不織布欠陥検出技術

不織布は、サージカルマスク、ナースハット、サージカルキャップなどの使い捨て医療消耗品の原料として、生産現場で常に広く使用されています。使い捨て医療消耗品の品質は主に不織布の品質によって決まります。不織布の製造および輸送プロセスでは環境の絶対的な清浄性が保証できず、不織布自体が強力な静電吸着能力を持っているため、空気中の小さな不純物を吸着することがよくあります。そのため、不織布のごく一部の領域に異物が存在する場合があります。この記事で研究した不織布素材はマスクの製造に直接使用されます。選択された欠陥サンプルを分析した結果、昆虫や髪の毛などの異物欠陥の割合が最も高いことがわかりました。この欠陥の存在はその後の製品の品質低下に直結し、市場に欠陥品が流通することも厳しく禁止されます。したがって、製造業者はこれらの欠陥の一部を取り除く必要があります。そうしないと、多大な経済的損失が発生します。

現在、業界のほとんどの大企業は、欠陥検出に輸入された外観検査装置を使用しています。結果は良好ですが、これらの機器は通常、コストとメンテナンスに高価であり、小規模企業や作業場での使用には適していません。中国の中小企業のほとんどは、欠陥のスクリーニングに依然として伝統的な手動の目視検査を使用しています。この方法は比較的単純ですが、作業員の訓練に時間がかかり、検出効率と精度が低く、多くの人的資源を無駄にし、企業経営にとって多大な出費となります。近年、欠陥検出の分野は急速に発展しており、事業主は徐々に新しいテクノロジーを使用して、従来の手動による目視検査方法を置き換えています。

業界の発展動向の観点から見ると、不織布の製造工程における欠陥画像を自動的に取得して分析できる自動検出装置の設計は、生産開発の促進、製品の品質の確保、人件費の削減に必要な手段です。1980 年代以来、多くの技術者がコンピュータ ビジョンの関連知識を不織布の欠陥検出に利用しようと試みてきました。テクスチャ分析手法を使用して欠陥を特徴付け、欠陥を検出する研究もあれば、エッジ検出オペレータを使用して最初に欠陥の輪郭を決定し、欠陥のグレースケール統計情報に基づいて妥当なしきい値を設定して欠陥を検出する研究もあります。また、スペクトルを使用する研究もあります。生地の高いテクスチャー周期に基づいて欠陥を検出する分析方法。

上記の方法は、欠陥検出問題に関して一定の応用結果を達成していますが、依然として一定の制限があります。第一に、実際の製造環境における欠陥の形状とサイズは異なります。機械学習と統計情報に基づく欠陥検出アルゴリズムでは、事前知識に基づいてしきい値を設定する必要があり、すべての欠陥に対して有効であるとは限らず、この方法のロバスト性が不十分になります。第 2 に、従来のコンピュータ ビジョン手法は通常実行が遅く、生産のリアルタイム要件を効果的に満たすことができません。1980 年代以降、機械学習の研究分野は急速に発展し、関連知識の応用により多くの産業の発展が推進されました。多くの研究トピックでは、BP ニューラル ネットワークや SVM などの機械学習アルゴリズムをファブリックの欠陥検出に適用することが効果的であることが示されています。これらの方法では、高い検出精度とある程度の堅牢性が確保されており、機械学習のトレーニング プロセスを注意深く分析することで発見することは難しくありません。このタイプのアルゴリズムのパフォーマンスは、主に欠陥手動特徴の選択に依存します。手動機能が完全でないか、十分に識別できない場合、モデルのパフォーマンスも低下します。

近年のコンピューターの計算能力の継続的な向上とディープラーニング理論の活発な発展により、ファブリックの欠陥検出にディープラーニングを適用する人がますます増えています。ディープラーニングは、手動で設計された特徴の不完全性を効果的に回避でき、高い検出精度を備えています。この考察に基づいて、この記事では、コンピュータービジョンとディープラーニング関連の知識を使用して、欠陥の検出精度を効果的に向上させ、優れた堅牢性を備えた不織布欠陥自動検出システムを設計します。