Technologie zur Fehlererkennung bei Vliesstoffen

Vliesstoffe werden seit jeher häufig als Rohstoffe für medizinische Einwegverbrauchsmaterialien wie OP-Masken, Krankenschwestermützen und OP-Hauben in der Produktion verwendet.Die Qualität medizinischer Einwegverbrauchsmaterialien hängt hauptsächlich von der Qualität der Vliesstoffe ab.Da der Herstellungs- und Transportprozess von Vliesstoffen keine absolute Reinheit der Umwelt gewährleisten kann und sie selbst über eine starke elektrostatische Adsorptionsfähigkeit verfügen, adsorbieren sie häufig kleine Verunreinigungen in der Luft.Daher können in sehr wenigen Bereichen von Vliesstoffen Fremdkörper vorhanden sein.Das in diesem Artikel untersuchte Vliesstoffmaterial wird direkt zur Herstellung von Masken verwendet. Nach der Analyse der ausgewählten Fehlerproben wurde festgestellt, dass der Anteil an Fremdkörperfehlern wie Insekten und Haaren am höchsten ist.Das Vorhandensein dieses Mangels führt direkt zu einer minderwertigen Qualität der Folgeprodukte, und fehlerhafte Produkte dürfen ebenfalls nicht auf den Markt kommen.Daher müssen die Hersteller einige dieser Mängel beseitigen, andernfalls kommt es zu enormen wirtschaftlichen Verlusten.

Derzeit verwenden die meisten großen Unternehmen der Branche importierte visuelle Inspektionsgeräte zur Fehlererkennung.Obwohl die Ergebnisse gut sind, sind diese Geräte in der Regel teuer in Bezug auf Kosten und Wartung und eignen sich nicht für den Einsatz in kleinen Unternehmen und Werkstätten.Die meisten kleinen Unternehmen in China nutzen immer noch die traditionelle manuelle Sichtprüfung zur Fehlerprüfung.Diese Methode ist relativ einfach, erfordert jedoch eine längere Schulung der Mitarbeiter, eine geringe Erkennungseffizienz und -genauigkeit und verschwendet viel Personal, was einen erheblichen Kostenfaktor für die Unternehmensführung darstellt.In den letzten Jahren hat sich der Bereich der Fehlererkennung rasant weiterentwickelt, und Geschäftsinhaber nutzen nach und nach neue Technologien, um herkömmliche manuelle visuelle Inspektionsmethoden zu ersetzen.

Aus Sicht der Branchenentwicklungstrends ist die Entwicklung eines automatischen Erkennungsgeräts, das Fehlerbilder im Produktionsprozess von Vliesstoffen automatisch erfassen und analysieren kann, ein notwendiges Mittel, um die Produktionsentwicklung zu fördern, die Produktqualität sicherzustellen und die Arbeitskosten zu senken.Seit den 1980er Jahren haben viele Ingenieure versucht, die einschlägigen Erkenntnisse der Bildverarbeitung zur Fehlererkennung von Vliesstoffen zu nutzen.Einige Studien verwendeten Texturanalysemethoden, um Fehler zu charakterisieren und eine Fehlererkennung zu erreichen, während andere Kantenerkennungsoperatoren verwendeten, um zunächst die Fehlerkontur zu bestimmen und angemessene Schwellenwerte basierend auf statistischen Graustufeninformationen des Fehlers festzulegen, um eine Fehlererkennung zu erreichen. Es gibt auch Studien, die Spektralfunktionen verwenden Analysemethoden zur Erkennung von Fehlern basierend auf der hohen Texturperiodizität von Stoffen.

Die oben genannten Methoden haben bestimmte Anwendungsergebnisse bei Fehlererkennungsproblemen erzielt, es gibt jedoch immer noch bestimmte Einschränkungen: Erstens variieren Form und Größe von Fehlern in tatsächlichen Produktionsumgebungen.Fehlererkennungsalgorithmen, die auf maschinellem Lernen und statistischen Informationen basieren, erfordern die Festlegung von Schwellenwerten auf der Grundlage von Vorkenntnissen, die nicht für alle Fehler wirksam sein können, was zu einer unzureichenden Robustheit dieser Methode führt.Zweitens sind herkömmliche Computer-Vision-Methoden in der Regel langsam in der Ausführung und können die Echtzeitanforderungen der Produktion nicht effektiv erfüllen.Seit den 1980er Jahren hat sich der Bereich der maschinellen Lernforschung rasant weiterentwickelt und die Anwendung relevanten Wissens hat die Entwicklung vieler Branchen vorangetrieben.Viele Forschungsthemen haben gezeigt, dass die Anwendung von maschinellen Lernalgorithmen wie dem neuronalen BP-Netzwerk und SVM bei der Erkennung von Stofffehlern effektiv ist.Diese Methoden gewährleisten eine hohe Erkennungsgenauigkeit und ein gewisses Maß an Robustheit. Durch sorgfältige Analyse des Trainingsprozesses des maschinellen Lernens ist dies nicht schwer zu erkennen. Die Leistung dieser Art von Algorithmus hängt hauptsächlich von der Auswahl manueller Fehlerfunktionen ab.Wenn die manuellen Funktionen nicht vollständig oder differenziert genug sind, ist auch die Leistung des Modells schlecht.

Mit der kontinuierlichen Verbesserung der Rechenleistung von Computern und der rasanten Entwicklung der Deep-Learning-Theorie in den letzten Jahren haben immer mehr Menschen damit begonnen, Deep Learning auf die Erkennung von Stofffehlern anzuwenden.Deep Learning kann die Unvollständigkeit manuell entworfener Funktionen wirksam vermeiden und weist eine hohe Erkennungsgenauigkeit auf.Basierend auf dieser Überlegung verwendet dieser Artikel Computer Vision und Deep-Learning-bezogenes Wissen, um ein automatisches Erkennungssystem für Vliesstofffehler zu entwerfen, das die Erkennungsgenauigkeit von Fehlern effektiv verbessert und eine gute Robustheit aufweist.