Kuitukangasvirheiden havaitsemistekniikka

Kuitukangaskankaita on aina käytetty laajalti tuotannossa kertakäyttöisten lääketieteellisten kulutustarvikkeiden, kuten kirurgisten maskien, sairaanhoitajan hattujen ja kirurgisten korkkien, raaka-aineina.Kertakäyttöisten lääketieteellisten kulutustarvikkeiden laatu riippuu pääasiassa kuitukankaiden laadusta.Koska kuitukankaiden tuotanto- ja kuljetusprosessi ei voi taata ympäristön ehdotonta puhtautta ja niillä itsellään on vahva sähköstaattinen adsorptiokyky, ne imevät usein pieniä epäpuhtauksia ilmassa.Siksi vieraita esineitä voi esiintyä hyvin harvoilla kuitukankaiden alueilla.Tässä artikkelissa tutkittua kuitukangasmateriaalia käytetään suoraan maskien valmistukseen. Valittujen vikanäytteiden analysoinnin jälkeen havaittiin, että vieraiden esineiden, kuten hyönteisten ja hiusten, osuus on suurin.Tämän vian olemassaolo johtaa suoraan myöhempien tuotteiden huonoon laatuun, ja viallisten tuotteiden pääsy markkinoille on myös ehdottomasti kielletty.Siksi valmistajien on poistettava osa näistä vioista, muuten se aiheuttaa valtavia taloudellisia tappioita.

Tällä hetkellä useimmat alan suuret yritykset käyttävät maahantuotuja visuaalisia tarkastuslaitteita vikojen havaitsemiseen.Vaikka tulokset ovat hyviä, nämä laitteet ovat yleensä kalliita kustannuksiltaan ja ylläpidolliselta, eivätkä ne sovellu pienyritysten ja työpajojen käyttöön.Useimmat pienet kiinalaiset yritykset käyttävät edelleen perinteistä manuaalista visuaalista tarkastusta vikojen seulonnassa.Tämä menetelmä on suhteellisen yksinkertainen, mutta vaatii pidempään työntekijöiden koulutusta, alhaista havaitsemistehokkuutta ja -tarkkuutta ja tuhlaa paljon henkilöresursseja, mikä on merkittävä kustannus yrityksen johdolle.Viime vuosina vikojen havaitsemisen ala on kehittynyt nopeasti, ja yrittäjät ovat vähitellen ottaneet käyttöön uusia tekniikoita korvaamaan perinteiset manuaaliset silmämääräiset tarkastukset.

Teollisuuden kehityssuuntien näkökulmasta sellaisen automaattisen tunnistuslaitteen suunnittelu, joka pystyy automaattisesti hankkimaan ja analysoimaan vikakuvia kuitukankaiden tuotantoprosessissa, on välttämätön keino edistää tuotannon kehitystä, varmistaa tuotteiden laatu ja alentaa työvoimakustannuksia.1980-luvulta lähtien monet insinöörit ovat yrittäneet käyttää tietokonenäön asianmukaista tietämystä kuitukankaiden vikojen havaitsemiseen.Joissakin tutkimuksissa on käytetty tekstuurianalyysimenetelmiä vikojen karakterisoimiseen ja vian havaitsemiseen, kun taas toisissa on käytetty reunantunnistusoperaattoreita ensin vian ääriviivan määrittämiseen ja kohtuullisten kynnysten asettamiseksi vian harmaasävytilastotietojen perusteella vian havaitsemiseksi. On myös tutkimuksia, joissa käytetään spektraalista analyysimenetelmät vikojen havaitsemiseksi, jotka perustuvat kankaiden korkeaan tekstuurin jaksoittaisuuteen.

Edellä mainituilla menetelmillä on saavutettu tiettyjä sovellustuloksia vian havaitsemisongelmissa, mutta tiettyjä rajoituksia on kuitenkin edelleen: ensinnäkin vikojen muoto ja koko vaihtelevat todellisissa tuotantoympäristöissä.Koneoppimiseen ja tilastotietoon perustuvat vikojen havaitsemisalgoritmit edellyttävät aikaisempaan tietämykseen perustuvien kynnysarvojen asettamista, jotka eivät voi olla tehokkaita kaikissa vioissa, mikä johtaa tämän menetelmän riittämättömyyteen.Toiseksi perinteiset tietokonenäkömenetelmät ovat yleensä hitaita toteutettavissa eivätkä pysty tehokkaasti täyttämään tuotannon reaaliaikaisia ​​vaatimuksia.1980-luvulta lähtien koneoppimisen tutkimusala on kehittynyt nopeasti, ja asiaankuuluvan tiedon soveltaminen on johtanut monien toimialojen kehitykseen.Monet tutkimusaiheet ovat osoittaneet, että koneoppimisalgoritmien, kuten BP-hermoverkon ja SVM:n, soveltaminen kudosvikojen havaitsemiseen on tehokasta.Nämä menetelmät takaavat korkean tunnistustarkkuuden ja tietyn tason kestävyyden, eikä sitä ole vaikea havaita koneoppimisen harjoitusprosessin huolellisella analysoinnilla. Tämän tyyppisten algoritmien suorituskyky riippuu pääasiassa viallisten manuaalisten ominaisuuksien valinnasta.Jos manuaaliset ominaisuudet eivät ole riittävän täydellisiä tai erottelevia, myös mallin suorituskyky on heikko.

Tietokoneen laskentatehon jatkuvan parantamisen ja syvän oppimisen teorian kuuman kehityksen myötä viime vuosina yhä useammat ihmiset ovat alkaneet soveltaa syväoppimista kangasvirheiden havaitsemiseen.Syväoppiminen voi tehokkaasti välttää manuaalisesti suunniteltujen ominaisuuksien epätäydellisyyden, ja sillä on korkea tunnistustarkkuus.Tämän pohdinnan perusteella tässä artikkelissa käytetään tietokonenäköä ja syväoppimiseen liittyvää tietoa suunnitellakseen kuitukangasvikojen automaattisen havaitsemisjärjestelmän, joka parantaa tehokkaasti vikojen havaitsemistarkkuutta ja jolla on hyvä kestävyys.