Nem szőtt szövet hibaészlelési technológia

A nem szőtt anyagokat mindig is széles körben használták az eldobható orvosi fogyóeszközök, például sebészeti maszkok, nővérsapkák és sebészeti sapkák alapanyagaként a gyártás során.Az eldobható orvosi fogyóeszközök minősége elsősorban a nem szőtt anyagok minőségétől függ.Tekintettel arra, hogy a nem szőtt anyagok gyártási és szállítási folyamata nem tudja garantálni a környezet abszolút tisztaságát, és maguk is erős elektrosztatikus adszorpciós képességgel rendelkeznek, gyakran adszorbeálják a levegőben lévő apró szennyeződéseket.Ezért a nem szőtt anyagok nagyon kevés területén előfordulhatnak idegen tárgyak.Az ebben a cikkben vizsgált nem szőtt szövetanyagot közvetlenül maszkok gyártására használják. A kiválasztott hibaminták elemzése után kiderült, hogy a legmagasabb az idegen tárgyak, például rovarok és hajhibák aránya.Ennek a hibának a megléte közvetlenül a következő termékek minőségének kifogásolásához vezet, és szigorúan tilos a hibás termékek piacra kerülése.Ezért a gyártóknak el kell távolítaniuk ezen hibák egy részét, különben hatalmas gazdasági veszteségeket okoz.

Jelenleg az iparág legtöbb nagyvállalata importált vizuális ellenőrző berendezést használ a hibák észlelésére.Bár az eredmények jók, ezek a berendezések általában költségesek és költségesek, és nem alkalmasak kisvállalkozások és műhelyek számára.A legtöbb kínai kisvállalat még mindig hagyományos kézi szemrevételezést alkalmaz a hibaszűréshez.Ez a módszer viszonylag egyszerű, de hosszabb dolgozói képzést, alacsony felderítési hatékonyságot és pontosságot igényel, valamint rengeteg emberi erőforrást pazarol, ami jelentős kiadást jelent a vállalatirányítás számára.Az elmúlt években a hibafelismerés területe gyorsan fejlődött, és a cégtulajdonosok fokozatosan új technológiákat alkalmaznak a hagyományos kézi szemrevételezési módszerek helyett.

Az iparági fejlődési trendek szempontjából egy olyan automatikus érzékelő berendezés tervezése, amely automatikusan képes leolvasni és elemezni a hibákat a nem szőtt szövetek gyártási folyamatában, szükséges eszköz a termelés fejlesztésének elősegítésére, a termékminőség biztosítására és a munkaerőköltségek csökkentésére.Az 1980-as évek óta sok mérnök próbálkozott a számítógépes látás vonatkozó ismereteinek felhasználásával a nem szőtt anyagok hibáinak kimutatására.Egyes tanulmányok textúraelemzési módszereket használtak a hibák jellemzésére és a hibaészlelés elérésére, míg mások élészlelő operátorokat használtak a hiba kontúrjának meghatározására, és ésszerű küszöbértékek beállítására a hiba szürkeárnyalatos statisztikai információi alapján a hibaészlelés elérése érdekében. Vannak olyan tanulmányok is, amelyek spektrális módszert használnak. elemzési módszerek a hibák kimutatására a szövetek nagy textúrájú periodicitása alapján.

A fenti módszerek bizonyos alkalmazási eredményeket értek el a hibaészlelési problémákban, de még mindig vannak bizonyos korlátok: először is, a hibák alakja és mérete a tényleges gyártási környezetben változik.A gépi tanuláson és statisztikai információkon alapuló hibaészlelési algoritmusok előzetes tudáson alapuló küszöbértékeket igényelnek, ami nem lehet minden hiba esetén hatékony, ezért a módszer nem kellően robusztus.Másodszor, a hagyományos számítógépes látásmódok általában lassan hajtódnak végre, és nem képesek hatékonyan megfelelni a gyártás valós idejű követelményeinek.Az 1980-as évek óta a gépi tanulás kutatásának területe gyorsan fejlődött, és a releváns ismeretek alkalmazása számos iparág fejlődését vezérelte.Számos kutatási téma kimutatta, hogy a gépi tanulási algoritmusok, például a BP neurális hálózat és az SVM alkalmazása a szövethiba-észlelésben hatékony.Ezek a módszerek nagy észlelési pontosságot és bizonyos fokú robusztusságot biztosítanak, és a gépi tanulás betanítási folyamatának alapos elemzésével nem nehéz felfedezni. Az ilyen típusú algoritmusok teljesítménye elsősorban a hiba manuális jellemzőinek kiválasztásától függ.Ha a kézi funkciók nem eléggé teljesek vagy diszkriminatívak, a modell teljesítménye is gyenge lesz.

A számítógép számítási teljesítményének folyamatos fejlesztésével és a mély tanulás elméletének az elmúlt években tapasztalt gyors fejlődésével egyre többen kezdik alkalmazni a mély tanulást a szövethibák kimutatására.A mély tanulás hatékonyan elkerülheti a manuálisan tervezett funkciók hiányosságát, és nagy észlelési pontossággal rendelkezik.E megfontolás alapján ez a cikk a számítógépes látást és a mély tanulással kapcsolatos ismereteket használja fel egy nem szőtt szövetek automatikus hibaérzékelő rendszerének tervezésére, amely hatékonyan javítja a hibák észlelésének pontosságát és jó robusztussággal rendelkezik.