Tekstiilikankaiden sisältämien kuitujen tyyppi ja prosenttiosuus ovat tärkeitä kankaiden laatuun vaikuttavia tekijöitä, ja niihin myös kuluttaja kiinnittää huomiota vaatteita ostaessaan.Tekstiilietikettejä koskevat lait, määräykset ja standardointiasiakirjat kaikissa maailman maissa edellyttävät lähes kaikissa tekstiilietiketissä kuitupitoisuutta.Siksi kuitupitoisuus on tärkeä tekijä tekstiilien testauksessa.

Nykyisen laboratorion kuitupitoisuuden määritykset voidaan jakaa fysikaalisiin ja kemiallisiin menetelmiin.Kuitumikroskoopin poikkileikkauksen mittausmenetelmä on yleisesti käytetty fysikaalinen menetelmä, joka sisältää kolme vaihetta: kuidun poikkileikkausalan mittaus, kuidun halkaisijan mittaus ja kuitujen lukumäärän määritys.Tätä menetelmää käytetään pääasiassa visuaaliseen tunnistamiseen mikroskoopilla, ja sen ominaisuudet ovat aikaa vievät ja korkeat työvoimakustannukset.Manuaalisten havainnointimenetelmien puutteisiin tähtäävä tekoälyn (AI) automaattinen tunnistustekniikka on noussut esiin.

Tekoälyn automaattisen havaitsemisen perusperiaatteet

(1) Käytä kohteen tunnistusta kuitujen poikkileikkausten havaitsemiseen kohdealueella

(2)Käytä semanttista segmentointia segmentoidaksesi yhden kuidun poikkileikkauksen maskikartan luomiseksi

(3) Laske poikkileikkauspinta-ala maskikartan perusteella

(4) Laske kunkin kuidun keskimääräinen poikkileikkausala

Testinäyte

Puuvillakuidusta ja erilaisista regeneroiduista selluloosakuiduista valmistettujen sekoitustuotteiden havaitseminen on tämän menetelmän tyypillinen sovellus.Testinäytteiksi valitaan 10 puuvilla- ja viskoosikuitusekoitetta sekä puuvillan ja modaalin sekoituskankaita.

Havaitsemismenetelmä

Aseta valmistettu poikkileikkausnäyte AI-poikkileikkausautomaattisen testerin tasolle, säädä sopiva suurennus ja käynnistä ohjelmapainike.

Tulosanalyysi

(1) Piirrä suorakaiteen muotoinen kehys valitsemalla selkeä ja jatkuva alue kuidun poikkileikkauksen kuvasta.

(2) Aseta valitut kuidut selkeässä suorakaiteen muotoisessa kehyksessä AI-malliin ja esiluoki sitten jokainen kuidun poikkileikkaus.

(3) Kun kuidut on esiluokiteltu kuidun poikkileikkauksen muodon mukaan, kuvankäsittelytekniikkaa käytetään kuvan ääriviivojen erottamiseen kunkin kuidun poikkileikkauksen osalta.

(4) Kartoita kuidun ääriviivat alkuperäiseen kuvaan lopullisen tehostekuvan muodostamiseksi.

(5) Laske kunkin kuidun pitoisuus.

Cpoissulkeminen

10 eri näytteessä verrataan tekoälyn poikkileikkauksen automaattisen testausmenetelmän tuloksia perinteiseen manuaaliseen testaukseen.Absoluuttinen virhe on pieni, ja suurin virhe ei ylitä 3%.Se on standardin mukainen ja sen tunnistusaste on erittäin korkea.Lisäksi testiajan suhteen perinteisessä manuaalisessa testauksessa tarkastajalta menee 50 minuuttia näytteen testin suorittamiseen ja näytteen havaitsemiseen AI-poikkileikkausautomaattisella testausmenetelmällä kestää vain 5 minuuttia, mikä parantaa huomattavasti tunnistustehokkuutta ja säästää työvoimaa ja aikakustannuksia.

Tämä artikkeli on poimittu Wechat Subscription Textile Machinerysta