Tecnologia de detecção de defeitos em tecido não tecido

Os tecidos não tecidos sempre foram amplamente utilizados como matéria-prima para consumíveis médicos descartáveis, como máscaras cirúrgicas, chapéus de enfermeira e bonés cirúrgicos na produção.A qualidade dos consumíveis médicos descartáveis ​​depende principalmente da qualidade dos tecidos não tecidos.Devido ao fato de que o processo de produção e transporte de tecidos não tecidos não pode garantir a pureza absoluta do meio ambiente, e eles próprios possuem forte capacidade de adsorção eletrostática, muitas vezes adsorvem pequenas impurezas no ar.Portanto, podem existir objetos estranhos em muito poucas áreas de tecidos não tecidos.O material de tecido não tecido estudado neste artigo é utilizado diretamente para a produção de máscaras. Após análise das amostras de defeitos selecionadas, constatou-se que a proporção de defeitos de objetos estranhos, como insetos e cabelos, é maior.A existência deste defeito leva diretamente à qualidade inferior dos produtos subsequentes, e produtos defeituosos também são estritamente proibidos de entrar no mercado.Portanto, os fabricantes precisam remover alguns desses defeitos, caso contrário causarão enormes perdas econômicas.

Atualmente, a maioria das grandes empresas do setor utiliza equipamentos de inspeção visual importados para detecção de defeitos.Embora os resultados sejam bons, esses equipamentos geralmente são caros em custo e manutenção e não são adequados para uso em pequenas empresas e oficinas.A maioria das pequenas empresas na China ainda usa a tradicional inspeção visual manual para triagem de defeitos.Este método é relativamente simples, mas requer maior treinamento dos trabalhadores, baixa eficiência e precisão de detecção e desperdiça muitos recursos humanos, o que representa uma despesa significativa para o gerenciamento empresarial.Nos últimos anos, o campo da detecção de defeitos desenvolveu-se rapidamente e os proprietários de empresas estão gradualmente usando novas tecnologias para substituir os métodos tradicionais de inspeção visual manual.

Do ponto de vista das tendências de desenvolvimento da indústria, projetar um dispositivo de detecção automática que possa obter e analisar automaticamente imagens de defeitos no processo de produção de tecidos não tecidos é um meio necessário para promover o desenvolvimento da produção, garantir a qualidade do produto e reduzir os custos trabalhistas.Desde a década de 1980, muitos engenheiros têm tentado usar o conhecimento relevante da visão computacional para detecção de defeitos em tecidos não tecidos.Alguns estudos usaram métodos de análise de textura para caracterizar defeitos e obter detecção de defeitos, enquanto outros usaram operadores de detecção de borda para primeiro determinar o contorno do defeito e definir limites razoáveis ​​com base em informações estatísticas em escala de cinza do defeito para alcançar a detecção de defeitos. métodos de análise para detecção de defeitos com base na alta periodicidade de textura dos tecidos.

Os métodos acima alcançaram certos resultados de aplicação em problemas de detecção de defeitos, mas ainda existem certas limitações: em primeiro lugar, a forma e o tamanho dos defeitos em ambientes de produção reais variam.Algoritmos de detecção de defeitos baseados em aprendizado de máquina e informações estatísticas exigem o estabelecimento de limites baseados em conhecimento prévio, o que não pode ser eficaz para todos os defeitos, resultando em robustez insuficiente deste método.Em segundo lugar, os métodos tradicionais de visão computacional são geralmente lentos na execução e não conseguem atender com eficácia aos requisitos de produção em tempo real.Desde a década de 1980, o campo da pesquisa em aprendizado de máquina desenvolveu-se rapidamente e a aplicação de conhecimentos relevantes impulsionou o desenvolvimento de muitas indústrias.Muitos tópicos de pesquisa mostraram que a aplicação de algoritmos de aprendizado de máquina, como rede neural BP e SVM, na detecção de defeitos de tecido é eficaz.Esses métodos garantem alta precisão de detecção e um certo grau de robustez, e não é difícil descobrir através de uma análise cuidadosa do processo de treinamento de aprendizado de máquina. O desempenho desse tipo de algoritmo depende principalmente da seleção de recursos manuais de defeitos.Se os recursos manuais não forem suficientemente completos ou discriminativos, o desempenho do modelo também será fraco.

Com a melhoria contínua do poder da computação e o forte desenvolvimento da teoria do aprendizado profundo nos últimos anos, mais e mais pessoas começaram a aplicar o aprendizado profundo na detecção de defeitos de tecido.O aprendizado profundo pode efetivamente evitar a incompletude dos recursos projetados manualmente e possui alta precisão de detecção.Com base nesta consideração, este artigo utiliza visão computacional e conhecimento relacionado ao aprendizado profundo para projetar um sistema de detecção automática de defeitos em tecido não tecido, que efetivamente melhora a precisão da detecção de defeitos e tem boa robustez.