Detectietechnologie voor niet-geweven stoffen

Niet-geweven stoffen zijn altijd op grote schaal gebruikt als grondstof voor medische wegwerpartikelen zoals chirurgische maskers, verpleegstershoeden en chirurgische mutsen in de productie.De kwaliteit van medische wegwerpartikelen hangt voornamelijk af van de kwaliteit van niet-geweven stoffen.Vanwege het feit dat het productie- en transportproces van niet-geweven stoffen de absolute zuiverheid van de omgeving niet kan garanderen, en ze zelf een sterk elektrostatisch adsorptievermogen hebben, adsorberen ze vaak kleine onzuiverheden in de lucht.Daarom kunnen er in zeer weinig gebieden van niet-geweven stoffen vreemde voorwerpen aanwezig zijn.Het niet-geweven materiaal dat in dit artikel wordt bestudeerd, wordt rechtstreeks gebruikt voor de productie van maskers. Na analyse van de geselecteerde defectmonsters bleek dat het aandeel defecten aan vreemde voorwerpen, zoals insecten en haar, het hoogst is.Het bestaan ​​van dit defect leidt rechtstreeks tot ondermaatse kwaliteit van de daaropvolgende producten, en het is ook ten strengste verboden producten met gebreken op de markt te brengen.Daarom moeten fabrikanten een aantal van deze defecten wegnemen, anders zal dit enorme economische verliezen veroorzaken.

Momenteel gebruiken de meeste grote bedrijven in de industrie geïmporteerde visuele inspectieapparatuur voor het opsporen van defecten.Hoewel de resultaten goed zijn, zijn deze apparatuur doorgaans duur qua kosten en onderhoud, en zijn ze niet geschikt voor gebruik door kleine bedrijven en werkplaatsen.De meeste kleine bedrijven in China gebruiken nog steeds traditionele handmatige visuele inspectie voor het screenen van defecten.Deze methode is relatief eenvoudig, maar vereist een langere training van werknemers, een lage detectie-efficiëntie en nauwkeurigheid, en verspilt veel personeel, wat een aanzienlijke kostenpost is voor het bedrijfsmanagement.De afgelopen jaren heeft het gebied van defectdetectie zich snel ontwikkeld en bedrijfseigenaren gebruiken geleidelijk nieuwe technologieën ter vervanging van traditionele handmatige visuele inspectiemethoden.

Vanuit het perspectief van trends in de ontwikkeling van de industrie is het ontwerpen van een automatisch detectieapparaat dat automatisch defectbeelden in het productieproces van niet-geweven stoffen kan verkrijgen en analyseren een noodzakelijk middel om de productieontwikkeling te bevorderen, de productkwaliteit te waarborgen en de arbeidskosten te verlagen.Sinds de jaren tachtig hebben veel ingenieurs geprobeerd de relevante kennis van computervisie te gebruiken voor het detecteren van defecten in niet-geweven stoffen.Sommige onderzoeken hebben textuuranalysemethoden gebruikt om defecten te karakteriseren en defectdetectie te bereiken, terwijl andere randdetectieoperatoren hebben gebruikt om eerst de defectcontour te bepalen en redelijke drempels in te stellen op basis van statistische informatie in grijswaarden van defecten om defectdetectie te bereiken. Er zijn ook onderzoeken die gebruik maken van spectrale analysemethoden om defecten te detecteren op basis van de hoge textuurperiodiciteit van stoffen.

De bovenstaande methoden hebben bepaalde toepassingsresultaten opgeleverd bij defectdetectieproblemen, maar er zijn nog steeds bepaalde beperkingen: ten eerste variëren de vorm en grootte van defecten in daadwerkelijke productieomgevingen.Algoritmen voor defectdetectie op basis van machinaal leren en statistische informatie vereisen het instellen van drempels op basis van voorkennis, wat niet voor alle defecten effectief kan zijn, wat resulteert in onvoldoende robuustheid van deze methode.Ten tweede zijn traditionele computer vision-methoden doorgaans traag uit te voeren en kunnen ze niet effectief voldoen aan de real-time vereisten van de productie.Sinds de jaren tachtig heeft het onderzoek naar machine learning zich snel ontwikkeld en heeft de toepassing van relevante kennis de ontwikkeling van veel industrieën gestimuleerd.Veel onderzoeksthema's hebben aangetoond dat de toepassing van machine learning-algoritmen zoals het BP-neurale netwerk en SVM bij de detectie van fabric-defecten effectief is.Deze methoden garanderen een hoge detectienauwkeurigheid en een zekere mate van robuustheid, en het is niet moeilijk om dit te ontdekken door zorgvuldige analyse van het trainingsproces van machinaal leren. De prestaties van dit type algoritme hangen voornamelijk af van de selectie van defecte handmatige functies.Als de handmatige functies niet compleet of onderscheidend genoeg zijn, zullen de prestaties van het model ook slecht zijn.

Met de voortdurende verbetering van de rekenkracht van computers en de snelle ontwikkeling van de deep learning-theorie in de afgelopen jaren, zijn steeds meer mensen begonnen deep learning toe te passen op de detectie van defecten aan stoffen.Deep learning kan de onvolledigheid van handmatig ontworpen functies effectief vermijden en heeft een hoge detectienauwkeurigheid.Op basis van deze overweging maakt dit artikel gebruik van computer vision en deep learning-gerelateerde kennis om een ​​automatisch detectiesysteem voor defecten in niet-geweven stoffen te ontwerpen, dat de detectienauwkeurigheid van defecten effectief verbetert en een goede robuustheid heeft.