Технология обнаружения дефектов нетканых материалов

Нетканые материалы всегда широко использовались в производстве в качестве сырья для одноразовых медицинских расходных материалов, таких как хирургические маски, шапочки для медсестер и хирургические колпачки.Качество одноразовых медицинских расходных материалов во многом зависит от качества нетканых материалов.В связи с тем, что процесс производства и транспортировки нетканых материалов не может гарантировать абсолютную чистоту окружающей среды, а сами они обладают сильной электростатической адсорбционной способностью, они часто адсорбируют мелкие примеси в воздухе.Таким образом, посторонние предметы могут присутствовать на очень немногих участках нетканого материала.Нетканый тканевый материал, изученный в этой статье, непосредственно используется для производства масок. После анализа выбранных образцов дефектов было обнаружено, что доля дефектов посторонних предметов, таких как насекомые и волосы, является самой высокой.Наличие этого дефекта напрямую приводит к некачественному качеству последующей продукции, а также категорически запрещается поступление на рынок бракованной продукции.Поэтому производителям необходимо устранить некоторые из этих дефектов, иначе это повлечет за собой огромные экономические потери.

В настоящее время большинство крупных компаний отрасли используют импортное оборудование для визуального контроля для выявления дефектов.Хотя результаты хорошие, такое оборудование обычно дорогое по стоимости и обслуживанию и не подходит для использования на небольших предприятиях и мастерских.Большинство небольших компаний в Китае до сих пор используют традиционный ручной визуальный контроль для выявления дефектов.Этот метод относительно прост, но требует более длительного обучения работников, низкой эффективности и точности обнаружения, а также требует больших затрат человеческих ресурсов, что является значительными затратами для управления предприятием.В последние годы область обнаружения дефектов быстро развивается, и владельцы бизнеса постепенно используют новые технологии для замены традиционных методов ручного визуального контроля.

С точки зрения тенденций развития отрасли разработка устройства автоматического обнаружения, которое может автоматически получать и анализировать изображения дефектов в процессе производства нетканых материалов, является необходимым средством содействия развитию производства, обеспечения качества продукции и снижения затрат на рабочую силу.С 1980-х годов многие инженеры пытались использовать соответствующие знания в области компьютерного зрения для обнаружения дефектов нетканых материалов.В некоторых исследованиях использовались методы анализа текстуры для характеристики дефектов и обнаружения дефектов, в то время как в других использовались операторы обнаружения краев, чтобы сначала определить контур дефекта и установить разумные пороговые значения на основе статистической информации о дефектах в оттенках серого для обнаружения дефектов. Существуют также исследования, в которых используются спектральные методы анализа для выявления дефектов, основанные на высокой периодичности текстуры тканей.

Вышеупомянутые методы достигли определенных результатов в применении в задачах обнаружения дефектов, но все же существуют определенные ограничения: во-первых, форма и размер дефектов в реальных производственных условиях различаются.Алгоритмы обнаружения дефектов, основанные на машинном обучении и статистической информации, требуют установки пороговых значений на основе предварительных знаний, что не может быть эффективным для всех дефектов, что приводит к недостаточной надежности этого метода.Во-вторых, традиционные методы компьютерного зрения обычно медленны в исполнении и не могут эффективно удовлетворить производственные требования в реальном времени.С 1980-х годов область исследований в области машинного обучения быстро развивалась, и применение соответствующих знаний стимулировало развитие многих отраслей.Многие темы исследований показали, что применение алгоритмов машинного обучения, таких как нейронная сеть BP и SVM, для обнаружения дефектов структуры является эффективным.Эти методы обеспечивают высокую точность обнаружения и определенную степень надежности, и их нетрудно обнаружить путем тщательного анализа процесса обучения машинного обучения. Производительность этого типа алгоритма в основном зависит от выбора функций дефекта вручную.Если ручные функции не являются полными или достаточно разборчивыми, производительность модели также будет низкой.

Благодаря постоянному улучшению вычислительной мощности компьютеров и бурному развитию теории глубокого обучения в последние годы все больше и больше людей начали применять глубокое обучение для обнаружения дефектов ткани.Глубокое обучение позволяет эффективно избежать неполноты функций, разработанных вручную, и обеспечивает высокую точность обнаружения.Основываясь на этом соображении, в этой статье используются знания, связанные с компьютерным зрением и глубоким обучением, для разработки системы автоматического обнаружения дефектов нетканого материала, которая эффективно повышает точность обнаружения дефектов и обладает хорошей надежностью.