Neausto audumu defektu noteikšanas tehnoloģija

Neaustie audumi vienmēr ir plaši izmantoti kā izejmateriāli vienreizlietojamiem medicīniskiem palīgmateriāliem, piemēram, ķirurģiskām maskām, medmāsu cepurēm un ķirurģiskajiem vāciņiem ražošanā.Vienreizlietojamo medicīnisko palīgmateriālu kvalitāte galvenokārt ir atkarīga no neausto audumu kvalitātes.Sakarā ar to, ka neausto audumu ražošanas un transportēšanas process nevar garantēt absolūtu vides tīrību, un tiem pašiem ir spēcīga elektrostatiskā adsorbcijas spēja, tie bieži adsorbē nelielus piemaisījumus gaisā.Tāpēc svešķermeņi var būt ļoti nedaudzos neausto audumu apgabalos.Šajā rakstā pētītais neausto audumu materiāls tiek tieši izmantots masku ražošanā. Izanalizējot atlasītos defektu paraugus, tika konstatēts, ka vislielākais ir svešķermeņu defektu, piemēram, kukaiņu un matu, īpatsvars.Šī defekta esamība tieši noved pie zemākas kvalitātes turpmāko produktu kvalitātes, kā arī ir stingri aizliegts laist tirgū bojātus produktus.Tāpēc ražotājiem daži no šiem defektiem ir jānovērš, pretējā gadījumā tas radīs milzīgus ekonomiskos zaudējumus.

Šobrīd lielākā daļa lielo nozares uzņēmumu defektu noteikšanai izmanto importētas vizuālās pārbaudes iekārtas.Lai gan rezultāti ir labi, šīs iekārtas parasti ir dārgas izmaksu un uzturēšanas ziņā, un tās nav piemērotas lietošanai maziem uzņēmumiem un darbnīcām.Lielākā daļa mazo uzņēmumu Ķīnā joprojām izmanto tradicionālo manuālo vizuālo pārbaudi defektu pārbaudei.Šī metode ir salīdzinoši vienkārša, taču prasa ilgāku darbinieku apmācību, zemu noteikšanas efektivitāti un precizitāti, kā arī tērē daudz cilvēkresursu, kas uzņēmuma vadībai rada ievērojamus izdevumus.Pēdējos gados defektu noteikšanas joma ir strauji attīstījusies, un uzņēmumu īpašnieki pakāpeniski izmanto jaunas tehnoloģijas, lai aizstātu tradicionālās manuālās vizuālās pārbaudes metodes.

No nozares attīstības tendenču perspektīvas automātiskās noteikšanas ierīces projektēšana, kas spēj automātiski iegūt un analizēt defektu attēlus neausto audumu ražošanas procesā, ir nepieciešams līdzeklis ražošanas attīstības veicināšanai, produktu kvalitātes nodrošināšanai un darbaspēka izmaksu samazināšanai.Kopš 1980. gadiem daudzi inženieri ir mēģinājuši izmantot attiecīgās zināšanas par datorredzi, lai noteiktu neausto audumu defektus.Dažos pētījumos ir izmantotas tekstūras analīzes metodes, lai raksturotu defektus un panāktu defektu noteikšanu, savukārt citos ir izmantoti malu noteikšanas operatori, lai vispirms noteiktu defekta kontūru un noteiktu saprātīgus sliekšņus, pamatojoties uz defektu pelēktoņu statistisko informāciju, lai panāktu defektu noteikšanu. Ir arī pētījumi, kuros izmanto spektrālo analīzes metodes defektu noteikšanai, pamatojoties uz audumu augsto tekstūras periodiskumu.

Iepriekš minētās metodes ir sasniegušas noteiktus pielietojuma rezultātus defektu noteikšanas problēmās, taču joprojām pastāv daži ierobežojumi: pirmkārt, defektu forma un lielums faktiskajā ražošanas vidē atšķiras.Defektu noteikšanas algoritmiem, kuru pamatā ir mašīnmācīšanās un statistikas informācija, ir jānosaka sliekšņi, pamatojoties uz iepriekšējām zināšanām, kas nevar būt efektīvi visiem defektiem, kā rezultātā šī metode nav pietiekami izturīga.Otrkārt, tradicionālās datorredzes metodes parasti tiek izpildītas lēni, un tās nevar efektīvi izpildīt reāllaika ražošanas prasības.Kopš 20. gadsimta 80. gadiem mašīnmācības pētniecības joma ir strauji attīstījusies, un attiecīgo zināšanu pielietošana ir virzījusi daudzu nozaru attīstību.Daudzi pētījumu temati ir parādījuši, ka mašīnmācīšanās algoritmu, piemēram, BP neironu tīkla un SVM, izmantošana auduma defektu noteikšanā ir efektīva.Šīs metodes nodrošina augstu noteikšanas precizitāti un zināmu robustuma pakāpi, un to nav grūti atklāt, rūpīgi analizējot mašīnmācības apmācības procesu. Šāda veida algoritma veiktspēja galvenokārt ir atkarīga no manuālo defektu funkciju izvēles.Ja manuālās funkcijas nav pietiekami pilnīgas vai diskriminējošas, arī modeļa veiktspēja būs slikta.

Nepārtraukti uzlabojoties datora skaitļošanas jaudai un pēdējos gados strauji attīstoties dziļās mācīšanās teorijai, arvien vairāk cilvēku ir sākuši izmantot dziļo mācīšanos auduma defektu noteikšanai.Padziļināta mācīšanās var efektīvi izvairīties no manuāli izstrādātu funkciju nepilnības, un tai ir augsta noteikšanas precizitāte.Pamatojoties uz šo apsvērumu, šajā rakstā tiek izmantotas datorredzes un ar dziļu mācīšanos saistītas zināšanas, lai izstrādātu neausto audumu defektu automātiskās noteikšanas sistēmu, kas efektīvi uzlabo defektu noteikšanas precizitāti un tai ir laba noturība.