Technologia wykrywania wad włókniny

Włókniny zawsze były szeroko stosowane jako surowce do produkcji jednorazowych materiałów medycznych, takich jak maski chirurgiczne, czepki pielęgniarskie i czepki chirurgiczne.Jakość jednorazowych materiałów medycznych zależy w głównej mierze od jakości włóknin.Ze względu na to, że proces produkcji i transportu włóknin nie gwarantuje absolutnej czystości środowiska, a same włókniny posiadają dużą zdolność adsorpcji elektrostatycznej, często adsorbują one drobne zanieczyszczenia w powietrzu.Dlatego w bardzo nielicznych obszarach włókniny mogą znajdować się ciała obce.Włóknina badana w tym artykule jest bezpośrednio wykorzystywana do produkcji maseczek. Po analizie wybranych próbek defektów stwierdzono, że największy jest udział defektów ciał obcych, takich jak owady i sierść.Istnienie tej wady bezpośrednio prowadzi do niskiej jakości kolejnych produktów, a wprowadzenie na rynek produktów wadliwych jest również surowo zabronione.Dlatego producenci muszą usunąć część tych wad, w przeciwnym razie spowoduje to ogromne straty ekonomiczne.

Obecnie większość dużych firm w branży wykorzystuje importowany sprzęt do kontroli wizualnej w celu wykrywania defektów.Chociaż wyniki są dobre, sprzęt ten jest zwykle kosztowny i kosztowny w utrzymaniu oraz nie nadaje się do użytku w małych przedsiębiorstwach i warsztatach.Większość małych firm w Chinach nadal korzysta z tradycyjnej ręcznej kontroli wizualnej w celu wykrycia usterek.Metoda ta jest stosunkowo prosta, ale wymaga dłuższego szkolenia pracowników, niskiej wydajności i dokładności wykrywania oraz marnuje dużo zasobów ludzkich, co stanowi znaczny wydatek dla kierownictwa przedsiębiorstwa.W ostatnich latach dziedzina wykrywania defektów szybko się rozwinęła, a właściciele firm stopniowo wykorzystują nowe technologie, aby zastąpić tradycyjne ręczne metody kontroli wizualnej.

Z punktu widzenia trendów rozwoju branży zaprojektowanie automatycznego urządzenia wykrywającego, które może automatycznie uzyskiwać i analizować obrazy wad w procesie produkcji włóknin, jest niezbędnym środkiem wspierającym rozwój produkcji, zapewniającym jakość produktu i obniżającym koszty pracy.Od lat 80-tych XX wieku wielu inżynierów próbowało wykorzystać wiedzę z zakresu wizji komputerowej do wykrywania wad włóknin.W niektórych badaniach wykorzystano metody analizy tekstury w celu scharakteryzowania defektów i wykrycia defektów, podczas gdy w innych wykorzystano operatory wykrywania krawędzi do najpierw określenia konturu defektu i ustalenia rozsądnych progów w oparciu o informacje statystyczne dotyczące defektu w skali szarości w celu wykrycia defektu. Istnieją również badania, w których wykorzystuje się widmo metody analizy mające na celu wykrycie wad w oparciu o wysoką częstotliwość teksturowania tkanin.

Powyższe metody osiągnęły pewne wyniki w zakresie problemów z wykrywaniem defektów, ale nadal istnieją pewne ograniczenia: po pierwsze, kształt i rozmiar defektów w rzeczywistych środowiskach produkcyjnych są różne.Algorytmy wykrywania defektów oparte na uczeniu maszynowym i informacjach statystycznych wymagają ustalania progów w oparciu o wcześniejszą wiedzę, co nie może być skuteczne w przypadku wszystkich defektów, co skutkuje niewystarczającą odpornością tej metody.Po drugie, tradycyjne metody widzenia komputerowego są zwykle powolne w realizacji i nie są w stanie skutecznie sprostać wymaganiom produkcji w czasie rzeczywistym.Od lat 80. XX wieku dziedzina badań nad uczeniem maszynowym szybko się rozwinęła, a zastosowanie odpowiedniej wiedzy stało się motorem rozwoju wielu gałęzi przemysłu.Wiele tematów badawczych pokazało, że zastosowanie algorytmów uczenia maszynowego, takich jak sieć neuronowa BP i SVM, w detekcji defektów tkanin jest skuteczne.Metody te zapewniają wysoką dokładność wykrywania i pewien stopień solidności, co nie jest trudne do wykrycia poprzez wnikliwą analizę procesu uczenia maszynowego. Wydajność tego typu algorytmu zależy głównie od doboru ręcznych cech defektów.Jeśli funkcje ręczne nie są kompletne lub wystarczająco dyskryminujące, wydajność modelu również będzie słaba.

Wraz z ciągłym ulepszaniem mocy obliczeniowej komputerów i gorącym rozwojem teorii głębokiego uczenia się w ostatnich latach, coraz więcej osób zaczęło stosować głębokie uczenie się do wykrywania defektów tkanin.Głębokie uczenie może skutecznie uniknąć niekompletności ręcznie zaprojektowanych funkcji i charakteryzuje się wysoką dokładnością wykrywania.W oparciu o te rozważania w artykule wykorzystano wizję komputerową i wiedzę związaną z głębokim uczeniem się do zaprojektowania systemu automatycznego wykrywania defektów włókniny, który skutecznie poprawia dokładność wykrywania defektów i charakteryzuje się dobrą wytrzymałością.