Tehnologija za odkrivanje napak na netkanih tkaninah

Netkane tkanine so se vedno pogosto uporabljale kot surovine za medicinske potrošne materiale za enkratno uporabo, kot so kirurške maske, medicinske kape in kirurške kape. Kakovost medicinskih potrošnih materialov za enkratno uporabo je v veliki meri odvisna od kakovosti netkanih tkanin. Ker proizvodni in transportni proces netkanih tkanin ne more zagotoviti absolutne čistosti okolja in imajo same po sebi močno elektrostatično adsorpcijsko sposobnost, pogosto adsorbirajo majhne nečistoče v zraku. Zato se lahko tujki nahajajo le na zelo malo območjih netkanih tkanin. Netkani material, ki smo ga preučevali v tem članku, se neposredno uporablja za proizvodnjo mask. Po analizi izbranih vzorcev z napakami je bilo ugotovljeno, da je delež napak zaradi tujih predmetov, kot so žuželke in lasje, najvišji. Prisotnost te napake neposredno vodi do slabše kakovosti nadaljnjih izdelkov, vstop izdelkov z napakami pa je strogo prepovedan na trg. Zato morajo proizvajalci nekatere od teh napak odstraniti, sicer bodo povzročili ogromne gospodarske izgube.

Trenutno večina velikih podjetij v industriji uporablja uvoženo opremo za vizualni pregled za odkrivanje napak. Čeprav so rezultati dobri, je ta oprema običajno draga glede stroškov in vzdrževanja ter ni primerna za uporabo v majhnih podjetjih in delavnicah. Večina majhnih podjetij na Kitajskem še vedno uporablja tradicionalni ročni vizualni pregled za odkrivanje napak. Ta metoda je relativno preprosta, vendar zahteva daljše usposabljanje delavcev, nizko učinkovitost in natančnost odkrivanja ter porabi veliko človeških virov, kar je za vodstvo podjetja precejšen strošek. V zadnjih letih se je področje odkrivanja napak hitro razvilo in lastniki podjetij postopoma uporabljajo nove tehnologije, ki nadomeščajo tradicionalne metode ročnega vizualnega pregleda.

Z vidika trendov razvoja industrije je zasnova naprave za samodejno zaznavanje, ki lahko samodejno pridobi in analizira slike napak v proizvodnem procesu netkanih tkanin, nujno sredstvo za spodbujanje razvoja proizvodnje, zagotavljanje kakovosti izdelkov in zmanjšanje stroškov dela. Od osemdesetih let prejšnjega stoletja so mnogi inženirji poskušali uporabiti ustrezno znanje računalniškega vida za zaznavanje napak v netkanih tkaninah. Nekatere študije so za karakterizacijo napak in doseganje zaznavanja napak uporabile metode analize teksture, druge pa so uporabile operatorje za zaznavanje robov, da bi najprej določile konturo napake in postavile razumne pragove na podlagi statističnih podatkov o napakah v sivinah za doseganje zaznavanja napak. Obstajajo tudi študije, ki uporabljajo metode spektralne analize za odkrivanje napak na podlagi visoke periodičnosti teksture tkanin.

Zgornje metode so dosegle določene rezultate uporabe pri problemih odkrivanja napak, vendar še vedno obstajajo določene omejitve: prvič, oblika in velikost napak v dejanskih proizvodnih okoljih se razlikujeta. Algoritmi za odkrivanje napak, ki temeljijo na strojnem učenju in statističnih informacijah, zahtevajo določitev pragov na podlagi predhodnega znanja, kar ne more biti učinkovito za vse napake, kar ima za posledico nezadostno robustnost te metode. Drugič, tradicionalne metode računalniškega vida so običajno počasne za izvajanje in ne morejo učinkovito izpolniti zahtev proizvodnje v realnem času. Od osemdesetih let prejšnjega stoletja se je področje raziskav strojnega učenja hitro razvijalo, uporaba ustreznega znanja pa je spodbudila razvoj številnih panog. Številne raziskovalne teme so pokazale, da je uporaba algoritmov strojnega učenja, kot sta BP nevronska mreža in SVM, pri odkrivanju napak v tkaninah učinkovita. Te metode zagotavljajo visoko natančnost odkrivanja in določeno stopnjo robustnosti, kar ni težko odkriti s skrbno analizo procesa učenja strojnega učenja. Učinkovitost te vrste algoritma je odvisna predvsem od izbire ročnih značilnosti napak. Če ročne značilnosti niso dovolj popolne ali diskriminativne, bo tudi delovanje modela slabo.

Z nenehnim izboljševanjem računalniške računalniške moči in hitrim razvojem teorije globokega učenja v zadnjih letih je vse več ljudi začelo uporabljati globoko učenje za odkrivanje napak v tkaninah. Globoko učenje lahko učinkovito prepreči nepopolnost ročno oblikovanih značilnosti in ima visoko natančnost zaznavanja. Na podlagi tega premisleka ta članek uporablja znanje, povezano z računalniškim vidom in globokim učenjem, za načrtovanje sistema za samodejno odkrivanje napak v netkanih tkaninah, ki učinkovito izboljša natančnost zaznavanja napak in ima dobro robustnost.