Technologie de détection des défauts des tissus non tissés

Les tissus non tissés ont toujours été largement utilisés comme matières premières pour la fabrication de consommables médicaux jetables tels que les masques chirurgicaux, les chapeaux d'infirmières et les casquettes chirurgicales.La qualité des consommables médicaux jetables dépend principalement de la qualité des non-tissés.Étant donné que le processus de production et de transport des tissus non tissés ne peut pas garantir une pureté absolue de l'environnement et qu'ils ont eux-mêmes une forte capacité d'adsorption électrostatique, ils adsorbent souvent de petites impuretés dans l'air.Par conséquent, des corps étrangers peuvent exister dans très peu de zones des tissus non tissés.Le matériau non tissé étudié dans cet article est directement utilisé pour la production de masques. Après analyse des échantillons de défauts sélectionnés, il a été constaté que la proportion de défauts de corps étrangers, tels que les insectes et les cheveux, est la plus élevée.L'existence de ce défaut conduit directement à une qualité inférieure aux normes des produits ultérieurs, et il est également strictement interdit aux produits défectueux d'entrer sur le marché.Par conséquent, les fabricants doivent éliminer certains de ces défauts, sinon cela entraînera d’énormes pertes économiques.

À l’heure actuelle, la plupart des grandes entreprises du secteur utilisent des équipements d’inspection visuelle importés pour détecter les défauts.Bien que les résultats soient bons, ces équipements sont généralement coûteux en termes de coût et d'entretien et ne conviennent pas aux petites entreprises et aux ateliers.La plupart des petites entreprises en Chine utilisent encore l’inspection visuelle manuelle traditionnelle pour détecter les défauts.Cette méthode est relativement simple, mais nécessite une formation plus longue des travailleurs, une faible efficacité et précision de détection et gaspille beaucoup de ressources humaines, ce qui représente une dépense importante pour la gestion de l'entreprise.Ces dernières années, le domaine de la détection des défauts s'est développé rapidement et les propriétaires d'entreprises utilisent progressivement de nouvelles technologies pour remplacer les méthodes traditionnelles d'inspection visuelle manuelle.

Du point de vue des tendances de développement de l'industrie, la conception d'un dispositif de détection automatique capable d'obtenir et d'analyser automatiquement des images de défauts dans le processus de production de tissus non tissés est un moyen nécessaire pour promouvoir le développement de la production, garantir la qualité des produits et réduire les coûts de main-d'œuvre.Depuis les années 1980, de nombreux ingénieurs ont tenté d’utiliser les connaissances pertinentes de la vision par ordinateur pour détecter les défauts des tissus non tissés.Certaines études ont utilisé des méthodes d'analyse de texture pour caractériser les défauts et réaliser leur détection, tandis que d'autres ont utilisé des opérateurs de détection de bords pour déterminer d'abord le contour du défaut et définir des seuils raisonnables basés sur des informations statistiques sur les niveaux de gris des défauts pour réaliser la détection des défauts. Il existe également des études qui utilisent des méthodes spectrales. méthodes d'analyse pour détecter les défauts basées sur la périodicité élevée des textures des tissus.

Les méthodes ci-dessus ont obtenu certains résultats d'application dans les problèmes de détection de défauts, mais il existe encore certaines limites : premièrement, la forme et la taille des défauts dans les environnements de production réels varient.Les algorithmes de détection de défauts basés sur l'apprentissage automatique et les informations statistiques nécessitent la définition de seuils basés sur des connaissances préalables, qui ne peuvent pas être efficaces pour tous les défauts, ce qui entraîne une robustesse insuffisante de cette méthode.Deuxièmement, les méthodes traditionnelles de vision par ordinateur sont généralement lentes à exécuter et ne peuvent pas répondre efficacement aux exigences de production en temps réel.Depuis les années 1980, le domaine de la recherche sur l’apprentissage automatique s’est développé rapidement et l’application des connaissances pertinentes a stimulé le développement de nombreuses industries.De nombreux sujets de recherche ont montré que l'application d'algorithmes d'apprentissage automatique tels que le réseau neuronal BP et SVM dans la détection des défauts de tissu est efficace.Ces méthodes garantissent une précision de détection élevée et un certain degré de robustesse, et il n'est pas difficile de le découvrir grâce à une analyse minutieuse du processus de formation de l'apprentissage automatique. Les performances de ce type d'algorithme dépendent principalement de la sélection des fonctionnalités manuelles des défauts.Si les fonctionnalités manuelles ne sont pas suffisamment complètes ou discriminantes, les performances du modèle seront également médiocres.

Avec l'amélioration continue de la puissance de calcul des ordinateurs et le développement rapide de la théorie de l'apprentissage profond ces dernières années, de plus en plus de personnes ont commencé à appliquer l'apprentissage profond à la détection des défauts des tissus.L'apprentissage profond peut efficacement éviter le caractère incomplet des fonctionnalités conçues manuellement et présente une précision de détection élevée.Sur la base de cette considération, cet article utilise la vision par ordinateur et les connaissances liées à l'apprentissage profond pour concevoir un système de détection automatique des défauts des tissus non tissés, qui améliore efficacement la précision de détection des défauts et présente une bonne robustesse.