Non woven fabric defect detection technology

Ang mga hindi pinagtagpi na tela ay palaging malawak na ginagamit bilang hilaw na materyales para sa mga disposable na medikal na consumable tulad ng surgical mask, nurse hat, at surgical cap sa produksyon.Ang kalidad ng mga disposable medical consumable ay pangunahing nakasalalay sa kalidad ng mga hindi pinagtagpi na tela.Dahil sa ang katunayan na ang proseso ng paggawa at transportasyon ng mga hindi pinagtagpi na tela ay hindi magagarantiyahan ang ganap na kadalisayan ng kapaligiran, at sila mismo ay may malakas na kakayahang electrostatic adsorption, madalas silang nag-adsorb ng maliliit na impurities sa hangin.Samakatuwid, ang mga dayuhang bagay ay maaaring umiiral sa napakakaunting mga lugar ng hindi pinagtagpi na mga tela.Ang materyal na hindi pinagtagpi ng tela na pinag-aralan sa artikulong ito ay direktang ginagamit para sa paggawa ng mga maskara, Pagkatapos pag-aralan ang mga napiling mga sample ng depekto, natagpuan na ang proporsyon ng mga depekto ng dayuhang bagay, tulad ng mga insekto at buhok, ay ang pinakamataas.Ang pagkakaroon ng depektong ito ay direktang humahantong sa substandard na kalidad ng mga kasunod na produkto, at ang mga produktong may sira ay mahigpit ding ipinagbabawal na makapasok sa merkado.Samakatuwid, kailangang alisin ng mga tagagawa ang ilan sa mga depekto na ito, kung hindi man ay magdudulot ito ng malaking pagkalugi sa ekonomiya.

Sa kasalukuyan, karamihan sa malalaking kumpanya sa industriya ay gumagamit ng imported na visual inspection equipment para sa pagtuklas ng depekto.Bagama't maganda ang mga resulta, ang mga kagamitang ito ay kadalasang mahal sa gastos at pagpapanatili, at hindi angkop para sa maliliit na negosyo at mga pagawaan na gagamitin.Karamihan sa maliliit na kumpanya sa China ay gumagamit pa rin ng tradisyunal na manu-manong visual na inspeksyon para sa screening ng depekto.Ang pamamaraang ito ay medyo simple, ngunit nangangailangan ng mas mahabang pagsasanay ng manggagawa, mababang kahusayan at katumpakan ng pagtuklas, at nag-aaksaya ng maraming mapagkukunan ng tao, na isang malaking gastos para sa pamamahala ng negosyo.Sa nakalipas na mga taon, ang larangan ng pagtuklas ng depekto ay mabilis na umunlad, at ang mga may-ari ng negosyo ay unti-unting gumagamit ng mga bagong teknolohiya upang palitan ang tradisyonal na mga pamamaraan ng manu-manong visual na inspeksyon.

Mula sa pananaw ng mga uso sa pag-unlad ng industriya, ang pagdidisenyo ng isang awtomatikong aparato sa pag-detect na maaaring awtomatikong makakuha at magsuri ng mga depektong larawan sa proseso ng produksyon ng mga hindi pinagtagpi na tela ay isang kinakailangang paraan upang isulong ang pag-unlad ng produksyon, matiyak ang kalidad ng produkto, at bawasan ang mga gastos sa paggawa.Mula noong 1980s, sinubukan ng maraming inhinyero na gamitin ang may-katuturang kaalaman sa computer vision para sa pagtuklas ng depekto ng mga hindi pinagtagpi na tela.Ang ilang mga pag-aaral ay gumamit ng mga pamamaraan ng pagsusuri ng texture upang makilala ang mga depekto at makamit ang pagtukoy ng depekto, habang ang iba ay gumamit ng mga operator ng pagtuklas ng gilid upang unang matukoy ang tabas ng depekto at magtakda ng mga makatwirang threshold batay sa impormasyon ng istatistika ng depekto grayscale upang makamit ang pagtuklas ng depekto, Mayroon ding mga pag-aaral na gumagamit ng parang multo mga pamamaraan ng pagsusuri upang makita ang mga depekto batay sa mataas na periodicity ng texture ng mga tela.

Ang mga pamamaraan sa itaas ay nakamit ang ilang mga resulta ng aplikasyon sa mga problema sa pagtuklas ng depekto, ngunit mayroon pa ring ilang mga limitasyon: una, ang hugis at sukat ng mga depekto sa aktwal na mga kapaligiran ng produksyon ay nag-iiba.Ang mga algorithm sa pagtuklas ng depekto batay sa machine learning at impormasyon sa istatistika ay nangangailangan ng pagtatakda ng mga threshold batay sa dating kaalaman, na hindi maaaring maging epektibo para sa lahat ng mga depekto, na nagreresulta sa hindi sapat na tibay ng pamamaraang ito.Pangalawa, ang mga tradisyunal na pamamaraan ng computer vision ay kadalasang mabagal sa pagpapatupad at hindi epektibong nakakatugon sa mga real-time na kinakailangan ng produksyon.Mula noong 1980s, ang larangan ng pananaliksik sa pag-aaral ng makina ay mabilis na umunlad, at ang aplikasyon ng may-katuturang kaalaman ay nagtulak sa pag-unlad ng maraming industriya.Maraming mga paksa sa pananaliksik ang nagpakita na ang application ng machine learning algorithm gaya ng BP neural network at SVM sa fabric defect detection ay epektibo.Tinitiyak ng mga pamamaraang ito ang mataas na katumpakan ng pagtuklas at isang tiyak na antas ng katatagan, at hindi mahirap matuklasan sa pamamagitan ng maingat na pagsusuri ng proseso ng pagsasanay ng pag-aaral ng makina, Ang pagganap ng ganitong uri ng algorithm ay higit sa lahat ay nakasalalay sa pagpili ng mga tampok na manu-manong depekto.Kung ang mga manu-manong feature ay hindi kumpleto o sapat na diskriminasyon, ang pagganap ng modelo ay magiging mahina rin.

Sa patuloy na pagpapabuti ng kapangyarihan ng computer computing at ang mainit na pag-unlad ng malalim na teorya sa pag-aaral sa mga nakaraang taon, parami nang parami ang nagsimulang maglapat ng malalim na pag-aaral sa pagtuklas ng depekto sa tela.Mabisang maiiwasan ng malalim na pag-aaral ang hindi kumpleto ng mga feature na manu-manong idinisenyo at may mataas na katumpakan ng pagtuklas.Batay sa pagsasaalang-alang na ito, ang artikulong ito ay gumagamit ng computer vision at malalim na kaalaman na nauugnay sa pag-aaral upang magdisenyo ng isang non-woven fabric defect na automatic detection system, na epektibong nagpapahusay sa katumpakan ng pagtuklas ng mga depekto at may mahusay na tibay.