טכנולוגיית זיהוי פגמים בבד לא ארוג

בדים לא ארוגים תמיד שימשו באופן נרחב כחומרי גלם עבור חומרים מתכלים רפואיים חד פעמיים כגון מסכות כירורגיות, כובעי אחות וכובעי ניתוח בייצור.איכות החומרים המתכלים הרפואיים החד פעמיים תלויה בעיקר באיכות הבדים הלא ארוגים.בשל העובדה שתהליך הייצור וההובלה של בדים לא ארוגים אינם יכולים להבטיח טוהר מוחלט של הסביבה, והם עצמם בעלי יכולת ספיחה אלקטרוסטטית חזקה, לעתים קרובות הם סופחים זיהומים קטנים באוויר.לכן, חפצים זרים עשויים להתקיים במעט מאוד אזורים של בדים לא ארוגים.חומר הבד הלא ארוג הנלמד במאמר זה משמש ישירות לייצור מסכות, לאחר ניתוח דגימות הפגמים שנבחרו, נמצא כי שיעור פגמי החפצים הזרים, כגון חרקים ושיער, הוא הגבוה ביותר.קיומו של פגם זה מוביל באופן ישיר לאיכות לא תקינה של המוצרים הבאים, וכן חל איסור מוחלט על כניסת מוצרים פגומים לשוק.לכן, יצרנים צריכים להסיר חלק מהפגמים הללו, אחרת זה יגרום להפסדים כלכליים אדירים.

כיום, רוב החברות הגדולות בענף משתמשות בציוד מיובא לבדיקה ויזואלית לאיתור פגמים.למרות שהתוצאות טובות, ציוד זה בדרך כלל יקר בעלות ובתחזוקה, ואינו מתאים לשימוש בארגונים קטנים ובתי מלאכה.רוב החברות הקטנות בסין עדיין משתמשות בבדיקה חזותית ידנית מסורתית לצורך בדיקת פגמים.שיטה זו פשוטה יחסית, אך דורשת הכשרה ארוכה יותר של עובדים, יעילות ודיוק זיהוי נמוכים ומבזבזת משאבי אנוש רבים, שמהווה הוצאה משמעותית לניהול הארגון.בשנים האחרונות תחום איתור הליקויים התפתח במהירות, ובעלי עסקים משתמשים בהדרגה בטכנולוגיות חדשות כדי להחליף את שיטות הבידוק החזותי הידניות המסורתיות.

מנקודת המבט של מגמות הפיתוח בתעשייה, עיצוב מכשיר זיהוי אוטומטי שיכול להשיג ולנתח תמונות פגמים באופן אוטומטי בתהליך הייצור של בדים לא ארוגים הוא אמצעי הכרחי לקידום פיתוח ייצור, הבטחת איכות המוצר והפחתת עלויות העבודה.מאז שנות ה-80, מהנדסים רבים ניסו להשתמש בידע הרלוונטי של ראייה ממוחשבת לזיהוי פגמים בבדים לא ארוגים.חלק מהמחקרים השתמשו בשיטות ניתוח טקסטורה כדי לאפיין פגמים ולהשיג זיהוי פגמים, בעוד שאחרים השתמשו באופרטורים לזיהוי קצה כדי לקבוע תחילה את קו מתאר הליקויים ולהגדיר ספים סבירים על סמך מידע סטטיסטי בגווני אפור של פגמים כדי להשיג זיהוי פגמים. ישנם גם מחקרים המשתמשים בספקטרלי שיטות ניתוח לאיתור פגמים על סמך מחזוריות המרקם הגבוהה של בדים.

השיטות הנ"ל השיגו תוצאות יישום מסוימות בבעיות זיהוי פגמים, אך עדיין קיימות מגבלות מסוימות: ראשית, הצורה והגודל של פגמים בסביבות ייצור בפועל משתנים.אלגוריתמים לזיהוי פגמים המבוססים על למידת מכונה ומידע סטטיסטי דורשים קביעת סף המבוסס על ידע קודם, שאינו יכול להיות יעיל עבור כל הליקויים, וכתוצאה מכך לא חוסן מספק של שיטה זו.שנית, שיטות ראייה ממוחשבת מסורתיות איטיות בדרך כלל לביצוע ואינן יכולות לעמוד ביעילות בדרישות הייצור בזמן אמת.מאז שנות ה-80, תחום חקר למידת המכונה התפתח במהירות, ויישום ידע רלוונטי הניע את התפתחותן של תעשיות רבות.נושאי מחקר רבים הראו שהיישום של אלגוריתמים של למידת מכונה כגון רשת עצבית BP ו-SVM בזיהוי פגמי בד הוא יעיל.שיטות אלו מבטיחות דיוק זיהוי גבוה ומידה מסוימת של חוסן, ולא קשה לגלות באמצעות ניתוח מדוקדק של תהליך האימון של למידת מכונה, הביצועים של אלגוריתם מסוג זה תלויים בעיקר בבחירת התכונות הידניות של פגמים.אם התכונות הידניות אינן מלאות או מפלות מספיק, גם הביצועים של הדגם יהיו גרועים.

עם השיפור המתמיד של כוח המחשוב הממוחשב והפיתוח החם של תורת הלמידה העמוקה בשנים האחרונות, יותר ויותר אנשים החלו ליישם למידה עמוקה לזיהוי פגמי בדים.למידה עמוקה יכולה למנוע ביעילות את חוסר השלמות של תכונות שתוכננו באופן ידני ויש לה דיוק זיהוי גבוה.בהתבסס על שיקול זה, מאמר זה משתמש בראייה ממוחשבת ובידע הקשור ללמידה עמוקה כדי לתכנן מערכת אוטומטית לזיהוי פגמים בבד לא ארוג, המשפרת למעשה את דיוק הזיהוי של פגמים ובעלת חוסן טוב.