Lausriie defektide tuvastamise tehnoloogia

Lausriie on alati laialdaselt kasutatud ühekordselt kasutatavate meditsiiniliste tarbekaupade, näiteks kirurgiliste maskide, õe mütside ja kirurgiliste mütside tootmisel toorainena.Ühekordselt kasutatavate meditsiiniliste tarbekaupade kvaliteet sõltub peamiselt mittekootud kangaste kvaliteedist.Kuna lausriide tootmis- ja transpordiprotsess ei suuda tagada keskkonna absoluutset puhtust ning neil endal on tugev elektrostaatiline adsorptsioonivõime, adsorbeerivad nad sageli õhus olevaid väikeseid lisandeid.Seetõttu võib väga vähestel mittekootud kangastel esineda võõrkehi.Käesolevas artiklis uuritud lausriidest materjali kasutatakse otseselt maskide tootmiseks, Valitud defektiproovide analüüsimisel selgus, et võõrkehade defektide, nagu putukad ja juuksed, osakaal on suurim.Selle defekti olemasolu viib otseselt järgnevate toodete kvaliteedi halvenemiseni, samuti on defektsete toodete turule toomine rangelt keelatud.Seetõttu peavad tootjad mõned neist defektidest kõrvaldama, vastasel juhul põhjustab see tohutut majanduslikku kahju.

Praegu kasutab enamik tööstuse suuri ettevõtteid defektide tuvastamiseks imporditud visuaalse kontrolli seadmeid.Kuigi tulemused on head, on need seadmed tavaliselt kulukad ja hoolduselt kallid ning ei sobi kasutamiseks väikeettevõtetes ja töökodades.Enamik Hiina väikeettevõtteid kasutab defektide kontrollimiseks endiselt traditsioonilist käsitsi visuaalset kontrolli.See meetod on suhteliselt lihtne, kuid nõuab pikemat töötajate väljaõpet, madalat tuvastamise efektiivsust ja täpsust ning raiskab palju inimressursse, mis on ettevõtte juhtimisele märkimisväärne kulu.Viimastel aastatel on defektide tuvastamise valdkond kiiresti arenenud ja ettevõtete omanikud kasutavad järk-järgult uusi tehnoloogiaid, et asendada traditsioonilised käsitsi visuaalse kontrolli meetodid.

Tööstuse arengusuundade vaatenurgast on lausriide tootmisprotsessis defektikujutisi automaatselt hankiva ja analüüsiva automaatse tuvastamisseadme kavandamine vajalik vahend tootmise arendamiseks, tootekvaliteedi tagamiseks ja tööjõukulude vähendamiseks.Alates 1980. aastatest on paljud insenerid püüdnud kasutada vastavaid teadmisi arvutinägemisest mittekootud kangaste defektide tuvastamiseks.Mõned uuringud on defektide iseloomustamiseks ja defektide tuvastamiseks kasutanud tekstuurianalüüsi meetodeid, samas kui teised on kasutanud servatuvastusoperaatoreid, et esmalt määrata defekti kontuur ja määrata mõistlikud läved, mis põhinevad defektide halltoonides statistilisel teabel, et saavutada defektide tuvastamine. On ka uuringuid, mis kasutavad spektraalset analüüsimeetodid defektide tuvastamiseks, mis põhinevad kangaste tekstuuri kõrgel perioodilisusel.

Ülaltoodud meetodid on saavutanud teatud rakendustulemusi defektide tuvastamise probleemides, kuid siiski on teatud piirangud: esiteks on tegelikus tootmiskeskkonnas defektide kuju ja suurus erinev.Masinõppel ja statistilisel teabel põhinevad defektide tuvastamise algoritmid nõuavad eelteadmistel põhinevate lävede seadmist, mis ei saa olla tõhusad kõigi defektide puhul, mistõttu see meetod ei ole piisav.Teiseks on traditsioonilised arvutinägemise meetodid tavaliselt aeglased ja ei suuda tõhusalt täita tootmise reaalajas nõudeid.Alates 1980. aastatest on masinõppe uuringute valdkond kiiresti arenenud ning asjakohaste teadmiste rakendamine on ajendanud paljude tööstusharude arengut.Paljud uurimisteemad on näidanud, et masinõppe algoritmide, nagu BP närvivõrk ja SVM, rakendamine kangadefektide tuvastamisel on tõhus.Need meetodid tagavad kõrge tuvastamise täpsuse ja teatud tugevuse ning seda pole keeruline masinõppe koolitusprotsessi hoolika analüüsi abil avastada. Seda tüüpi algoritmi jõudlus sõltub peamiselt defektide käsitsi funktsioonide valikust.Kui manuaalsed funktsioonid ei ole piisavalt täielikud või diskrimineerivad, on ka mudeli jõudlus kehv.

Arvutite arvutusvõimsuse pideva täiustamise ja sügava õppimise teooria viimaste aastate kuuma arenguga on üha enam inimesi hakanud kangadefektide tuvastamiseks kasutama süvaõpet.Sügavõpe võib tõhusalt vältida käsitsi loodud funktsioonide ebatäielikkust ja sellel on kõrge tuvastamise täpsus.Sellele kaalutlusele tuginedes kasutatakse käesolevas artiklis arvutinägemist ja süvaõppega seotud teadmisi, et kujundada mittekootud kanga defektide automaatne tuvastamise süsteem, mis parandab tõhusalt defektide tuvastamise täpsust ja on hea vastupidavusega.