Non-woven fabric defect detection technology

Non-woven stoffen binne altyd in protte brûkt as grûnstoffen foar wegwerp medyske verbruiksartikelen lykas sjirurgyske maskers, ferpleechhoeden, en sjirurgyske petten yn produksje.De kwaliteit fan wegwerp medyske verbruiksartikelen hinget foaral ôf fan 'e kwaliteit fan net-woven stoffen.Fanwegen it feit dat de produksje en ferfier proses fan net-woven stoffen kin net garandearje absolute suverens fan it miljeu, en se sels hawwe sterke elektrostatyske adsorption fermogen, se adsorbearje faak lytse ûnreinheden yn 'e loft.Dêrom kinne frjemde objekten bestean yn heul pear gebieten fan net-woven stoffen.De net-woven stof materiaal studearre yn dit artikel wurdt direkt brûkt foar de produksje fan maskers, Nei it analysearjen fan de selektearre defekt samples, waard fûn dat it oanpart fan frjemde objekt mankeminten, lykas ynsekten en hier, is it heechste.It bestean fan dit defekt liedt direkt ta substandard kwaliteit fan folgjende produkten, en defekt produkten binne ek strang ferbean om de merk yn te gean.Dêrom moatte fabrikanten guon fan dizze defekten ferwiderje, oars sil it enoarme ekonomyske ferliezen feroarsaakje.

Op it stuit brûke de measte grutte bedriuwen yn 'e sektor ymporteare apparatuer foar fisuele ynspeksje foar defektdeteksje.Hoewol de resultaten goed binne, binne dizze apparatuer meast djoer yn kosten en ûnderhâld, en binne net geskikt foar gebrûk fan lytse bedriuwen en workshops.De measte lytse bedriuwen yn Sina brûke noch altyd tradisjonele hânmatige fisuele ynspeksje foar defektscreening.Dizze metoade is relatyf ienfâldich, mar fereasket langere worker training, lege opspoaren effisjinsje en krektens, en fergriemt in protte minsklike middels, dat is in wichtige útjeften foar ûndernimming behear.Yn 'e ôfrûne jierren is it fjild fan defektdeteksje rap ûntwikkele, en bedriuwseigners brûke stadichoan nije technologyen om tradisjonele metoaden foar manuele fisuele ynspeksje te ferfangen.

Fanút it perspektyf fan trends foar yndustryûntwikkeling is it ûntwerpen fan in automatysk deteksjeapparaat dat automatysk defektôfbyldings kin krije en analysearje yn it produksjeproses fan net-woven stoffen in needsaaklik middel om produksjeûntwikkeling te befoarderjen, produktkwaliteit te garandearjen en arbeidskosten te ferminderjen.Sûnt de 1980's hawwe in protte yngenieurs besocht de relevante kennis fan kompjûterfisy te brûken foar defektdeteksje fan net-woven stoffen.Guon stúdzjes hawwe brûkt tekstuer analyze metoaden te karakterisearjen defekten en it berikken fan defekt opspoaren, wylst oaren hawwe brûkt râne detection operators foar it earst bepale de defekt kontoeren en set ridlike drompels basearre op defect griisskala statistyske ynformaasje te berikken defect detection, D'r binne ek stúdzjes dy't brûke spektrale analysemetoaden om defekten te detektearjen basearre op 'e hege tekstuerperiodisiteit fan stoffen.

De boppesteande metoaden hawwe bepaalde tapassingsresultaten berikt yn problemen mei defektdeteksje, mar d'r binne noch bepaalde beheiningen: as earste fariearje de foarm en grutte fan defekten yn eigentlike produksjeomjouwings.Algoritmen foar defektdeteksje basearre op masine learen en statistyske ynformaasje fereaskje it ynstellen fan drompels basearre op foarkennis, dy't net effektyf wêze kinne foar alle defekten, wat resulteart yn ûnfoldwaande robústiteit fan dizze metoade.Twads binne tradisjonele metoaden foar kompjûterfisy meastentiids stadich om út te fieren en kinne net effektyf foldwaan oan 'e real-time easken fan produksje.Sûnt de 1980's hat it fjild fan ûndersyk nei masine-learen rap ûntwikkele, en de tapassing fan relevante kennis hat de ûntwikkeling fan in protte yndustry dreaun.In protte ûndersyksûnderwerpen hawwe oantoand dat de tapassing fan algoritmen foar masine-learen lykas BP-neuraal netwurk en SVM yn stofdefektdeteksje effektyf is.Dy metoaden soargje foar hege detection krektens en in beskate graad fan robustness, en it is net dreech te ûntdekken troch soarchfâldige analyze fan de oplieding proses fan masine learen, De prestaasjes fan dit soarte fan algoritme is benammen ôfhinklik fan de seleksje fan defekt hânlieding funksjes.As de hânlieding funksjes net folslein of diskriminearjend genôch binne, sil de prestaasjes fan it model ek min wêze.

Mei de trochgeande ferbettering fan komputerkrêft en de heulende ûntwikkeling fan teory fan djippe learen yn 'e lêste jierren, binne mear en mear minsken begon djip learen ta te passen op deteksje fan stofdefekten.Djip learen kin de ûnfolsleinens fan mei de hân ûntworpen funksjes effektyf foarkomme en hat in hege deteksjenaaktichheid.Op grûn fan dizze konsideraasje brûkt dit artikel kompjûterfisy en kennis relatearre oan djippe learen om in automatysk opspoaringssysteem foar non-woven stofdefekten te ûntwerpen, dat de deteksjenaaktens fan defekten effektyf ferbetteret en in goede robústiteit hat.