Tecnologia di rilevamento dei difetti del tessuto non tessuto

I tessuti non tessuti sono sempre stati ampiamente utilizzati come materie prime per materiali di consumo medici usa e getta come maschere chirurgiche, cappelli per infermieri e cappucci chirurgici nella produzione.La qualità dei materiali di consumo medici usa e getta dipende principalmente dalla qualità dei tessuti non tessuti.Dato che il processo di produzione e trasporto dei tessuti non tessuti non può garantire la purezza assoluta dell'ambiente e che essi stessi hanno una forte capacità di assorbimento elettrostatico, spesso assorbono piccole impurità nell'aria.Pertanto, in pochissime aree dei tessuti non tessuti possono essere presenti oggetti estranei.Il materiale in tessuto non tessuto studiato in questo articolo viene utilizzato direttamente per la produzione di maschere. Dopo aver analizzato i campioni di difetti selezionati, si è riscontrato che la percentuale di difetti di oggetti estranei, come insetti e capelli, è la più alta.L'esistenza di questo difetto porta direttamente a una qualità inferiore agli standard dei prodotti successivi e inoltre è severamente vietato l'ingresso sul mercato dei prodotti difettosi.Pertanto, i produttori devono eliminare alcuni di questi difetti, altrimenti ciò causerà enormi perdite economiche.

Attualmente, la maggior parte delle grandi aziende del settore utilizza apparecchiature di ispezione visiva importate per il rilevamento dei difetti.Sebbene i risultati siano buoni, queste apparecchiature sono generalmente costose in termini di costi e manutenzione e non sono adatte per l'utilizzo da parte di piccole imprese e officine.La maggior parte delle piccole aziende cinesi utilizza ancora la tradizionale ispezione visiva manuale per lo screening dei difetti.Questo metodo è relativamente semplice, ma richiede una formazione più lunga dei lavoratori, una bassa efficienza e precisione di rilevamento e spreca molte risorse umane, il che rappresenta una spesa significativa per la gestione aziendale.Negli ultimi anni, il campo del rilevamento dei difetti si è sviluppato rapidamente e gli imprenditori stanno gradualmente utilizzando nuove tecnologie per sostituire i tradizionali metodi di ispezione visiva manuale.

Dal punto di vista delle tendenze di sviluppo del settore, la progettazione di un dispositivo di rilevamento automatico in grado di ottenere e analizzare automaticamente le immagini dei difetti nel processo di produzione di tessuti non tessuti è un mezzo necessario per promuovere lo sviluppo della produzione, garantire la qualità del prodotto e ridurre i costi di manodopera.Dagli anni '80 molti ingegneri hanno tentato di utilizzare le conoscenze rilevanti della visione artificiale per il rilevamento dei difetti dei tessuti non tessuti.Alcuni studi hanno utilizzato metodi di analisi della struttura per caratterizzare i difetti e ottenere il rilevamento dei difetti, mentre altri hanno utilizzato operatori di rilevamento dei bordi per determinare innanzitutto il contorno del difetto e impostare soglie ragionevoli basate su informazioni statistiche in scala di grigi del difetto per ottenere il rilevamento dei difetti. Esistono anche studi che utilizzano metodi spettrali metodi di analisi per rilevare difetti basati sull'elevata periodicità della trama dei tessuti.

I metodi di cui sopra hanno ottenuto alcuni risultati applicativi nei problemi di rilevamento dei difetti, ma esistono ancora alcune limitazioni: in primo luogo, la forma e la dimensione dei difetti negli ambienti di produzione effettivi variano.Gli algoritmi di rilevamento dei difetti basati sull’apprendimento automatico e sulle informazioni statistiche richiedono l’impostazione di soglie basate sulla conoscenza pregressa, che non può essere efficace per tutti i difetti, con conseguente insufficiente robustezza di questo metodo.In secondo luogo, i metodi tradizionali di visione artificiale sono generalmente lenti da eseguire e non possono soddisfare efficacemente i requisiti di produzione in tempo reale.Dagli anni ’80, il campo della ricerca sull’apprendimento automatico si è sviluppato rapidamente e l’applicazione delle conoscenze pertinenti ha guidato lo sviluppo di molti settori.Molti argomenti di ricerca hanno dimostrato che l’applicazione di algoritmi di apprendimento automatico come la rete neurale BP e SVM nel rilevamento dei difetti dei tessuti è efficace.Questi metodi garantiscono un'elevata precisione di rilevamento e un certo grado di robustezza, e non è difficile scoprirlo attraverso un'attenta analisi del processo di addestramento del machine learning. Le prestazioni di questo tipo di algoritmo dipendono principalmente dalla selezione delle funzionalità manuali del difetto.Se le funzionalità manuali non sono complete o sufficientemente discriminanti, anche le prestazioni del modello saranno scarse.

Con il continuo miglioramento della potenza di calcolo dei computer e il grande sviluppo della teoria del deep learning negli ultimi anni, sempre più persone hanno iniziato ad applicare il deep learning al rilevamento dei difetti dei tessuti.Il deep learning può evitare efficacemente l'incompletezza delle funzionalità progettate manualmente e ha un'elevata precisione di rilevamento.Sulla base di questa considerazione, questo articolo utilizza la visione artificiale e le conoscenze relative al deep learning per progettare un sistema di rilevamento automatico dei difetti del tessuto non tessuto, che migliora efficacemente la precisione di rilevamento dei difetti e ha una buona robustezza.