Technológia detekcie defektov netkanej textílie

Netkané textílie sa vždy hojne používali ako suroviny na výrobu jednorazových zdravotníckych spotrebných materiálov, ako sú chirurgické rúška, čiapky pre zdravotné sestry a chirurgické čiapky. Kvalita jednorazových zdravotníckych spotrebných materiálov závisí najmä od kvality netkaných textílií. Vzhľadom na to, že proces výroby a prepravy netkaných textílií nemôže zaručiť absolútnu čistotu prostredia a samotné textílie majú silnú elektrostatickú adsorpčnú schopnosť, často adsorbujú malé nečistoty vo vzduchu. Preto sa cudzie predmety môžu vyskytovať len vo veľmi malom počte oblastí netkaných textílií. Netkaný textilný materiál študovaný v tomto článku sa priamo používa na výrobu rúšok. Po analýze vybraných vzoriek s chybami sa zistilo, že podiel cudzích predmetov, ako je hmyz a vlasy, je najvyšší. Existencia tejto chyby priamo vedie k nedostatočnej kvalite následných výrobkov a vstup chybných výrobkov na trh je prísne zakázaný. Preto musia výrobcovia niektoré z týchto chýb odstrániť, inak to spôsobí obrovské ekonomické straty.

V súčasnosti väčšina veľkých spoločností v tomto odvetví používa na detekciu chýb dovážané zariadenia na vizuálnu kontrolu. Hoci sú výsledky dobré, tieto zariadenia sú zvyčajne drahé z hľadiska nákladov a údržby a nie sú vhodné pre malé podniky a dielne. Väčšina malých spoločností v Číne stále používa na skríning chýb tradičnú manuálnu vizuálnu kontrolu. Táto metóda je relatívne jednoduchá, ale vyžaduje si dlhšie školenie pracovníkov, má nízku účinnosť a presnosť detekcie a plytvá veľkým množstvom ľudských zdrojov, čo predstavuje značný výdavok pre vedenie podniku. V posledných rokoch sa oblasť detekcie chýb rýchlo rozvíja a majitelia podnikov postupne používajú nové technológie, ktoré nahrádzajú tradičné metódy manuálnej vizuálnej kontroly.

Z hľadiska trendov rozvoja priemyslu je návrh automatického detekčného zariadenia, ktoré dokáže automaticky získavať a analyzovať obrazy defektov vo výrobnom procese netkaných textílií, nevyhnutným prostriedkom na podporu rozvoja výroby, zabezpečenie kvality výrobkov a zníženie nákladov na pracovnú silu. Od 80. rokov 20. storočia sa mnoho inžinierov pokúšalo využiť relevantné znalosti počítačového videnia na detekciu defektov netkaných textílií. Niektoré štúdie používali metódy analýzy textúry na charakterizáciu defektov a dosiahnutie detekcie defektov, zatiaľ čo iné používali operátory detekcie hrán na najprv určenie obrysu defektu a stanovenie primeraných prahových hodnôt na základe štatistických informácií o defektoch v odtieňoch sivej na dosiahnutie detekcie defektov. Existujú aj štúdie, ktoré používajú metódy spektrálnej analýzy na detekciu defektov na základe vysokej periodicity textúry tkanín.

Vyššie uvedené metódy dosiahli určité aplikačné výsledky v problémoch detekcie defektov, ale stále existujú určité obmedzenia: po prvé, tvar a veľkosť defektov v skutočných výrobných prostrediach sa líšia. Algoritmy detekcie defektov založené na strojovom učení a štatistických informáciách vyžadujú nastavenie prahových hodnôt na základe predchádzajúcich vedomostí, ktoré nemôžu byť účinné pre všetky defekty, čo vedie k nedostatočnej robustnosti tejto metódy. Po druhé, tradičné metódy počítačového videnia sú zvyčajne pomalé na vykonávanie a nedokážu efektívne splniť požiadavky výroby v reálnom čase. Od 80. rokov 20. storočia sa oblasť výskumu strojového učenia rýchlo rozvíja a aplikácia relevantných vedomostí poháňa rozvoj mnohých odvetví. Mnohé výskumné témy ukázali, že aplikácia algoritmov strojového učenia, ako sú neurónové siete BP a SVM, pri detekcii defektov tkanín je účinná. Tieto metódy zabezpečujú vysokú presnosť detekcie a určitý stupeň robustnosti a nie je ťažké ich zistiť dôkladnou analýzou tréningového procesu strojového učenia. Výkon tohto typu algoritmu závisí hlavne od výberu manuálnych charakteristík defektov. Ak manuálne charakteristiky nie sú úplné alebo dostatočne diskriminačné, výkon modelu bude tiež slabý.

Vďaka neustálemu zlepšovaniu výpočtového výkonu počítačov a rýchlemu rozvoju teórie hlbokého učenia v posledných rokoch čoraz viac ľudí začalo používať hlboké učenie na detekciu defektov v tkaninách. Hlboké učenie dokáže efektívne vyhnúť sa neúplnosti manuálne navrhnutých prvkov a má vysokú presnosť detekcie. Na základe tejto úvahy tento článok využíva znalosti súvisiace s počítačovým videním a hlbokým učením na návrh systému automatickej detekcie defektov netkaných textílií, ktorý efektívne zlepšuje presnosť detekcie defektov a má dobrú robustnosť.