Τεχνολογία ανίχνευσης ελαττωμάτων από μη υφαντό ύφασμα

Τα μη υφασμένα υφάσματα χρησιμοποιούνται πάντα ευρέως ως πρώτες ύλες για αναλώσιμα ιατρικά αναλώσιμα όπως χειρουργικές μάσκες, καπέλα νοσοκόμων και χειρουργικά καπάκια στην παραγωγή.Η ποιότητα των ιατρικών αναλώσιμων μιας χρήσης εξαρτάται κυρίως από την ποιότητα των μη υφασμένων υφασμάτων.Λόγω του γεγονότος ότι η διαδικασία παραγωγής και μεταφοράς των μη υφασμένων υφασμάτων δεν μπορεί να εγγυηθεί την απόλυτη καθαρότητα του περιβάλλοντος και τα ίδια έχουν ισχυρή ηλεκτροστατική ικανότητα προσρόφησης, συχνά προσροφούν μικρές ακαθαρσίες στον αέρα.Επομένως, ξένα αντικείμενα μπορεί να υπάρχουν σε πολύ λίγες περιοχές μη υφασμένων υφασμάτων.Το υλικό μη υφαντού υφάσματος που μελετάται σε αυτό το άρθρο χρησιμοποιείται απευθείας για την παραγωγή μασκών. Μετά την ανάλυση των επιλεγμένων δειγμάτων ελαττωμάτων, διαπιστώθηκε ότι το ποσοστό των ελαττωμάτων ξένων αντικειμένων, όπως τα έντομα και τα μαλλιά, είναι το υψηλότερο.Η ύπαρξη αυτού του ελαττώματος οδηγεί άμεσα σε κατώτερη ποιότητα των επόμενων προϊόντων, ενώ τα ελαττωματικά προϊόντα απαγορεύεται επίσης αυστηρά να εισέλθουν στην αγορά.Επομένως, οι κατασκευαστές πρέπει να αφαιρέσουν ορισμένα από αυτά τα ελαττώματα, διαφορετικά θα προκληθούν τεράστιες οικονομικές απώλειες.

Επί του παρόντος, οι περισσότερες μεγάλες εταιρείες του κλάδου χρησιμοποιούν εισαγόμενο εξοπλισμό οπτικής επιθεώρησης για τον εντοπισμό ελαττωμάτων.Αν και τα αποτελέσματα είναι καλά, αυτός ο εξοπλισμός είναι συνήθως ακριβός σε κόστος και συντήρηση και δεν είναι κατάλληλος για χρήση από μικρές επιχειρήσεις και συνεργεία.Οι περισσότερες μικρές εταιρείες στην Κίνα εξακολουθούν να χρησιμοποιούν την παραδοσιακή χειροκίνητη οπτική επιθεώρηση για τον έλεγχο ελαττωμάτων.Αυτή η μέθοδος είναι σχετικά απλή, αλλά απαιτεί μεγαλύτερη εκπαίδευση των εργαζομένων, χαμηλή αποτελεσματικότητα και ακρίβεια ανίχνευσης και σπαταλά πολλούς ανθρώπινους πόρους, γεγονός που αποτελεί σημαντική δαπάνη για τη διαχείριση της επιχείρησης.Τα τελευταία χρόνια, ο τομέας της ανίχνευσης ελαττωμάτων έχει αναπτυχθεί γρήγορα και οι ιδιοκτήτες επιχειρήσεων χρησιμοποιούν σταδιακά νέες τεχνολογίες για να αντικαταστήσουν τις παραδοσιακές μεθόδους χειροκίνητης οπτικής επιθεώρησης.

Από τη σκοπιά των τάσεων ανάπτυξης της βιομηχανίας, ο σχεδιασμός μιας συσκευής αυτόματης ανίχνευσης που μπορεί να λαμβάνει και να αναλύει αυτόματα εικόνες ελαττωμάτων στη διαδικασία παραγωγής μη υφασμένων υφασμάτων είναι απαραίτητο μέσο για την προώθηση της ανάπτυξης της παραγωγής, τη διασφάλιση της ποιότητας των προϊόντων και τη μείωση του κόστους εργασίας.Από τη δεκαετία του 1980, πολλοί μηχανικοί προσπάθησαν να χρησιμοποιήσουν τη σχετική γνώση της όρασης υπολογιστή για την ανίχνευση ελαττωμάτων μη υφασμένων υφασμάτων.Ορισμένες μελέτες έχουν χρησιμοποιήσει μεθόδους ανάλυσης υφής για να χαρακτηρίσουν ελαττώματα και να επιτύχουν ανίχνευση ελαττωμάτων, ενώ άλλες χρησιμοποίησαν τελεστές ανίχνευσης άκρων για να καθορίσουν πρώτα το περίγραμμα του ελαττώματος και να ορίσουν λογικά όρια με βάση στατιστικές πληροφορίες σε κλίμακα του γκρι για την επίτευξη ανίχνευσης ελαττωμάτων. Υπάρχουν επίσης μελέτες που χρησιμοποιούν φασματική μέθοδοι ανάλυσης για τον εντοπισμό ελαττωμάτων με βάση την υψηλή περιοδικότητα υφής των υφασμάτων.

Οι παραπάνω μέθοδοι έχουν επιτύχει ορισμένα αποτελέσματα εφαρμογής σε προβλήματα ανίχνευσης ελαττωμάτων, αλλά εξακολουθούν να υπάρχουν ορισμένοι περιορισμοί: πρώτον, το σχήμα και το μέγεθος των ελαττωμάτων στα πραγματικά περιβάλλοντα παραγωγής ποικίλλουν.Οι αλγόριθμοι ανίχνευσης ελαττωμάτων που βασίζονται στη μηχανική μάθηση και στις στατιστικές πληροφορίες απαιτούν τον καθορισμό ορίων με βάση την προηγούμενη γνώση, η οποία δεν μπορεί να είναι αποτελεσματική για όλα τα ελαττώματα, με αποτέλεσμα την ανεπαρκή ευρωστία αυτής της μεθόδου.Δεύτερον, οι παραδοσιακές μέθοδοι υπολογιστικής όρασης είναι συνήθως αργές στην εκτέλεση και δεν μπορούν να ανταποκριθούν αποτελεσματικά στις απαιτήσεις της παραγωγής σε πραγματικό χρόνο.Από τη δεκαετία του 1980, ο τομέας της έρευνας μηχανικής μάθησης έχει αναπτυχθεί γρήγορα και η εφαρμογή της σχετικής γνώσης έχει οδηγήσει στην ανάπτυξη πολλών βιομηχανιών.Πολλά ερευνητικά θέματα έχουν δείξει ότι η εφαρμογή αλγορίθμων μηχανικής μάθησης όπως το νευρωνικό δίκτυο BP και το SVM στον εντοπισμό ελαττωμάτων υφάσματος είναι αποτελεσματική.Αυτές οι μέθοδοι εξασφαλίζουν υψηλή ακρίβεια ανίχνευσης και έναν ορισμένο βαθμό ευρωστίας και δεν είναι δύσκολο να ανακαλυφθεί μέσω προσεκτικής ανάλυσης της εκπαιδευτικής διαδικασίας της μηχανικής μάθησης. Η απόδοση αυτού του τύπου αλγορίθμου εξαρτάται κυρίως από την επιλογή χειροκίνητων χαρακτηριστικών ελαττωμάτων.Εάν τα χειροκίνητα χαρακτηριστικά δεν είναι πλήρη ή αρκετά διακριτικά, η απόδοση του μοντέλου θα είναι επίσης κακή.

Με τη συνεχή βελτίωση της υπολογιστικής ισχύος των υπολογιστών και την καυτή ανάπτυξη της θεωρίας βαθιάς μάθησης τα τελευταία χρόνια, όλο και περισσότεροι άνθρωποι άρχισαν να εφαρμόζουν τη βαθιά μάθηση στον εντοπισμό ελαττωμάτων υφάσματος.Η βαθιά εκμάθηση μπορεί να αποφύγει αποτελεσματικά την ατελή λειτουργία των χειροκίνητων σχεδιασμένων λειτουργιών και έχει υψηλή ακρίβεια ανίχνευσης.Με βάση αυτό το σκεπτικό, αυτό το άρθρο χρησιμοποιεί γνώσεις σχετικά με την όραση υπολογιστή και τη βαθιά μάθηση για να σχεδιάσει ένα αυτόματο σύστημα ανίχνευσης ελαττωμάτων από μη υφαντό ύφασμα, το οποίο βελτιώνει αποτελεσματικά την ακρίβεια ανίχνευσης των ελαττωμάτων και έχει καλή στιβαρότητα.