Teknologi deteksi cacat kain bukan tenunan

Kain bukan tenunan selalu banyak digunakan sebagai bahan baku bahan habis pakai medis sekali pakai seperti masker bedah, topi perawat, dan topi bedah dalam produksi.Kualitas bahan habis pakai medis sekali pakai terutama bergantung pada kualitas kain bukan tenunan.Karena proses produksi dan pengangkutan kain bukan tenunan tidak dapat menjamin kemurnian lingkungan secara mutlak, dan kain tersebut sendiri memiliki kemampuan adsorpsi elektrostatis yang kuat, kain tersebut sering kali menyerap kotoran kecil di udara.Oleh karena itu, benda asing mungkin ada di sedikit area kain bukan tenunan.Bahan kain bukan tenunan yang dipelajari dalam artikel ini langsung digunakan untuk produksi masker. Setelah dilakukan analisa terhadap sampel cacat yang dipilih, ditemukan bahwa proporsi cacat benda asing seperti serangga dan rambut merupakan yang tertinggi.Adanya cacat ini secara langsung menyebabkan kualitas produk selanjutnya di bawah standar, dan produk cacat juga dilarang keras memasuki pasar.Oleh karena itu, produsen perlu menghilangkan beberapa cacat tersebut, jika tidak maka akan menimbulkan kerugian ekonomi yang besar.

Saat ini, sebagian besar perusahaan besar di industri ini menggunakan peralatan inspeksi visual impor untuk mendeteksi cacat.Meskipun hasilnya bagus, peralatan ini biasanya mahal dalam hal biaya dan pemeliharaan, serta tidak cocok untuk digunakan di usaha kecil dan bengkel.Sebagian besar perusahaan kecil di Tiongkok masih menggunakan inspeksi visual manual tradisional untuk penyaringan cacat.Metode ini relatif sederhana, namun memerlukan pelatihan pekerja yang lebih lama, efisiensi dan akurasi deteksi yang rendah, serta membuang banyak sumber daya manusia, yang merupakan biaya yang signifikan bagi manajemen perusahaan.Dalam beberapa tahun terakhir, bidang deteksi cacat telah berkembang pesat, dan pemilik bisnis secara bertahap menggunakan teknologi baru untuk menggantikan metode inspeksi visual manual tradisional.

Dari perspektif tren perkembangan industri, merancang perangkat pendeteksi otomatis yang dapat secara otomatis memperoleh dan menganalisis gambar cacat dalam proses produksi kain bukan tenunan merupakan sarana yang diperlukan untuk mendorong pengembangan produksi, memastikan kualitas produk, dan mengurangi biaya tenaga kerja.Sejak tahun 1980an, banyak insinyur telah mencoba menggunakan pengetahuan yang relevan tentang visi komputer untuk mendeteksi cacat pada kain bukan tenunan.Beberapa penelitian telah menggunakan metode analisis tekstur untuk mengkarakterisasi cacat dan mencapai deteksi cacat, sementara yang lain telah menggunakan operator deteksi tepi untuk terlebih dahulu menentukan kontur cacat dan menetapkan ambang batas yang masuk akal berdasarkan informasi statistik skala abu-abu cacat untuk mencapai deteksi cacat. Ada juga penelitian yang menggunakan spektral metode analisis untuk mendeteksi cacat berdasarkan periodisitas tekstur kain yang tinggi.

Metode di atas telah mencapai hasil penerapan tertentu dalam masalah deteksi cacat, namun masih terdapat batasan tertentu: pertama, bentuk dan ukuran cacat di lingkungan produksi aktual bervariasi.Algoritme deteksi cacat berdasarkan pembelajaran mesin dan informasi statistik memerlukan penetapan ambang batas berdasarkan pengetahuan sebelumnya, yang tidak bisa efektif untuk semua cacat, sehingga metode ini tidak cukup kuat.Kedua, metode visi komputer tradisional biasanya lambat untuk dijalankan dan tidak dapat memenuhi kebutuhan produksi secara real-time secara efektif.Sejak tahun 1980-an, bidang penelitian pembelajaran mesin telah berkembang pesat, dan penerapan pengetahuan yang relevan telah mendorong perkembangan banyak industri.Banyak topik penelitian yang menunjukkan bahwa penerapan algoritma pembelajaran mesin seperti jaringan saraf BP dan SVM dalam deteksi cacat kain efektif.Metode ini memastikan akurasi pendeteksian yang tinggi dan tingkat ketahanan tertentu, dan tidak sulit untuk menemukannya melalui analisis yang cermat terhadap proses pelatihan pembelajaran mesin. Kinerja algoritma jenis ini terutama bergantung pada pemilihan fitur manual cacat.Jika fitur manual tidak lengkap atau cukup diskriminatif, performa model juga akan buruk.

Dengan peningkatan berkelanjutan dalam kekuatan komputasi komputer dan perkembangan pesat teori pembelajaran mendalam dalam beberapa tahun terakhir, semakin banyak orang mulai menerapkan pembelajaran mendalam untuk mendeteksi cacat kain.Pembelajaran mendalam dapat secara efektif menghindari ketidaklengkapan fitur yang dirancang secara manual dan memiliki akurasi deteksi yang tinggi.Berdasarkan pertimbangan ini, artikel ini menggunakan visi komputer dan pengetahuan terkait pembelajaran mendalam untuk merancang sistem deteksi otomatis cacat kain bukan tenunan, yang secara efektif meningkatkan akurasi deteksi cacat dan memiliki ketahanan yang baik.