Typen og procentdelen af ​​fiber, der er indeholdt i tekstilstoffer, er vigtige faktorer, der påvirker kvaliteten af ​​stoffer, og det er også det, forbrugere er opmærksomme på, når de køber tøj. Lovene, reglerne og standardiseringsdokumenterne relateret til tekstiletiketter i alle lande i verden kræver næsten alle tekstiletiketter for at indikere information om fiberindhold. Derfor er fiberindhold et vigtigt emne i tekstilforsøg.

Det nuværende laboratories bestemmelse af fiberindhold kan opdeles i fysiske metoder og kemiske metoder. Fibermikroskopets tværsnitsmålemetode er en almindeligt anvendt fysisk metode, herunder tre trin: måling af fibertværsnitsareal, måling af fiberdiameter og bestemmelse af antallet af fibre. Denne metode bruges hovedsageligt til visuel genkendelse gennem et mikroskop og har egenskaberne ved tidskrævende og høje arbejdsomkostninger. Med henblik på manglerne ved manuelle detektionsmetoder er kunstig intelligens (AI) automatiseret detektionsteknologi fremkommet.

Grundlæggende principper for AI -automatiseret detektion

(1) Brug måldetektion til at detektere fiber tværsnit i målområdet

(2) Brug semantisk segmentering til at segmentere et enkelt fiber tværsnit for at generere et maske kort

(3) Beregn tværsnitsområdet baseret på maskekortet

(4) Beregn det gennemsnitlige tværsnitsareal for hver fiber

Testprøve

Påvisningen af ​​blandede produkter af bomuldsfiber og forskellige regenererede cellulosefibre er en typisk repræsentant for anvendelsen af ​​denne metode. 10 blandede stoffer af bomuld og viskosefiber og blandede stoffer af bomuld og modal vælges som testprøver.

Detektionsmetode

Placer den forberedte tværsnitsprøve på scenen med AI-tværsnitsautomatisk tester, juster den relevante forstørrelse og start programknappen.

Resultatanalyse

(1) Vælg et klart og kontinuerligt område i billedet af fiberstværsnittet for at tegne en rektangulær ramme.

(2) Indstil de valgte fibre i den klare rektangulære ramme i AI-modellen, og før klassificering af hvert fibertværsnit.

(3) Efter præ-klassificering af fibrene i henhold til formen af ​​fiber-tværsnittet bruges billedbehandlingsteknologi til at udtrække konturen af ​​billedet af hvert fiber-tværsnit.

(4) Kortlæg fiberkonturet til det originale billede for at danne det endelige effektbillede.

(5) Beregn indholdet af hver fiber.

Conklusion

For 10 forskellige prøver sammenlignes resultaterne af AI-tværsnitsautomatisk testmetode med den traditionelle manuelle test. Den absolutte fejl er lille, og den maksimale fejl overstiger ikke 3%. Det er i overensstemmelse med standarden og har en ekstremt høj anerkendelsesgrad. Derudover tager det med hensyn til testtid i traditionel manuel test 50 minutter for inspektøren at afslutte testen af ​​en prøve, og det tager kun 5 minutter at detektere en prøve ved AI-tværsnitsautomatiske testmetode, hvilket i høj grad forbedrer detektionseffektiviteten og sparer arbejdskraft og tidsomkostninger.

Denne artikel blev udvundet fra WeChat -abonnementstekstilmaskineriet