Tehnologija detekcije oštećenja na netkanom materijalu

Netkane tkanine su oduvijek bile naširoko korištene kao sirovine za jednokratni medicinski potrošni materijal kao što su hirurške maske, šeširi za medicinske sestre i hirurške kape u proizvodnji.Kvaliteta jednokratnog medicinskog potrošnog materijala uglavnom ovisi o kvaliteti netkanih materijala.Zbog činjenice da proces proizvodnje i transporta netkanih tkanina ne može garantovati apsolutnu čistoću okoline, a same imaju jaku elektrostatičku adsorpcionu sposobnost, često adsorbuju male nečistoće u vazduhu.Stoga, strani predmeti mogu postojati u vrlo malom broju područja netkanih tkanina.Netkani materijal proučavan u ovom članku direktno se koristi za proizvodnju maski. Nakon analize odabranih uzoraka defekata, ustanovljeno je da je udio defekata stranih predmeta, poput insekata i dlaka, najveći.Postojanje ovog nedostatka direktno dovodi do nekvalitetnog kvaliteta naknadnih proizvoda, a neispravnim proizvodima je također strogo zabranjen ulazak na tržište.Stoga proizvođači moraju ukloniti neke od ovih nedostataka, inače će uzrokovati velike ekonomske gubitke.

Trenutno većina velikih kompanija u industriji koristi uvezenu opremu za vizuelnu inspekciju za otkrivanje kvarova.Iako su rezultati dobri, ova oprema je obično skupa po cijeni i održavanju i nije prikladna za korištenje u malim preduzećima i radionicama.Većina malih kompanija u Kini još uvijek koristi tradicionalnu ručnu vizualnu inspekciju za skrining kvarova.Ova metoda je relativno jednostavna, ali zahtijeva dužu obuku radnika, nisku efikasnost i preciznost detekcije i troši mnogo ljudskih resursa, što predstavlja značajan trošak za upravljanje preduzećem.Posljednjih godina, područje otkrivanja kvarova se brzo razvilo, a vlasnici poduzeća postepeno koriste nove tehnologije kako bi zamijenili tradicionalne metode ručne vizualne kontrole.

Iz perspektive trendova razvoja industrije, dizajniranje uređaja za automatsku detekciju koji može automatski dobiti i analizirati slike nedostataka u procesu proizvodnje netkanih tkanina je neophodno sredstvo za promicanje razvoja proizvodnje, osiguranje kvaliteta proizvoda i smanjenje troškova rada.Od 1980-ih, mnogi inženjeri su pokušali da koriste relevantno znanje kompjuterskog vida za detekciju nedostataka na netkanim tkaninama.Neke studije su koristile metode analize teksture za karakterizaciju defekata i postizanje detekcije defekta, dok su druge koristile operatore detekcije ivica da prvo odrede konturu defekta i postave razumne pragove na osnovu statističkih informacija o greškama u sivim tonovima da bi se postigla detekcija defekta. Postoje i studije koje koriste spektralne metode analize za otkrivanje nedostataka na osnovu visoke periodičnosti teksture tkanina.

Gore navedene metode su postigle određene rezultate primjene u problemima otkrivanja kvarova, ali još uvijek postoje određena ograničenja: prvo, oblik i veličina defekata u stvarnim proizvodnim okruženjima variraju.Algoritmi za otkrivanje kvarova zasnovani na mašinskom učenju i statističkim informacijama zahtevaju postavljanje pragova na osnovu prethodnog znanja, koji ne može biti efikasan za sve defekte, što rezultira nedovoljnom robusnošću ove metode.Drugo, tradicionalne metode kompjuterskog vida se obično sporo izvode i ne mogu efikasno da zadovolje zahteve proizvodnje u realnom vremenu.Od 1980-ih, oblast istraživanja mašinskog učenja se brzo razvijala, a primena relevantnog znanja je pokrenula razvoj mnogih industrija.Mnoge istraživačke teme pokazale su da je primjena algoritama strojnog učenja kao što su BP neuronska mreža i SVM u detekciji defekta tkanine efikasna.Ove metode osiguravaju visoku tačnost detekcije i određeni stepen robusnosti, a nije teško otkriti kroz pažljivu analizu procesa obuke mašinskog učenja. Performanse ovog tipa algoritma uglavnom zavise od izbora manuelnih karakteristika defekta.Ako ručne karakteristike nisu potpune ili dovoljno diskriminativne, performanse modela će također biti loše.

Uz kontinuirano poboljšanje računarske snage i vrući razvoj teorije dubokog učenja posljednjih godina, sve je više ljudi počelo primjenjivati ​​duboko učenje za otkrivanje oštećenja tkanine.Dubinsko učenje može efikasno izbjeći nepotpunost ručno dizajniranih funkcija i ima visoku tačnost detekcije.Na osnovu ovog razmatranja, ovaj članak koristi kompjutersku viziju i znanje vezano za duboko učenje kako bi dizajnirao sistem za automatsku detekciju oštećenja netkanog materijala, koji efektivno poboljšava tačnost detekcije defekata i ima dobru robusnost.