Технологија за откривање недостатака нетканог материјала

Неткане тканине су се одувек широко користиле као сировине за једнократну медицинску потрошну робу, као што су хируршке маске, шешири за медицинске сестре и хируршке капе у производњи. Квалитет једнократне медицинске потрошне робе углавном зависи од квалитета нетканих тканина. Због чињенице да процес производње и транспорта нетканих тканина не може гарантовати апсолутну чистоћу животне средине, а саме поседују јаку електростатичку адсорпциону способност, оне често адсорбују мале нечистоће у ваздуху. Стога, страни предмети могу постојати у врло малом броју подручја нетканих тканина. Материјал од неткане тканине који се проучава у овом чланку директно се користи за производњу маски. Након анализе одабраних узорака са дефектима, утврђено је да је удео страних предмета, као што су инсекти и коса, највећи. Постојање ове дефектне ствари директно доводи до лошег квалитета накнадних производа, а улазак неисправних производа на тржиште је такође строго забрањен. Стога, произвођачи морају да отклоне неке од ових недостатака, иначе ће то проузроковати огромне економске губитке.

Тренутно, већина великих компанија у индустрији користи увезену опрему за визуелни преглед за откривање дефеката. Иако су резултати добри, ова опрема је обично скупа у погледу трошкова и одржавања и није погодна за употребу у малим предузећима и радионицама. Већина малих компанија у Кини и даље користи традиционални ручни визуелни преглед за скрининг дефеката. Ова метода је релативно једноставна, али захтева дужу обуку радника, ниску ефикасност и тачност откривања и троши много људских ресурса, што је значајан трошак за управљање предузећима. Последњих година, област откривања дефеката се брзо развија, а власници предузећа постепено користе нове технологије како би заменили традиционалне методе ручног визуелног прегледа.

Са становишта трендова развоја индустрије, пројектовање аутоматског уређаја за детекцију који може аутоматски да добије и анализира слике дефеката у процесу производње нетканих материјала је неопходно средство за подстицање развоја производње, обезбеђивање квалитета производа и смањење трошкова рада. Од 1980-их, многи инжењери су покушали да користе релевантно знање о рачунарском виду за детекцију дефеката нетканих материјала. Неке студије су користиле методе анализе текстуре за карактеризацију дефеката и постизање детекције дефеката, док су друге користиле операторе за детекцију ивица да би прво одредиле контуру дефеката и поставиле разумне прагове на основу статистичких информација о дефектима у сивим тоновима како би се постигло детекција дефеката. Постоје и студије које користе методе спектралне анализе за детекцију дефеката на основу високе периодичности текстуре тканина.

Горе наведене методе су постигле одређене резултате у примени проблема детекције дефеката, али и даље постоје одређена ограничења: прво, облик и величина дефеката у стварним производним окружењима варирају. Алгоритми за детекцију дефеката засновани на машинском учењу и статистичким информацијама захтевају постављање прагова на основу претходног знања, што не може бити ефикасно за све дефекте, што резултира недовољном робусношћу ове методе. Друго, традиционалне методе рачунарског вида су обично споре за извршавање и не могу ефикасно задовољити захтеве производње у реалном времену. Од 1980-их, област истраживања машинског учења се брзо развијала, а примена релевантног знања покренула је развој многих индустрија. Многе истраживачке теме су показале да је примена алгоритама машинског учења, као што су BP неуронска мрежа и SVM у детекцији дефеката тканине, ефикасна. Ове методе обезбеђују високу тачност детекције и одређени степен робусности, а није тешко открити пажљивом анализом процеса обуке машинског учења. Перформансе ове врсте алгоритма углавном зависе од избора ручних карактеристика дефеката. Ако ручне карактеристике нису довољно потпуне или дискриминативне, перформансе модела ће такође бити лоше.

Са континуираним побољшањем рачунарске снаге и врућим развојем теорије дубоког учења последњих година, све више људи је почело да примењује дубоко учење за откривање дефеката тканине. Дубоко учење може ефикасно да избегне непотпуност ручно дизајнираних карактеристика и има високу тачност откривања. На основу овог разматрања, овај чланак користи знање везано за рачунарски вид и дубоко учење за дизајнирање система за аутоматско откривање дефеката нетканог материјала, који ефикасно побољшава тачност откривања дефеката и има добру робусност.