Teknik för detektering av defekter i non-woven tyg

Icke-vävda tyger har alltid använts i stor utsträckning som råmaterial för medicinska engångsartiklar som kirurgiska masker, sjuksköterskemössor och kirurgiska mössor i produktionen. Kvaliteten på medicinska engångsartiklar beror huvudsakligen på kvaliteten på fibertygerna. På grund av att produktions- och transportprocessen för fibertyger inte kan garantera absolut renhet i miljön, och de själva har stark elektrostatisk adsorptionsförmåga, adsorberar de ofta små föroreningar i luften. Därför kan främmande föremål finnas i mycket få områden av fibertyger. Det fibertygmaterial som studeras i denna artikel används direkt för produktion av masker. Efter analys av de utvalda defektproverna fann man att andelen defekta främmande föremål, såsom insekter och hår, är den högsta. Förekomsten av denna defekt leder direkt till undermålig kvalitet på efterföljande produkter, och defekta produkter är också strängt förbjudna att komma in på marknaden. Därför måste tillverkare ta bort några av dessa defekter, annars kommer det att orsaka stora ekonomiska förluster.

För närvarande använder de flesta stora företag i branschen importerad visuell inspektionsutrustning för feldetektering. Även om resultaten är bra är denna utrustning vanligtvis dyr i kostnad och underhåll, och inte lämplig för små företag och verkstäder att använda. De flesta små företag i Kina använder fortfarande traditionell manuell visuell inspektion för felsökning. Denna metod är relativt enkel, men kräver längre arbetsutbildning, låg detekteringseffektivitet och noggrannhet, och slösar bort mycket mänskliga resurser, vilket är en betydande kostnad för företagsledningen. Under senare år har området feldetektering utvecklats snabbt, och företagare använder gradvis ny teknik för att ersätta traditionella manuella visuella inspektionsmetoder.

Ur perspektivet av branschutvecklingstrender är det nödvändigt att utforma en automatisk detekteringsenhet som automatiskt kan erhålla och analysera defektbilder i produktionsprocessen för non-woven-tyger för att främja produktionsutveckling, säkerställa produktkvalitet och minska arbetskraftskostnaderna. Sedan 1980-talet har många ingenjörer försökt använda relevant kunskap om datorseende för defektdetektering av non-woven-tyger. Vissa studier har använt texturanalysmetoder för att karakterisera defekter och uppnå defektdetektering, medan andra har använt kantdetekteringsoperatorer för att först bestämma defektkonturen och sätta rimliga trösklar baserat på statistisk information om defekter i gråskala för att uppnå defektdetektering. Det finns också studier som använder spektralanalysmetoder för att upptäcka defekter baserat på tygernas höga texturperiodicitet.

Ovanstående metoder har uppnått vissa tillämpningsresultat när det gäller problem med defektdetektering, men det finns fortfarande vissa begränsningar: för det första varierar formen och storleken på defekter i faktiska produktionsmiljöer. Defektdetekteringsalgoritmer baserade på maskininlärning och statistisk information kräver att tröskelvärden sätts baserat på förkunskap, vilket inte kan vara effektivt för alla defekter, vilket resulterar i otillräcklig robusthet hos denna metod. För det andra är traditionella datorseendemetoder vanligtvis långsamma att utföra och kan inte effektivt uppfylla produktionens realtidskrav. Sedan 1980-talet har forskningsområdet maskininlärning utvecklats snabbt, och tillämpningen av relevant kunskap har drivit utvecklingen av många branscher. Många forskningsämnen har visat att tillämpningen av maskininlärningsalgoritmer som BP neurala nätverk och SVM inom detektering av tygdefekter är effektiv. Dessa metoder säkerställer hög detekteringsnoggrannhet och en viss grad av robusthet, och det är inte svårt att upptäcka genom noggrann analys av träningsprocessen för maskininlärning. Prestandan för denna typ av algoritm beror huvudsakligen på valet av manuella defektfunktioner. Om de manuella funktionerna inte är tillräckligt fullständiga eller diskriminerande kommer modellens prestanda också att vara dålig.

Med den kontinuerliga förbättringen av datorers beräkningskraft och den heta utvecklingen av djupinlärningsteori under senare år har fler och fler börjat tillämpa djupinlärning för att upptäcka defekter i tyg. Djupinlärning kan effektivt undvika ofullständigheter i manuellt designade funktioner och har en hög detektionsnoggrannhet. Baserat på detta övervägande använder den här artikeln datorseende och djupinlärningsrelaterad kunskap för att designa ett automatiskt detekteringssystem för defekter i non-woven tyg, vilket effektivt förbättrar detekteringsnoggrannheten för defekter och har god robusthet.