Tekstiilikankaiden sisältämän kuidun tyyppi ja prosenttiosuus ovat tärkeitä tekijöitä, jotka vaikuttavat kankaiden laatuun, ja ne ovat myös se, mihin kuluttajat kiinnittävät huomiota vaatteita ostaessaan. Kaikkien maailman maiden tekstiilimerkintöihin liittyvät lait, asetukset ja standardointiasiakirjat edellyttävät, että lähes kaikissa tekstiilimerkinnöissä ilmoitetaan kuitupitoisuus. Siksi kuitupitoisuus on tärkeä osa tekstiilien testausta.

Nykyiset laboratorioiden kuitupitoisuuden määritysmenetelmät voidaan jakaa fysikaalisiin ja kemiallisiin menetelmiin. Kuitumikroskoopin poikkileikkausmittausmenetelmä on yleisesti käytetty fysikaalinen menetelmä, johon kuuluu kolme vaihetta: kuidun poikkileikkauspinta-alan mittaus, kuidun halkaisijan mittaus ja kuitujen lukumäärän määritys. Tätä menetelmää käytetään pääasiassa visuaaliseen tunnistukseen mikroskoopin avulla, ja sillä on ominaisuuksia, kuten aikaa vievä ja korkea työvoimakustannus. Manuaalisten tunnistusmenetelmien puutteiden korjaamiseksi on syntynyt tekoälyyn (AI) perustuva automaattinen tunnistusteknologia.

Tekoälyn automaattisen tunnistuksen perusperiaatteet

(1) Käytä kohteen tunnistusta kuitujen poikkileikkausten havaitsemiseen kohdealueella

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

(3) Laske poikkileikkauspinta-ala maskikartan perusteella

(4) Laske kunkin kuidun keskimääräinen poikkileikkauspinta-ala

Testinäyte

Puuvillakuidusta ja erilaisista regeneroiduista selluloosakuiduista valmistettujen sekoitettujen tuotteiden havaitseminen on tyypillinen esimerkki tämän menetelmän soveltamisesta. Testinäytteiksi valitaan 10 puuvilla-viskoosikuidusta valmistettua sekoitekangasta sekä puuvilla-modaalikuidusta valmistettua sekoitekangasta.

Havaitsemismenetelmä

Aseta valmistettu poikkileikkausnäyte tekoälypoikkileikkausautomaattisen testerin pöydälle, säädä sopiva suurennus ja käynnistä ohjelma painikkeesta.

Tulosten analyysi

(1) Valitse kuidun poikkileikkauskuvasta selkeä ja yhtenäinen alue suorakulmaisen kehyksen piirtämistä varten.

(2) Aseta valitut kuidut selkeään suorakulmaiseen kehykseen tekoälymalliin ja luokittele sitten kunkin kuidun poikkileikkaus etukäteen.

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

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

(5) Laske kunkin kuidun pitoisuus.

Csulkeuma

Kymmenen eri näytteen osalta tekoälyllä tehdyn poikkileikkausautomaattisen testausmenetelmän tuloksia verrataan perinteiseen manuaaliseen testiin. Absoluuttinen virhe on pieni, eikä suurin virhe ylitä 3 %. Se on standardin mukainen ja sillä on erittäin korkea tunnistusprosentti. Lisäksi testausajan suhteen perinteisessä manuaalisessa testauksessa tarkastajalta kestää 50 minuuttia näytteen testaamiseen, kun taas tekoälyllä tehdyllä poikkileikkausautomaattisella testausmenetelmällä näytteen havaitseminen kestää vain 5 minuuttia, mikä parantaa huomattavasti havaitsemistehokkuutta ja säästää työvoimaa ja aikaa.

Tämä artikkeli on lainattu Wechat Subscription Textile Machinerysta