부직포 결함 검출 기술

부직포는 수술용 마스크, 간호사 모자, 수술용 모자 등 일회용 의료 소모품의 원료로 예전부터 널리 사용되어 왔습니다.일회용 의료 소모품의 품질은 주로 부직포의 품질에 따라 달라집니다.부직포의 생산 및 운송 과정은 환경의 절대적인 순도를 보장할 수 없고, 그 자체가 강한 정전기 흡착 능력을 갖고 있기 때문에 공기 중의 작은 불순물을 흡착하는 경우가 많습니다.따라서 부직포의 극히 일부 부위에 이물질이 존재할 수 있습니다.본 논문에서 연구한 부직포 소재는 마스크 제작에 직접 사용되는 소재로, 선별된 불량 샘플을 분석한 결과 벌레, 머리카락 등 이물 불량 비율이 가장 높은 것으로 나타났다.이러한 결함이 존재하면 후속 제품의 품질 저하로 직결되며, 결함이 있는 제품의 시장 진입도 엄격히 금지됩니다.따라서 제조업체는 이러한 결함 중 일부를 제거해야 하며, 그렇지 않으면 막대한 경제적 손실을 초래할 수 있습니다.

현재 업계의 대부분의 대기업은 결함 탐지를 위해 수입된 육안 검사 장비를 사용합니다.결과는 좋지만 이러한 장비는 일반적으로 비용과 유지 관리 비용이 많이 들고 소규모 기업이나 작업장에서 사용하기에 적합하지 않습니다.중국의 대부분의 소규모 회사는 여전히 결함 검사를 위해 전통적인 수동 육안 검사를 사용하고 있습니다.이 방법은 비교적 간단하지만 작업자 교육이 오래 걸리고 탐지 효율성과 정확도가 낮으며 인적 자원을 많이 낭비하므로 기업 관리에 상당한 비용이 듭니다.최근 몇 년 동안 결함 탐지 분야가 급속히 발전했으며, 사업주들은 점차적으로 전통적인 수동 육안 검사 방법을 대체하기 위해 새로운 기술을 사용하고 있습니다.

산업 발전 동향의 관점에서 볼 때 부직포 생산 과정에서 결함 이미지를 자동으로 획득하고 분석할 수 있는 자동 감지 장치를 설계하는 것은 생산 개발을 촉진하고 제품 품질을 보장하며 인건비를 절감하는 데 필요한 수단입니다.1980년대부터 많은 엔지니어들이 부직포의 결함 감지를 위해 컴퓨터 비전 관련 지식을 활용하려고 시도했습니다.일부 연구에서는 결함을 특성화하고 결함 탐지를 달성하기 위해 텍스처 분석 방법을 사용한 반면, 다른 연구에서는 가장자리 탐지 연산자를 사용하여 결함 윤곽을 먼저 결정하고 결함 회색조 통계 정보를 기반으로 합리적인 임계값을 설정하여 결함 탐지를 달성했습니다. 스펙트럼을 사용하는 연구도 있습니다. 직물의 높은 질감 주기성을 기반으로 결함을 탐지하는 분석 방법.

위의 방법을 사용하면 특정 적용 결과에 결함 감지 문제가 발생하지만 여전히 특정 제한 사항이 있습니다. 첫째, 실제 생산 환경에서 결함의 모양과 크기가 다양합니다.기계 학습 및 통계 정보를 기반으로 하는 결함 탐지 알고리즘은 사전 지식을 기반으로 임계값을 설정해야 하는데, 이는 모든 결함에 효과적일 수 없으므로 이 방법의 견고성이 부족합니다.둘째, 기존 컴퓨터 비전 방법은 일반적으로 실행 속도가 느리고 생산의 실시간 요구 사항을 효과적으로 충족할 수 없습니다.1980년대 이후 머신러닝 연구 분야는 급속도로 발전했고, 관련 지식의 응용이 많은 산업 발전을 주도해 왔다.많은 연구 주제에서 직물 결함 탐지에 BP 신경망 및 SVM과 같은 기계 학습 알고리즘을 적용하는 것이 효과적인 것으로 나타났습니다.이러한 방법은 높은 탐지 정확도와 어느 정도의 견고성을 보장하며 기계 학습의 훈련 과정을 면밀히 분석하여 발견하는 것이 어렵지 않습니다. 이러한 유형의 알고리즘의 성능은 주로 결함 수동 기능의 선택에 달려 있습니다.수동 기능이 완전하지 않거나 충분히 차별적이지 않으면 모델의 성능도 저하됩니다.

최근 몇 년 동안 컴퓨터 컴퓨팅 성능이 지속적으로 향상되고 딥러닝 이론이 발전함에 따라 점점 더 많은 사람들이 딥러닝을 직물 결함 감지에 적용하기 시작했습니다.딥러닝은 수동으로 설계된 기능의 불완전성을 효과적으로 방지할 수 있으며 감지 정확도가 높습니다.이러한 고려 사항을 바탕으로 이 기사에서는 컴퓨터 비전 및 딥 러닝 관련 지식을 사용하여 결함 감지 정확도를 효과적으로 향상시키고 견고성을 갖는 부직포 결함 자동 감지 시스템을 설계합니다.