Typen och andelen fibrer i textiltyger är viktiga faktorer som påverkar tygernas kvalitet, och det är också vad konsumenterna är uppmärksamma på när de köper kläder. Lagar, förordningar och standardiseringsdokument relaterade till textiletiketter i alla länder i världen kräver att nästan alla textiletiketter anger information om fiberinnehåll. Därför är fiberinnehåll en viktig faktor vid textiltestning.

Nuvarande laboratoriemetoder för bestämning av fiberinnehåll kan delas in i fysikaliska metoder och kemiska metoder. Tvärsnittsmätning med fibermikroskop är en vanligt förekommande fysikalisk metod som omfattar tre steg: mätning av fiberns tvärsnittsarea, mätning av fiberdiameter och bestämning av antalet fibrer. Denna metod används huvudsakligen för visuell igenkänning genom ett mikroskop och har egenskaperna att vara tidskrävande och arbetskraftskostnadsrik. För att åtgärda bristerna hos manuella detektionsmetoder har artificiell intelligens (AI) utvecklats och automatiserad detekteringsteknik framträtt.

Grundläggande principer för AI-automatiserad detektering

(1) Använd måldetektering för att detektera fibertvärsnitt i målområdet

(2) Använd semantisk segmentering för att segmentera ett enda fibertvärsnitt för att generera en maskkarta

(3) Beräkna tvärsnittsarean baserat på maskkartan

(4) Beräkna den genomsnittliga tvärsnittsarean för varje fiber

Testprov

Detektering av blandade produkter av bomullsfibrer och olika regenererade cellulosafibrer är ett typiskt exempel på tillämpningen av denna metod. 10 blandade tyger av bomull och viskosfiber och blandade tyger av bomull och modal väljs ut som testprover.

Detektionsmetod

Placera det förberedda tvärsnittsprovet på scenen för den automatiska AI-tvärsnittstestaren, justera lämplig förstoring och starta programknappen.

Resultatanalys

(1) Markera ett tydligt och sammanhängande område i bilden av fiberns tvärsnitt för att rita en rektangulär ram.

(2) Placera de valda fibrerna i den tydliga rektangulära ramen i AI-modellen och förklassificera sedan varje fibertvärsnitt.

(3) Efter att fibrerna har förklassificerats efter fiberns tvärsnittsform används bildbehandlingsteknik för att extrahera konturen av bilden av varje fibertvärsnitt.

(4) Mappa fiberkonturen till originalbilden för att skapa den slutliga effektbilden.

(5) Beräkna innehållet av varje fiber.

Cslutsats

För 10 olika prover jämförs resultaten av den automatiska testmetoden för AI-tvärsnitt med det traditionella manuella testet. Det absoluta felet är litet och det maximala felet överstiger inte 3 %. Det överensstämmer med standarden och har en extremt hög igenkänningsgrad. Dessutom, vad gäller testtid, tar det vid traditionell manuell testning 50 minuter för inspektören att slutföra testet av ett prov, och det tar bara 5 minuter att detektera ett prov med den automatiska testmetoden för AI-tvärsnitt, vilket avsevärt förbättrar detektionseffektiviteten och sparar arbetskraft och tidskostnader.

Denna artikel är hämtad från Wechat Subscription Textile Machinery