Teknik för upptäckt av defekter av ovävt tyg

Fibertyger har alltid använts i stor utsträckning som råmaterial för medicinska engångsartiklar som kirurgiska masker, sjuksköterskehattar och kirurgiska mössor i produktionen.Kvaliteten på medicinska förbrukningsvaror för engångsbruk beror huvudsakligen på kvaliteten på non-woven tyger.På grund av det faktum att produktionen och transportprocessen av non-woven tyger inte kan garantera absolut renhet i miljön, och de själva har en stark elektrostatisk adsorptionsförmåga, adsorberar de ofta små föroreningar i luften.Därför kan främmande föremål förekomma i mycket få områden av fibertyg.Fibertygsmaterialet som studeras i denna artikel används direkt för framställning av masker. Efter att ha analyserat de valda defektproverna visade det sig att andelen främmande föremålsdefekter, såsom insekter och hår, är högst.Förekomsten av denna defekt leder direkt till undermålig kvalitet på efterföljande produkter, och defekta produkter är också strängt förbjudna att komma in på marknaden.Därför måste tillverkare ta bort några av dessa defekter, annars kommer det att orsaka enorma ekonomiska förluster.

För närvarande använder de flesta stora företag i branschen importerad visuell inspektionsutrustning för att upptäcka fel.Även om resultaten är goda, är denna utrustning vanligtvis dyr i kostnader och underhåll och är inte lämplig för små företag och verkstäder att använda.De flesta små företag i Kina använder fortfarande traditionell manuell visuell inspektion för defektkontroll.Denna metod är relativt enkel, men kräver längre utbildning av arbetare, låg detekteringseffektivitet och noggrannhet och slösar mycket mänskliga resurser, vilket är en betydande kostnad för företagsledningen.Under de senaste åren har området för defektdetektering utvecklats snabbt och företagare använder gradvis ny teknik för att ersätta traditionella manuella visuella inspektionsmetoder.

Ur perspektivet av industriutvecklingstrender är design av en automatisk detekteringsenhet som automatiskt kan erhålla och analysera defektbilder i produktionsprocessen av fiberduk ett nödvändigt medel för att främja produktionsutveckling, säkerställa produktkvalitet och minska arbetskostnaderna.Sedan 1980-talet har många ingenjörer försökt använda relevant kunskap om datorseende för att detektera defekter av fibertyg.Vissa studier har använt texturanalysmetoder för att karakterisera defekter och uppnå defektdetektering, medan andra har använt kantdetekteringsoperatorer för att först bestämma defektkonturen och ställa in rimliga trösklar baserat på defekt gråskalestatistisk information för att uppnå defektdetektering. Det finns också studier som använder spektral analysmetoder för att upptäcka defekter baserat på tygernas höga texturperiodicitet.

Ovanstående metoder har uppnått vissa tillämpningsresultat i defektdetekteringsproblem, men det finns fortfarande vissa begränsningar: för det första varierar formen och storleken på defekter i faktiska produktionsmiljöer.Defektdetekteringsalgoritmer baserade på maskininlärning och statistisk information kräver inställning av trösklar baserade på förkunskaper, vilket inte kan vara effektivt för alla defekter, vilket resulterar i otillräcklig robusthet hos denna metod.För det andra är traditionella datorseendemetoder vanligtvis långsamma att utföra och kan inte effektivt uppfylla realtidskraven för produktion.Sedan 1980-talet har området maskininlärning utvecklats snabbt och tillämpningen av relevant kunskap har drivit utvecklingen av många branscher.Många forskningsämnen har visat att tillämpningen av maskininlärningsalgoritmer som BP neurala nätverk och SVM i tygdefektdetektering är effektiv.Dessa metoder säkerställer hög detektionsnoggrannhet och en viss grad av robusthet, och det är inte svårt att upptäcka genom noggrann analys av utbildningsprocessen för maskininlärning. Prestandan för denna typ av algoritm beror huvudsakligen på valet av defekta manuella funktioner.Om de manuella funktionerna inte är kompletta eller särskiljande nog kommer modellens prestanda också att vara dålig.

Med den kontinuerliga förbättringen av datorkraften och den heta utvecklingen av teori för djupinlärning under de senaste åren har fler och fler människor börjat tillämpa djupinlärning för att upptäcka tygdefekter.Deep learning kan effektivt undvika ofullständigheten hos manuellt designade funktioner och har en hög detektionsnoggrannhet.Baserat på detta övervägande använder den här artikeln datorseende och djupinlärningsrelaterad kunskap för att designa ett automatiskt detekteringssystem för fibertygsdefekter, som effektivt förbättrar detekteringsnoggrannheten för defekter och har god robusthet.