Tecnoloxía de detección de defectos de tecido non tecido

Os tecidos non tecidos sempre foron amplamente utilizados como materias primas para consumibles médicos desbotables, como máscaras cirúrxicas, sombreiros de enfermeira e gorras cirúrxicas na produción.A calidade dos consumibles médicos desbotables depende principalmente da calidade dos tecidos non tecidos.Debido ao feito de que o proceso de produción e transporte de tecidos non tecidos non pode garantir a pureza absoluta do ambiente, e eles mesmos teñen unha forte capacidade de adsorción electrostática, adoitan absorber pequenas impurezas no aire.Polo tanto, poden existir obxectos estraños en moi poucas áreas de tecidos non tecidos.O material de tecido non tecido estudado neste artigo utilízase directamente para a produción de máscaras. Despois de analizar as mostras de defectos seleccionadas, comprobouse que a proporción de defectos de obxectos estraños, como insectos e cabelos, é a máis alta.A existencia deste defecto leva directamente a unha calidade inferior aos produtos posteriores, e os produtos defectuosos tamén están estrictamente prohibidos de entrar no mercado.Polo tanto, os fabricantes deben eliminar algúns destes defectos, se non, provocará enormes perdas económicas.

Na actualidade, a maioría das grandes empresas do sector utilizan equipos de inspección visual importados para a detección de defectos.Aínda que os resultados son bos, estes equipos adoitan ser caros en custo e mantemento, e non son axeitados para as pequenas empresas e talleres.A maioría das pequenas empresas en China aínda usan a inspección visual manual tradicional para a detección de defectos.Este método é relativamente sinxelo, pero require unha formación máis prolongada dos traballadores, unha baixa eficiencia e precisión de detección e desperdicia moitos recursos humanos, o que supón un gasto importante para a xestión empresarial.Nos últimos anos, o campo da detección de defectos desenvolveuse rapidamente e os propietarios de empresas están utilizando gradualmente novas tecnoloxías para substituír os métodos tradicionais de inspección visual manual.

Desde a perspectiva das tendencias de desenvolvemento da industria, deseñar un dispositivo de detección automática que poida obter e analizar automaticamente imaxes de defectos no proceso de produción de tecidos non tecidos é un medio necesario para promover o desenvolvemento da produción, garantir a calidade do produto e reducir os custos laborais.Desde a década de 1980, moitos enxeñeiros intentaron utilizar os coñecementos relevantes da visión por ordenador para detectar defectos en tecidos non tecidos.Algúns estudos utilizaron métodos de análise de texturas para caracterizar os defectos e lograr a detección de defectos, mentres que outros utilizaron operadores de detección de bordos para determinar primeiro o contorno do defecto e establecer limiares razoables en función da información estatística en escala de grises de defectos para conseguir a detección de defectos. Tamén hai estudos que usan espectros. métodos de análise para detectar defectos baseados na alta periodicidade de textura dos tecidos.

Os métodos anteriores conseguiron certos resultados de aplicación en problemas de detección de defectos, pero aínda hai certas limitacións: en primeiro lugar, a forma e o tamaño dos defectos en ambientes de produción reais varían.Os algoritmos de detección de defectos baseados na aprendizaxe automática e na información estatística requiren establecer limiares baseados en coñecementos previos, que non poden ser efectivos para todos os defectos, o que resulta nunha robustez insuficiente deste método.En segundo lugar, os métodos tradicionais de visión por ordenador adoitan ser lentos de executar e non poden satisfacer eficazmente os requisitos de produción en tempo real.Desde a década de 1980, o campo da investigación de aprendizaxe automática desenvolveuse rapidamente e a aplicación de coñecementos relevantes impulsou o desenvolvemento de moitas industrias.Moitos temas de investigación demostraron que a aplicación de algoritmos de aprendizaxe automática como a rede neuronal BP e SVM na detección de defectos de tecido é eficaz.Estes métodos garanten unha alta precisión de detección e un certo grao de robustez, e non é difícil descubrir mediante unha análise coidadosa do proceso de adestramento da aprendizaxe automática. O rendemento deste tipo de algoritmo depende principalmente da selección de funcións manuais de defectos.Se as funcións manuais non son o suficientemente completas ou discriminativas, o rendemento do modelo tamén será deficiente.

Coa mellora continua da potencia informática dos ordenadores e o quente desenvolvemento da teoría da aprendizaxe profunda nos últimos anos, cada vez máis persoas comezaron a aplicar a aprendizaxe profunda á detección de defectos de tecido.A aprendizaxe profunda pode evitar eficazmente a incompletitude das funcións deseñadas manualmente e ten unha alta precisión de detección.En base a esta consideración, este artigo utiliza a visión por ordenador e os coñecementos relacionados coa aprendizaxe profunda para deseñar un sistema automático de detección de defectos de tecido non tecido, que mellora efectivamente a precisión de detección de defectos e ten unha boa robustez.