Технология обнаружения дефектов нетканых материалов

Нетканые материалы всегда широко использовались в качестве сырья для одноразовых медицинских расходных материалов, таких как хирургические маски, шапочки медсестер и хирургические колпачки в производстве. Качество одноразовых медицинских расходных материалов во многом зависит от качества нетканых материалов. В связи с тем, что процесс производства и транспортировки нетканых материалов не может гарантировать абсолютную чистоту окружающей среды, и сами по себе обладают сильной электростатической адсорбционной способностью, они часто адсорбируют мелкие примеси из воздуха. Поэтому посторонние предметы могут присутствовать в очень немногих областях нетканых материалов. Изучаемый в этой статье материал нетканого материала непосредственно используется для производства масок. После анализа отобранных образцов дефектов было обнаружено, что доля дефектов посторонних предметов, таких как насекомые и волосы, является самой высокой. Наличие этого дефекта напрямую приводит к некачественному качеству последующей продукции, а также выход бракованной продукции на рынок строго запрещен. Поэтому производителям необходимо устранять некоторые из этих дефектов, в противном случае это приведет к огромным экономическим потерям.

В настоящее время большинство крупных компаний отрасли используют импортное оборудование для визуального контроля для выявления дефектов. Несмотря на хорошие результаты, это оборудование, как правило, дорого стоит и требует дорогостоящего обслуживания, поэтому не подходит для использования на малых предприятиях и в мастерских. Большинство небольших компаний в Китае по-прежнему используют традиционный ручной визуальный контроль для выявления дефектов. Этот метод относительно прост, но требует более длительного обучения персонала, низкой эффективности и точности обнаружения, а также больших затрат человеческих ресурсов, что является существенным расходом для руководства предприятия. В последние годы область обнаружения дефектов стремительно развивается, и владельцы бизнеса постепенно используют новые технологии для замены традиционных методов ручного визуального контроля.

С точки зрения тенденций развития отрасли, разработка автоматического устройства обнаружения, которое может автоматически получать и анализировать изображения дефектов в процессе производства нетканых материалов, является необходимым средством для содействия развитию производства, обеспечения качества продукции и снижения трудозатрат. С 1980-х годов многие инженеры пытались использовать соответствующие знания компьютерного зрения для обнаружения дефектов нетканых материалов. В некоторых исследованиях использовались методы анализа текстуры для характеристики дефектов и достижения обнаружения дефектов, в то время как в других использовались операторы обнаружения краев, чтобы сначала определить контур дефекта и установить разумные пороговые значения на основе статистической информации о дефектах в оттенках серого для достижения обнаружения дефектов. Существуют также исследования, в которых используются методы спектрального анализа для обнаружения дефектов на основе высокой периодичности текстуры тканей.

Вышеуказанные методы достигли определённых результатов в области обнаружения дефектов, но всё ещё имеют определённые ограничения: во-первых, форма и размер дефектов в реальных производственных условиях различаются. Алгоритмы обнаружения дефектов, основанные на машинном обучении и статистической информации, требуют установки пороговых значений на основе априорных знаний, что не может быть эффективным для всех дефектов, что приводит к недостаточной надёжности данного метода. Во-вторых, традиционные методы компьютерного зрения обычно медленны в исполнении и не могут эффективно удовлетворять требованиям производства в режиме реального времени. С 1980-х годов область исследований в области машинного обучения стремительно развивается, и применение соответствующих знаний стимулирует развитие многих отраслей. Многие исследования показали эффективность применения алгоритмов машинного обучения, таких как нейронные сети BP и SVM, для обнаружения дефектов тканей. Эти методы обеспечивают высокую точность обнаружения и определённую степень надёжности, что несложно обнаружить путём тщательного анализа процесса обучения машинного обучения. Производительность такого алгоритма в основном зависит от выбора ручных признаков дефекта. Если ручные признаки не являются достаточно полными или дискриминантными, производительность модели также будет низкой.

Благодаря постоянному росту вычислительной мощности компьютеров и бурному развитию теории глубокого обучения в последние годы, всё больше людей начинают применять глубокое обучение для обнаружения дефектов тканей. Глубокое обучение позволяет эффективно устранять неполноту вручную разработанных элементов и обеспечивает высокую точность обнаружения. Исходя из этого, в данной статье с использованием компьютерного зрения и знаний, связанных с глубоким обучением, разработана система автоматического обнаружения дефектов нетканых материалов, которая эффективно повышает точность обнаружения дефектов и обладает высокой надёжностью.