Технологија откривања оштећења на нетканом материјалу

Неткане тканине су одувек биле нашироко коришћене као сировине за једнократни медицински потрошни материјал као што су хируршке маске, шешири за медицинске сестре и хируршке капе у производњи.Квалитет медицинског потрошног материјала за једнократну употребу углавном зависи од квалитета нетканих материјала.Због чињенице да процес производње и транспорта нетканих тканина не може гарантовати апсолутну чистоћу животне средине, а сами имају јаку електростатичку адсорпциону способност, често адсорбују мале нечистоће у ваздуху.Стога, страни предмети могу постојати у врло малом броју области нетканих тканина.Материјал од нетканог материјала који се проучава у овом чланку директно се користи за производњу маски. Након анализе одабраних узорака дефеката, установљено је да је удео дефеката страних предмета, као што су инсекти и коса, највећи.Постојање овог дефекта директно доводи до подстандардног квалитета накнадних производа, а неисправним производима је такође строго забрањен улазак на тржиште.Због тога произвођачи треба да уклоне неке од ових недостатака, иначе ће то изазвати огромне економске губитке.

Тренутно, већина великих компанија у индустрији користи увезену опрему за визуелну инспекцију за откривање кварова.Иако су резултати добри, ова опрема је обично скупа по цени и одржавању и није погодна за употребу у малим предузећима и радионицама.Већина малих компанија у Кини и даље користи традиционалну ручну визуелну инспекцију за скрининг дефеката.Овај метод је релативно једноставан, али захтева дужу обуку радника, ниску ефикасност и тачност детекције и троши много људских ресурса, што представља значајан трошак за управљање предузећем.Последњих година, област детекције кварова се брзо развила, а власници предузећа постепено користе нове технологије да замене традиционалне методе ручног визуелног прегледа.

Из перспективе трендова развоја индустрије, пројектовање уређаја за аутоматску детекцију који може аутоматски да добије и анализира слике недостатака у процесу производње нетканих тканина је неопходно средство за промовисање развоја производње, осигурање квалитета производа и смањење трошкова рада.Од 1980-их, многи инжењери су покушали да искористе релевантно знање компјутерског вида за откривање недостатака нетканих тканина.Неке студије су користиле методе анализе текстуре да би карактерисале дефекте и постигле детекцију дефеката, док су друге користиле операторе за детекцију ивица да прво одреде контуру дефекта и поставе разумне прагове на основу статистичких информација дефекта у сивим тоновима да би се постигла детекција дефекта. Постоје и студије које користе спектралне методе анализе за откривање недостатака на основу високе периодичности текстуре тканина.

Горе наведене методе су постигле одређене резултате примене у проблемима детекције кварова, али и даље постоје одређена ограничења: прво, облик и величина дефеката у стварним производним окружењима варирају.Алгоритми за детекцију дефеката засновани на машинском учењу и статистичким информацијама захтевају постављање прагова на основу претходног знања, што не може бити ефикасно за све дефекте, што резултира недовољном робусношћу ове методе.Друго, традиционалне методе компјутерског вида се обично споро извршавају и не могу ефикасно да испуне захтеве производње у реалном времену.Од 1980-их, област истраживања машинског учења се брзо развијала, а примена релевантног знања је покренула развој многих индустрија.Многе истраживачке теме су показале да је примена алгоритама машинског учења као што су БП неуронска мрежа и СВМ у детекцији дефекта тканине ефикасна.Ове методе обезбеђују високу тачност детекције и одређени степен робусности, и није тешко открити кроз пажљиву анализу процеса обуке машинског учења. Перформансе овог типа алгоритма углавном зависе од избора мануелних карактеристика дефекта.Ако ручне карактеристике нису потпуне или довољно дискриминативне, перформансе модела ће такође бити лоше.

Са сталним побољшањем рачунарске снаге рачунара и врућим развојем теорије дубоког учења последњих година, све више и више људи је почело да примењује дубоко учење за откривање дефеката на тканини.Дубоко учење може ефикасно да избегне непотпуност ручно дизајнираних функција и има високу тачност детекције.На основу овог разматрања, овај чланак користи компјутерску визију и знање у вези са дубоким учењем да би дизајнирао систем за аутоматско откривање дефекта нетканог материјала, који ефикасно побољшава тачност детекције дефеката и има добру робусност.