos não tecidos. O material de tecido não tecido estudado neste artigo foi utilizado diretamente na produção de máscaras. Após a análise de amostras selecionadas com defeitos, constatou-se que a proporção de defeitos com corpos estranhos, como insetos e cabelos, era a mais alta. A presença desses defeitos leva diretamente à qualidade inferior dos produtos subsequentes, e produtos defeituosos são estritamente proibidos de entrar no mercado. Portanto, os fabricantes precisam eliminar alguns desses defeitos, caso contrário, sofrerão enormes prejuízos econômicos.

Atualmente, a maioria das grandes empresas do setor utiliza equipamentos importados de inspeção visual para detecção de defeitos. Embora os resultados sejam bons, esses equipamentos geralmente têm alto custo e manutenção, não sendo adequados para pequenas empresas e oficinas. A maioria das pequenas empresas na China ainda utiliza a inspeção visual manual tradicional para triagem de defeitos. Esse método é relativamente simples, mas exige treinamento prolongado dos funcionários, apresenta baixa eficiência e precisão na detecção e desperdiça muitos recursos humanos, representando um custo significativo para a gestão da empresa. Nos últimos anos, o campo da detecção de defeitos tem se desenvolvido rapidamente e os empresários estão gradualmente adotando novas tecnologias para substituir os métodos tradicionais de inspeção visual manual.

Do ponto de vista das tendências de desenvolvimento da indústria, projetar um dispositivo de detecção automática capaz de obter e analisar imagens de defeitos no processo de produção de tecidos não tecidos é essencial para impulsionar o desenvolvimento da produção, garantir a qualidade do produto e reduzir os custos de mão de obra. Desde a década de 1980, muitos engenheiros têm buscado aplicar o conhecimento de visão computacional na detecção de defeitos em tecidos não tecidos. Alguns estudos utilizaram métodos de análise de textura para caracterizar os defeitos e realizar sua detecção, enquanto outros empregaram operadores de detecção de bordas para determinar o contorno do defeito e definir limiares adequados com base em informações estatísticas de escala de cinza. Há também estudos que utilizam métodos de análise espectral para detectar defeitos, aproveitando a alta periodicidade da textura dos tecidos.

Os métodos acima alcançaram resultados de aplicação em problemas de detecção de defeitos, mas ainda apresentam algumas limitações: primeiro, a forma e o tamanho dos defeitos em ambientes de produção reais variam. Algoritmos de detecção de defeitos baseados em aprendizado de máquina e informações estatísticas exigem a definição de limiares com base em conhecimento prévio, o que pode não ser eficaz para todos os defeitos, resultando em robustez insuficiente do método. Segundo, os métodos tradicionais de visão computacional geralmente são lentos e não atendem efetivamente aos requisitos de tempo real da produção. Desde a década de 1980, o campo da pesquisa em aprendizado de máquina tem se desenvolvido rapidamente, e a aplicação do conhecimento relevante impulsionou o desenvolvimento de muitos setores. Diversos estudos têm demonstrado a eficácia da aplicação de algoritmos de aprendizado de máquina, como redes neurais BP e SVM, na detecção de defeitos em tecidos. Esses métodos garantem alta precisão na detecção e um certo grau de robustez, e não é difícil constatar, por meio de uma análise cuidadosa do processo de treinamento do aprendizado de máquina, que o desempenho desse tipo de algoritmo depende principalmente da seleção manual de características do defeito. Se as características manuais não forem completas ou suficientemente discriminativas, o desempenho do modelo também será ruim.

Com o aprimoramento contínuo da capacidade computacional e o desenvolvimento acelerado da teoria de aprendizado profundo nos últimos anos, um número crescente de pessoas tem aplicado o aprendizado profundo à detecção de defeitos em tecidos. O aprendizado profundo pode evitar eficazmente as limitações das características projetadas manualmente e apresenta alta precisão na detecção. Com base nessa consideração, este artigo utiliza conhecimentos de visão computacional e aprendizado profundo para projetar um sistema automático de detecção de defeitos em tecidos não tecidos, que melhora efetivamente a precisão da detecção de defeitos e possui boa robustez.