Текстильная фабрика / © Кевин Лимбри, unsplash.com
В легкой промышленности более 60% товарной продукции занимают текстильные изделия. На производстве тканей часто возникают различные внешние дефекты (дыры, неравномерное окрашивание полотен), которые сложно своевременно обнаружить. Из-за этого большая часть материала впоследствии выбрасывается или уходит на переработку, что очень затратно. Обеспечить контроль качества продукции в наше время можно методами компьютерного зрения, которые по фото- и видеосъемке обрабатывают изображения и считывают брак в изделии. Но существующие прототипы таких решений учитывают не все возможные изъяны, часто встречающиеся в промышленности. Ученые ПНИПУ усовершенствовали метод компьютерного зрения для быстрого и точного выявления дефектов на производстве.
Статья опубликована в сборнике «AIP Conference Proceedings», 2024 год. Исследование выполнено в рамках программы стратегического академического лидерства «Приоритет 2030».
Текстильная промышленность занимается переработкой растительных, животных, искусственных и синтетических волокон в пряжу, нити и ткани. Производители всех стран постоянно стремятся расширить ассортимент и улучшить качество выпускаемой продукции, чтобы придать ей ценные потребительские свойства. Достигается это с помощью автоматизации процессов и внедрения новых технологий.
Система компьютерного зрения позволяет автоматически распознавать дефекты тканей путем анализа их внешнего вида. Такой брак часто возникает на различных стадиях производства из-за некачественного сырья, нарушений в технологических процессах и ошибок оборудования.
В России практически нет комплексов, которые обеспечивают контроль качества текстильной промышленности. А применение зарубежных аналогов для непрерывного поиска дефектов не всегда доступно производителям и требует больших материальных затрат. Решением могут стать более гибкие и бюджетные системы, которые используют алгоритмы обработки видеопотока. Они универсальны и могут подойти под любой этап производства.
Система распознавания брака должна считывать изображения с датчиков, оснащенных камерой, корректировать их (удалять шумы, размытия и другие помехи) и достоверно определять места с дефектами. Алгоритм, лежащий в основе, может разрабатываться по различным методам для распознавания границ изображений. Так, широко применяется метод нечеткой логики, который при обработке фото и видеосъемки в соответствии с базой данных определяет степень принадлежности элементов к тому или иному значению (есть брак или нет, а если есть, то какой). А значит, он полезен для обнаружения дефектов текстильных изделий.
Но существующий прототип такого алгоритма имеет свои недостатки. Он не учитывает нерезкие цветовые перепады изображения, с помощью которых можно определить заломы (неровность полотна), а также неравномерность плотности полотна. Поэтому для расширения спектра обнаруживаемых дефектов ученые Пермского Политеха усовершенствовали его.
– Наш модифицированный метод обработки включает две фазы: быструю и более тщательную. Разные типы ткани при фото- и видеосъемке имеют свою яркость и контрастность. Поэтому в первой фазе алгоритм находит возможные дефекты с помощью цветокоррекции, а во второй – проверяет достоверность определения брака, выделяет его цветом и передает результат на экран специалисту. Алгоритм опробован на изображениях четырех видов тканей и может обнаруживать дефекты плетения и окраски, – поделился доктор технических наук, заведующий кафедрой «Автоматизация технологических процессов» Березниковского филиала ПНИПУ Андрей Затонский.
Политехники сравнили эффективность их метода с уже существующим аналогом на примере ткани с дефектом неровности полотна. В результате брак обнаружила только разработка пермских ученых.
Новый алгоритм разделяет изображение на две основные части (общий фон и дефект, если он существует). Если пропустить через систему нечеткого вывода изображение без каких-либо изъянов, то изображение на выходе будет полностью окрашено одним цветом или же примеси других цветов будут минимальными.
Для текстур каждого типа материала политехники определили среднее фоновое распределение, то есть типичное для конкретной ткани соотношение текстуры и фона. Например, для джинсовой ткани оно составляет 72%, для льняной – 67%. Именно этот параметр используется для перехода от первой фазы анализа изображения ко второй, чтобы подтвердить или опровергнуть наличие дефекта. Если в быстрой обработке алгоритм выдает процент фонового распределения, далекий от среднего, значит, на ткани присутствует брак. Тогда в длительной фазе пиксели на изображении помечаются красным цветом. После чего специалист получает сигнал о наличии дефекта.
Усовершенствованная учеными Пермского Политеха система для распознавания дефектов в текстильной промышленности позволит определять изъяны в материале быстро и точно на любом этапе производства. Такой бюджетный, не трудозатратный и универсальный способ будет полезен российским текстильным фабрикам для повышения качества продукции.
