Ikke-vævet stof defekt detekteringsteknologi

Ikke-vævede stoffer har altid været meget brugt som råmaterialer til medicinske engangsartikler såsom kirurgiske masker, sygeplejerskehatte og kirurgiske kasketter i produktionen.Kvaliteten af ​​medicinske engangsartikler afhænger hovedsageligt af kvaliteten af ​​ikke-vævede stoffer.På grund af det faktum, at produktion og transport af ikke-vævede stoffer ikke kan garantere absolut renhed af miljøet, og de selv har en stærk elektrostatisk adsorptionsevne, adsorberer de ofte små urenheder i luften.Derfor kan der forekomme fremmedlegemer i meget få områder af ikke-vævede stoffer.Det ikke-vævede stofmateriale, der er undersøgt i denne artikel, bruges direkte til fremstilling af masker. Efter at have analyseret de udvalgte defektprøver, blev det konstateret, at andelen af ​​fremmedlegemedefekter, såsom insekter og hår, er den højeste.Eksistensen af ​​denne defekt fører direkte til substandard kvalitet af efterfølgende produkter, og defekte produkter er også strengt forbudt at komme ind på markedet.Derfor skal producenterne fjerne nogle af disse defekter, ellers vil det forårsage store økonomiske tab.

På nuværende tidspunkt bruger de fleste store virksomheder i branchen importeret visuel inspektionsudstyr til defektdetektering.Selvom resultaterne er gode, er dette udstyr normalt dyrt i omkostninger og vedligeholdelse og er ikke egnet til små virksomheder og værksteder at bruge.De fleste små virksomheder i Kina bruger stadig traditionel manuel visuel inspektion til defektscreening.Denne metode er relativt enkel, men kræver længere medarbejderuddannelse, lav detektionseffektivitet og nøjagtighed og spilder mange menneskelige ressourcer, hvilket er en betydelig udgift for virksomhedens ledelse.I de senere år har området for fejlsøgning udviklet sig hurtigt, og virksomhedsejere bruger gradvist nye teknologier til at erstatte traditionelle manuelle visuelle inspektionsmetoder.

Fra perspektivet af industriudviklingstendenser er design af en automatisk detektionsenhed, der automatisk kan opnå og analysere fejlbilleder i produktionsprocessen af ​​ikke-vævede stoffer, et nødvendigt middel til at fremme produktionsudvikling, sikre produktkvalitet og reducere lønomkostninger.Siden 1980'erne har mange ingeniører forsøgt at bruge den relevante viden om computersyn til defektdetektering af ikke-vævede stoffer.Nogle undersøgelser har brugt teksturanalysemetoder til at karakterisere defekter og opnå defektdetektering, mens andre har brugt kantdetektionsoperatorer til først at bestemme defektkonturen og indstille rimelige tærskler baseret på defekt gråskalastatistisk information for at opnå defektdetektion. Der er også undersøgelser, der bruger spektral analysemetoder til at påvise defekter baseret på stoffernes høje teksturperiodicitet.

Ovenstående metoder har opnået visse anvendelsesresultater i defektdetekteringsproblemer, men der er stadig visse begrænsninger: For det første varierer formen og størrelsen af ​​defekter i faktiske produktionsmiljøer.Defektdetektionsalgoritmer baseret på maskinlæring og statistisk information kræver indstilling af tærskler baseret på forudgående viden, hvilket ikke kan være effektivt for alle defekter, hvilket resulterer i utilstrækkelig robusthed af denne metode.For det andet er traditionelle computervisionsmetoder normalt langsomme at udføre og kan ikke effektivt opfylde realtidskravene til produktion.Siden 1980'erne har området for maskinlæringsforskning udviklet sig hurtigt, og anvendelsen af ​​relevant viden har drevet udviklingen af ​​mange industrier.Mange forskningsemner har vist, at anvendelsen af ​​maskinlæringsalgoritmer såsom BP neurale netværk og SVM i stofdefektdetektion er effektiv.Disse metoder sikrer høj detektionsnøjagtighed og en vis grad af robusthed, og det er ikke svært at opdage gennem omhyggelig analyse af træningsprocessen for maskinlæring. Ydeevnen af ​​denne type algoritme afhænger hovedsageligt af valget af defekte manuelle funktioner.Hvis de manuelle funktioner ikke er fuldstændige eller diskriminerende nok, vil modellens ydeevne også være dårlig.

Med den kontinuerlige forbedring af computerens computerkraft og den varme udvikling af deep learning-teori i de senere år, er flere og flere mennesker begyndt at anvende deep learning til stofdefektdetektion.Deep learning kan effektivt undgå ufuldstændigheden af ​​manuelt designede funktioner og har en høj detektionsnøjagtighed.Baseret på denne betragtning bruger denne artikel computersyn og deep learning relateret viden til at designe et automatisk detekteringssystem for ikke-vævet stoffejl, som effektivt forbedrer detekteringsnøjagtigheden af ​​defekter og har god robusthed.