فناوری تشخیص عیب پارچه غیر بافته

پارچه‌های غیر بافته شده همیشه به‌عنوان مواد اولیه برای مواد مصرفی پزشکی یکبار مصرف مانند ماسک‌های جراحی، کلاه‌های پرستاری و کلاه‌های جراحی استفاده می‌شوند.کیفیت مواد مصرفی پزشکی یکبار مصرف عمدتاً به کیفیت پارچه های نبافته بستگی دارد.با توجه به اینکه فرآیند تولید و حمل و نقل پارچه های نبافته نمی تواند خلوص مطلق محیط را تضمین کند و خود دارای قابلیت جذب الکترواستاتیک قوی هستند، اغلب ناخالصی های کوچکی را در هوا جذب می کنند.بنابراین، اجسام خارجی ممکن است در مناطق بسیار کمی از پارچه های غیر بافته وجود داشته باشند.از جنس پارچه نبافته مورد مطالعه در این مقاله مستقیماً برای تولید ماسک استفاده می شود، پس از تجزیه و تحلیل نمونه های عیب انتخاب شده، مشخص شد که نسبت عیوب جسم خارجی مانند حشرات و مو بیشترین میزان را دارد.وجود این عیب مستقیماً منجر به کیفیت نامرغوب محصولات بعدی می شود و همچنین ورود محصولات معیوب به بازار اکیداً ممنوع است.بنابراین، تولیدکنندگان باید برخی از این عیوب را برطرف کنند، در غیر این صورت ضرر اقتصادی هنگفتی به همراه خواهد داشت.

در حال حاضر اکثر شرکت های بزرگ این صنعت از تجهیزات بازرسی بصری وارداتی برای تشخیص عیب استفاده می کنند.اگرچه نتایج خوب است، اما این تجهیزات معمولاً از نظر هزینه و نگهداری گران هستند و برای شرکت‌های کوچک و کارگاه‌ها مناسب نیستند.اکثر شرکت های کوچک در چین هنوز از بازرسی بصری دستی سنتی برای غربالگری نقص استفاده می کنند.این روش نسبتاً ساده است، اما به آموزش طولانی‌تر کارگران، راندمان و دقت تشخیص پایین نیاز دارد و منابع انسانی زیادی را هدر می‌دهد که هزینه قابل‌توجهی برای مدیریت شرکت است.در سال های اخیر، زمینه تشخیص عیب به سرعت توسعه یافته است و صاحبان مشاغل به تدریج از فناوری های جدید برای جایگزینی روش های سنتی بازرسی بصری دستی استفاده می کنند.

از منظر روند توسعه صنعت، طراحی یک دستگاه تشخیص خودکار که بتواند به طور خودکار تصاویر عیوب را در فرآیند تولید پارچه های نبافته به دست آورد و تجزیه و تحلیل کند، ابزاری ضروری برای ارتقای توسعه تولید، تضمین کیفیت محصول و کاهش هزینه های نیروی کار است.از دهه 1980، بسیاری از مهندسان تلاش کرده اند از دانش مربوطه بینایی کامپیوتر برای تشخیص عیب پارچه های غیر بافته استفاده کنند.برخی از مطالعات از روش های تجزیه و تحلیل بافت برای مشخص کردن عیوب و دستیابی به تشخیص عیب استفاده کرده اند، در حالی که برخی دیگر از عملگرهای تشخیص لبه برای تعیین خط عیب و تعیین آستانه های معقول بر اساس اطلاعات آماری مقیاس خاکستری برای دستیابی به تشخیص عیب استفاده کرده اند. همچنین مطالعاتی وجود دارد که از طیفی استفاده می کنند. روش های تجزیه و تحلیل برای تشخیص عیوب بر اساس تناوب بافت بالای پارچه.

روش های فوق به نتایج کاربردی خاصی در مشکلات تشخیص عیب دست یافته اند، اما هنوز محدودیت های خاصی وجود دارد: اولاً، شکل و اندازه عیوب در محیط های تولید واقعی متفاوت است.الگوریتم‌های تشخیص عیب مبتنی بر یادگیری ماشین و اطلاعات آماری نیازمند تعیین آستانه‌هایی بر اساس دانش قبلی هستند که نمی‌تواند برای همه نقص‌ها مؤثر باشد و در نتیجه استحکام کافی این روش وجود ندارد.ثانیاً، روش‌های بینایی رایانه‌ای سنتی معمولاً آهسته اجرا می‌شوند و نمی‌توانند به‌طور مؤثری نیازهای زمان واقعی تولید را برآورده کنند.از دهه 1980، زمینه تحقیقات یادگیری ماشینی به سرعت توسعه یافته است و استفاده از دانش مربوطه باعث توسعه بسیاری از صنایع شده است.بسیاری از موضوعات تحقیقاتی نشان داده اند که استفاده از الگوریتم های یادگیری ماشین مانند شبکه عصبی BP و SVM در تشخیص عیب پارچه موثر است.این روش‌ها دقت تشخیص بالا و درجه خاصی از استحکام را تضمین می‌کنند و کشف آن از طریق تجزیه و تحلیل دقیق فرآیند آموزش یادگیری ماشین دشوار نیست، عملکرد این نوع الگوریتم عمدتاً به انتخاب ویژگی‌های دستی نقص بستگی دارد.اگر ویژگی های دستی کامل یا به اندازه کافی متمایز نباشند، عملکرد مدل نیز ضعیف خواهد بود.

با بهبود مستمر قدرت محاسباتی کامپیوتر و توسعه داغ نظریه یادگیری عمیق در سال های اخیر، افراد بیشتری شروع به استفاده از یادگیری عمیق برای تشخیص عیب پارچه کرده اند.یادگیری عمیق می تواند به طور موثر از ناقص بودن ویژگی های طراحی شده به صورت دستی جلوگیری کند و از دقت تشخیص بالایی برخوردار است.بر اساس این ملاحظات، این مقاله از بینایی کامپیوتر و دانش مرتبط با یادگیری عمیق برای طراحی یک سیستم تشخیص خودکار عیب پارچه نبافته استفاده می کند که به طور موثری دقت تشخیص عیوب را بهبود می بخشد و از استحکام خوبی برخوردار است.