Technologie detekce vad netkané textilie

Netkané textilie byly ve výrobě vždy široce používány jako suroviny pro jednorázový lékařský spotřební materiál, jako jsou chirurgické masky, čepice pro sestry a chirurgické čepice.Kvalita jednorázového zdravotnického spotřebního materiálu závisí především na kvalitě netkaných textilií.Vzhledem k tomu, že proces výroby a dopravy netkaných textilií nemůže zaručit absolutní čistotu prostředí a samy mají silnou elektrostatickou adsorpční schopnost, často adsorbují drobné nečistoty ve vzduchu.Cizí předměty se proto mohou vyskytovat ve velmi málo oblastech netkaných textilií.Materiál netkané textilie studovaný v tomto článku se přímo používá k výrobě masek. Po analýze vybraných vzorků defektů bylo zjištěno, že podíl defektů cizích předmětů, jako je hmyz a vlasy, je nejvyšší.Existence této vady přímo vede k podprůměrné kvalitě následných výrobků a vadné výrobky mají také přísný zákaz vstupu na trh.Výrobci proto potřebují některé z těchto vad odstranit, jinak to způsobí obrovské ekonomické ztráty.

V současné době většina velkých společností v oboru používá k detekci závad dovážená zařízení pro vizuální kontrolu.I když jsou výsledky dobré, tato zařízení jsou obvykle nákladná z hlediska nákladů a údržby a nejsou vhodná pro použití v malých podnicích a dílnách.Většina malých společností v Číně stále používá tradiční ruční vizuální kontrolu pro screening defektů.Tato metoda je relativně jednoduchá, ale vyžaduje delší školení pracovníků, nízkou účinnost a přesnost detekce a plýtvá velkým množstvím lidských zdrojů, což je pro řízení podniku značné náklady.V posledních letech se oblast detekce defektů rychle rozvíjí a majitelé firem postupně využívají nové technologie, které nahrazují tradiční metody ruční vizuální kontroly.

Z pohledu trendů průmyslového vývoje je navržení automatického detekčního zařízení, které dokáže automaticky získávat a analyzovat obrazy defektů ve výrobním procesu netkaných textilií, nezbytným prostředkem k podpoře rozvoje výroby, zajištění kvality produktů a snížení mzdových nákladů.Od 80. let 20. století se mnoho inženýrů pokoušelo využít příslušných znalostí počítačového vidění pro detekci vad netkaných textilií.Některé studie používaly metody analýzy textury k charakterizaci defektů a dosažení detekce defektů, zatímco jiné používaly operátory detekce hran k prvnímu určení obrysu defektu a nastavily rozumné prahové hodnoty založené na statistických informacích o defektech ve stupních šedi, aby bylo dosaženo detekce defektů. Existují také studie, které používají spektrální analytické metody k detekci defektů založené na vysoké periodicitě textury tkanin.

Výše uvedené metody dosáhly určitých aplikačních výsledků v problémech s detekcí defektů, ale stále existují určitá omezení: za prvé, tvar a velikost defektů se ve skutečných výrobních prostředích liší.Algoritmy detekce defektů založené na strojovém učení a statistických informacích vyžadují nastavení prahů na základě předchozích znalostí, což nemůže být účinné pro všechny defekty, což má za následek nedostatečnou robustnost této metody.Za druhé, tradiční metody počítačového vidění se obvykle provádějí pomalu a nemohou efektivně splnit požadavky výroby v reálném čase.Od 80. let 20. století se oblast výzkumu strojového učení rychle rozvíjela a aplikace příslušných znalostí vedla k rozvoji mnoha průmyslových odvětví.Mnoho výzkumných témat ukázalo, že aplikace algoritmů strojového učení, jako je BP neuronová síť a SVM, při detekci defektů tkaniny je účinná.Tyto metody zajišťují vysokou přesnost detekce a určitý stupeň robustnosti a není těžké je odhalit pečlivou analýzou trénovacího procesu strojového učení. Výkonnost tohoto typu algoritmu závisí především na výběru manuálních funkcí defektů.Pokud manuální funkce nejsou úplné nebo dostatečně rozlišující, výkon modelu bude také špatný.

S neustálým zlepšováním počítačového výpočetního výkonu a horkým rozvojem teorie hlubokého učení v posledních letech stále více lidí začalo používat hluboké učení na detekci defektů tkaniny.Hluboké učení může účinně zabránit neúplnosti ručně navržených funkcí a má vysokou přesnost detekce.Na základě této úvahy tento článek využívá počítačové vidění a znalosti související s hlubokým učením k návrhu systému automatické detekce defektů netkané textilie, který účinně zlepšuje přesnost detekce defektů a má dobrou robustnost.