Defektdeteksjonsteknologi for ikke-vevd stoff

Ikke-vevde stoffer har alltid vært mye brukt som råmateriale for medisinske engangsartikler som kirurgiske masker, sykepleierhatter og kirurgiske hetter i produksjonen.Kvaliteten på medisinske engangsartikler avhenger hovedsakelig av kvaliteten på ikke-vevde stoffer.På grunn av det faktum at produksjons- og transportprosessen av ikke-vevde stoffer ikke kan garantere absolutt renhet av miljøet, og de selv har sterk elektrostatisk adsorpsjonsevne, adsorberer de ofte små urenheter i luften.Derfor kan det forekomme fremmedlegemer i svært få områder av ikke-vevde stoffer.Det ikke-vevde stoffmaterialet som er studert i denne artikkelen brukes direkte til produksjon av masker. Etter å ha analysert de utvalgte defektprøvene, ble det funnet at andelen av fremmedlegemedefekter, som insekter og hår, er høyest.Eksistensen av denne defekten fører direkte til dårlig kvalitet på etterfølgende produkter, og defekte produkter er også strengt forbudt å komme inn på markedet.Derfor må produsenter fjerne noen av disse feilene, ellers vil det føre til store økonomiske tap.

For tiden bruker de fleste store bedrifter i bransjen importert visuell inspeksjonsutstyr for feildeteksjon.Selv om resultatene er gode, er dette utstyret vanligvis dyrt i kostnader og vedlikehold, og er ikke egnet for små bedrifter og verksteder å bruke.De fleste små selskaper i Kina bruker fortsatt tradisjonell manuell visuell inspeksjon for defektscreening.Denne metoden er relativt enkel, men krever lengre arbeidsopplæring, lav deteksjonseffektivitet og nøyaktighet, og kaster bort mye menneskelige ressurser, noe som er en betydelig utgift for bedriftsledelsen.De siste årene har feltet for defektdeteksjon utviklet seg raskt, og bedriftseiere tar gradvis i bruk ny teknologi for å erstatte tradisjonelle manuelle visuelle inspeksjonsmetoder.

Fra perspektivet til industriutviklingstrender er utforming av en automatisk deteksjonsenhet som automatisk kan innhente og analysere defektbilder i produksjonsprosessen av ikke-vevde stoffer et nødvendig middel for å fremme produksjonsutvikling, sikre produktkvalitet og redusere arbeidskostnadene.Siden 1980-tallet har mange ingeniører forsøkt å bruke relevant kunnskap om datasyn for defektdeteksjon av ikke-vevde stoffer.Noen studier har brukt teksturanalysemetoder for å karakterisere defekter og oppnå defektdeteksjon, mens andre har brukt kantdeteksjonsoperatorer for først å bestemme defektkonturen og sette rimelige terskler basert på defekt gråskala statistisk informasjon for å oppnå defektdeteksjon. Det finnes også studier som bruker spektral analysemetoder for å oppdage defekter basert på den høye teksturperiodisiteten til tekstiler.

Metodene ovenfor har oppnådd visse anvendelsesresultater i defektdeteksjonsproblemer, men det er fortsatt visse begrensninger: For det første varierer formen og størrelsen på defekter i faktiske produksjonsmiljøer.Defektdeteksjonsalgoritmer basert på maskinlæring og statistisk informasjon krever innstilling av terskler basert på forkunnskaper, som ikke kan være effektive for alle defekter, noe som resulterer i utilstrekkelig robusthet av denne metoden.For det andre er tradisjonelle datasynsmetoder vanligvis trege å utføre og kan ikke effektivt møte sanntidskravene til produksjon.Siden 1980-tallet har feltet maskinlæringsforskning utviklet seg raskt, og anvendelse av relevant kunnskap har drevet utviklingen av mange bransjer.Mange forskningstemaer har vist at bruken av maskinlæringsalgoritmer som BP nevrale nettverk og SVM i stoffdefektdeteksjon er effektiv.Disse metodene sikrer høy deteksjonsnøyaktighet og en viss grad av robusthet, og det er ikke vanskelig å oppdage gjennom nøye analyse av opplæringsprosessen for maskinlæring. Ytelsen til denne typen algoritme avhenger hovedsakelig av valg av defekte manuelle funksjoner.Hvis de manuelle funksjonene ikke er komplette eller diskriminerende nok, vil ytelsen til modellen også være dårlig.

Med den kontinuerlige forbedringen av datamaskinens datakraft og den varme utviklingen av dyp læringsteori de siste årene, har flere og flere mennesker begynt å bruke dyp læring til gjenkjenning av stoffdefekter.Dyplæring kan effektivt unngå ufullstendigheten til manuelt utformede funksjoner og har høy deteksjonsnøyaktighet.Basert på denne betraktningen bruker denne artikkelen datasyn og dyp læringsrelatert kunnskap for å designe et automatisk deteksjonssystem for ikke-vevde stoffdefekter, som effektivt forbedrer deteksjonsnøyaktigheten av defekter og har god robusthet.