Tecnología de detección de defectos en telas no tejidas

Las telas no tejidas siempre se han utilizado ampliamente como materia prima para consumibles médicos desechables, como mascarillas quirúrgicas, gorros de enfermera y gorros quirúrgicos en la producción.La calidad de los consumibles médicos desechables depende principalmente de la calidad de las telas no tejidas.Debido al hecho de que el proceso de producción y transporte de telas no tejidas no puede garantizar la pureza absoluta del medio ambiente y ellas mismas tienen una fuerte capacidad de adsorción electrostática, a menudo absorben pequeñas impurezas en el aire.Por lo tanto, pueden existir objetos extraños en muy pocas zonas de las telas no tejidas.El material de tela no tejida estudiado en este artículo se utiliza directamente para la producción de máscaras. Después de analizar las muestras de defectos seleccionadas, se encontró que la proporción de defectos por objetos extraños, como insectos y cabello, es la más alta.La existencia de este defecto conduce directamente a una calidad deficiente de los productos posteriores, y también se prohíbe estrictamente la entrada al mercado de productos defectuosos.Por lo tanto, los fabricantes deben eliminar algunos de estos defectos; de lo contrario, se producirán enormes pérdidas económicas.

En la actualidad, la mayoría de las grandes empresas del sector utilizan equipos de inspección visual importados para la detección de defectos.Aunque los resultados son buenos, estos equipos suelen tener un coste y un mantenimiento elevados y no son adecuados para su uso en pequeñas empresas y talleres.La mayoría de las pequeñas empresas de China todavía utilizan la inspección visual manual tradicional para la detección de defectos.Este método es relativamente simple, pero requiere una capacitación más prolongada de los trabajadores, baja eficiencia y precisión de detección y desperdicia muchos recursos humanos, lo que representa un gasto significativo para la gestión empresarial.En los últimos años, el campo de la detección de defectos se ha desarrollado rápidamente y los propietarios de empresas están utilizando gradualmente nuevas tecnologías para reemplazar los métodos tradicionales de inspección visual manual.

Desde la perspectiva de las tendencias de desarrollo de la industria, diseñar un dispositivo de detección automática que pueda obtener y analizar automáticamente imágenes de defectos en el proceso de producción de telas no tejidas es un medio necesario para promover el desarrollo de la producción, garantizar la calidad del producto y reducir los costos laborales.Desde la década de 1980, muchos ingenieros han intentado utilizar los conocimientos pertinentes de la visión por ordenador para la detección de defectos en tejidos no tejidos.Algunos estudios han utilizado métodos de análisis de textura para caracterizar defectos y lograr la detección de defectos, mientras que otros han utilizado operadores de detección de bordes para determinar primero el contorno del defecto y establecer umbrales razonables basados ​​en información estadística en escala de grises del defecto para lograr la detección de defectos. También hay estudios que utilizan espectros Métodos de análisis para detectar defectos basados ​​en la alta periodicidad de textura de los tejidos.

Los métodos anteriores han logrado ciertos resultados de aplicación en problemas de detección de defectos, pero todavía existen ciertas limitaciones: en primer lugar, la forma y el tamaño de los defectos en el entorno de producción real varían.Los algoritmos de detección de defectos basados ​​en aprendizaje automático e información estadística requieren establecer umbrales basados ​​en conocimientos previos, lo que no puede ser efectivo para todos los defectos, lo que resulta en una solidez insuficiente de este método.En segundo lugar, los métodos tradicionales de visión por computadora suelen ser lentos de ejecutar y no pueden cumplir de manera efectiva con los requisitos de producción en tiempo real.Desde la década de 1980, el campo de la investigación del aprendizaje automático se ha desarrollado rápidamente y la aplicación de conocimientos relevantes ha impulsado el desarrollo de muchas industrias.Muchos temas de investigación han demostrado que la aplicación de algoritmos de aprendizaje automático, como la red neuronal BP y SVM, en la detección de defectos en tejidos es eficaz.Estos métodos garantizan una alta precisión de detección y un cierto grado de robustez, y no es difícil descubrirlo mediante un análisis cuidadoso del proceso de entrenamiento del aprendizaje automático. El rendimiento de este tipo de algoritmo depende principalmente de la selección manual de características defectuosas.Si las funciones manuales no son lo suficientemente completas o discriminativas, el rendimiento del modelo también será deficiente.

Con la mejora continua de la potencia informática de las computadoras y el gran desarrollo de la teoría del aprendizaje profundo en los últimos años, cada vez más personas han comenzado a aplicar el aprendizaje profundo a la detección de defectos en tejidos.El aprendizaje profundo puede evitar eficazmente que las funciones diseñadas manualmente estén incompletas y tiene una alta precisión de detección.Con base en esta consideración, este artículo utiliza la visión por computadora y el conocimiento relacionado con el aprendizaje profundo para diseñar un sistema de detección automática de defectos en telas no tejidas, que mejora efectivamente la precisión de la detección de defectos y tiene buena robustez.