Технологія виявлення дефектів нетканого матеріалу

Неткані матеріали завжди широко використовувалися як сировина для одноразових медичних витратних матеріалів, таких як хірургічні маски, шапочки для медсестер та хірургічні ковпачки у виробництві. Якість одноразових медичних витратних матеріалів головним чином залежить від якості нетканих матеріалів. Через те, що процес виробництва та транспортування нетканих матеріалів не може гарантувати абсолютну чистоту навколишнього середовища, а самі вони мають сильну електростатичну адсорбційну здатність, вони часто адсорбують невеликі домішки в повітрі. Тому сторонні предмети можуть бути присутніми в дуже небагатьох ділянках нетканих матеріалів. Нетканий матеріал, досліджений у цій статті, безпосередньо використовується для виробництва масок. Після аналізу відібраних зразків дефектів було виявлено, що частка дефектів сторонніх предметів, таких як комахи та волосся, є найвищою. Наявність цього дефекту безпосередньо призводить до неякісної наступної продукції, а дефектна продукція також суворо заборонена до потрапляння на ринок. Тому виробникам необхідно усунути деякі з цих дефектів, інакше це призведе до величезних економічних збитків.

Наразі більшість великих компаній у галузі використовують імпортне обладнання для візуального контролю для виявлення дефектів. Хоча результати хороші, це обладнання зазвичай дороге за вартістю та потребує високого обслуговування, і не підходить для малих підприємств та майстерень. Більшість малих компаній у Китаї досі використовують традиційний ручний візуальний контроль для скринінгу дефектів. Цей метод є відносно простим, але вимагає тривалішого навчання працівників, має низьку ефективність та точність виявлення, а також марнує багато людських ресурсів, що є значними витратами для керівництва підприємства. В останні роки галузь виявлення дефектів швидко розвивалася, і власники бізнесу поступово використовують нові технології для заміни традиційних методів ручного візуального контролю.

З точки зору тенденцій розвитку галузі, розробка автоматичного пристрою виявлення, який може автоматично отримувати та аналізувати зображення дефектів у процесі виробництва нетканих матеріалів, є необхідним засобом для сприяння розвитку виробництва, забезпечення якості продукції та зниження витрат на оплату праці. З 1980-х років багато інженерів намагалися використовувати відповідні знання комп'ютерного зору для виявлення дефектів нетканих матеріалів. У деяких дослідженнях використовувалися методи аналізу текстури для характеристики дефектів та досягнення виявлення дефектів, тоді як інші використовували оператори виявлення країв, щоб спочатку визначити контур дефекту та встановити розумні пороги на основі статистичної інформації про дефекти у градаціях сірого для досягнення виявлення дефектів. Також є дослідження, які використовують методи спектрального аналізу для виявлення дефектів на основі високої періодичності текстури тканин.

Вищезазначені методи досягли певних результатів застосування в проблемах виявлення дефектів, але все ще існують певні обмеження: по-перше, форма та розмір дефектів у реальних виробничих умовах різняться. Алгоритми виявлення дефектів, засновані на машинному навчанні та статистичній інформації, вимагають встановлення порогів на основі попередніх знань, які не можуть бути ефективними для всіх дефектів, що призводить до недостатньої стійкості цього методу. По-друге, традиційні методи комп'ютерного зору зазвичай повільні у виконанні та не можуть ефективно відповідати вимогам виробництва в режимі реального часу. З 1980-х років галузь досліджень машинного навчання швидко розвивалася, а застосування відповідних знань стимулювало розвиток багатьох галузей промисловості. Багато дослідницьких тем показали, що застосування алгоритмів машинного навчання, таких як нейронна мережа BP та SVM, у виявленні дефектів тканини є ефективним. Ці методи забезпечують високу точність виявлення та певний ступінь стійкості, і це неважко виявити шляхом ретельного аналізу процесу навчання машинного навчання. Продуктивність цього типу алгоритму головним чином залежить від вибору ручних ознак дефектів. Якщо ручні ознаки недостатньо повні або дискримінативні, продуктивність моделі також буде низькою.

З постійним удосконаленням обчислювальної потужності комп'ютерів та швидким розвитком теорії глибокого навчання в останні роки, все більше людей почали застосовувати глибоке навчання для виявлення дефектів тканин. Глибоке навчання може ефективно уникнути неповноти ручно розроблених елементів та мати високу точність виявлення. Виходячи з цього, у цій статті використовуються знання, пов'язані з комп'ютерним зір та глибоким навчанням, для розробки системи автоматичного виявлення дефектів нетканих матеріалів, яка ефективно підвищує точність виявлення дефектів та має хорошу надійність.