Technológia detekcie defektov netkanej textílie

Netkané textílie boli vždy vo výrobe široko používané ako suroviny pre jednorazový lekársky spotrebný materiál, ako sú chirurgické masky, čiapky a chirurgické čiapky.Kvalita jednorazového zdravotníckeho spotrebného materiálu závisí najmä od kvality netkaných textílií.Vzhľadom na to, že proces výroby a dopravy netkaných textílií nemôže zaručiť absolútnu čistotu prostredia a samotné majú silnú elektrostatickú adsorpčnú schopnosť, často adsorbujú drobné nečistoty vo vzduchu.Preto sa cudzie predmety môžu vyskytovať vo veľmi malom počte oblastí netkaných textílií.Materiál netkanej textílie skúmaný v tomto článku sa priamo používa na výrobu masiek. Po analýze vybraných vzoriek defektov sa zistilo, že podiel defektov cudzích predmetov, ako je hmyz a vlasy, je najvyšší.Existencia tejto chyby priamo vedie k nedostatočnej kvalite následných produktov a chybné produkty majú tiež prísny zákaz vstupu na trh.Preto musia výrobcovia niektoré z týchto defektov odstrániť, inak to spôsobí obrovské ekonomické straty.

V súčasnosti väčšina veľkých spoločností v tomto odvetví používa na detekciu defektov dovezené zariadenia na vizuálnu kontrolu.Aj keď sú výsledky dobré, tieto zariadenia sú zvyčajne drahé z hľadiska nákladov a údržby a nie sú vhodné na používanie v malých podnikoch a dielňach.Väčšina malých spoločností v Číne stále používa tradičnú manuálnu vizuálnu kontrolu na skríning defektov.Táto metóda je relatívne jednoduchá, ale vyžaduje si dlhšie školenie pracovníkov, nízku účinnosť a presnosť detekcie a plytvá množstvom ľudských zdrojov, čo predstavuje značné výdavky pre riadenie podniku.V posledných rokoch sa oblasť detekcie defektov rýchlo rozvíja a majitelia firiem postupne využívajú nové technológie, ktoré nahrádzajú tradičné manuálne metódy vizuálnej kontroly.

Z hľadiska trendov rozvoja priemyslu je návrh automatického detekčného zariadenia, ktoré dokáže automaticky získavať a analyzovať obrazy defektov vo výrobnom procese netkaných textílií, nevyhnutným prostriedkom na podporu rozvoja výroby, zabezpečenie kvality produktov a zníženie nákladov na pracovnú silu.Od 80. rokov 20. storočia sa mnohí inžinieri pokúšali využiť príslušné znalosti počítačového videnia na detekciu defektov netkaných textílií.Niektoré štúdie použili metódy analýzy textúry na charakterizáciu defektov a dosiahnutie detekcie defektov, zatiaľ čo iné použili operátorov detekcie hrán na prvé určenie obrysu defektu a nastavenie primeraných prahových hodnôt na základe štatistických informácií v odtieňoch sivej defektu na dosiahnutie detekcie defektov. Existujú aj štúdie, ktoré používajú spektrálne analytické metódy na detekciu defektov na základe vysokej periodicity textúry látok.

Vyššie uvedené metódy dosiahli určité aplikačné výsledky pri problémoch s detekciou defektov, ale stále existujú určité obmedzenia: po prvé, tvar a veľkosť defektov v skutočných výrobných prostrediach sa líšia.Algoritmy detekcie defektov založené na strojovom učení a štatistických informáciách vyžadujú nastavenie prahov na základe predchádzajúcich znalostí, ktoré nemôžu byť účinné pre všetky defekty, čo vedie k nedostatočnej robustnosti tejto metódy.Po druhé, tradičné metódy počítačového videnia sa zvyčajne vykonávajú pomaly a nedokážu efektívne splniť požiadavky výroby v reálnom čase.Od 80. rokov 20. storočia sa oblasť výskumu strojového učenia rýchlo rozvíjala a aplikácia relevantných znalostí poháňala rozvoj mnohých priemyselných odvetví.Mnohé výskumné témy ukázali, že aplikácia algoritmov strojového učenia, ako je BP neurónová sieť a SVM pri detekcii defektov tkaniny, je účinná.Tieto metódy zaisťujú vysokú presnosť detekcie a určitý stupeň robustnosti a nie je ťažké ich odhaliť starostlivou analýzou trénovacieho procesu strojového učenia. Výkonnosť tohto typu algoritmu závisí hlavne od výberu defektných manuálnych funkcií.Ak manuálne funkcie nie sú úplné alebo dostatočne rozlišujúce, výkon modelu bude tiež slabý.

S neustálym zlepšovaním počítačového výpočtového výkonu a horúcim vývojom teórie hlbokého učenia v posledných rokoch čoraz viac ľudí začalo používať hlboké učenie na detekciu defektov tkaniny.Hlboké učenie sa môže účinne vyhnúť neúplnosti manuálne navrhnutých funkcií a má vysokú presnosť detekcie.Na základe tejto úvahy tento článok využíva znalosti súvisiace s počítačovým videním a hlbokým učením na navrhnutie systému automatickej detekcie defektov netkanej textílie, ktorý účinne zlepšuje presnosť detekcie defektov a má dobrú robustnosť.