Het type en het percentage vezels in textielstoffen zijn belangrijke factoren die de kwaliteit van stoffen beïnvloeden, en ze zijn ook waar consumenten op letten bij het kopen van kleding. De wetten, voorschriften en standaardisatiedocumenten met betrekking tot textieletiketten in alle landen ter wereld vereisen bijna alle textieletiketten om informatie van vezelinhoud aan te geven. Daarom is vezelgehalte een belangrijk item bij textieltesten.

De bepaling door het huidige laboratorium van vezelgehalte kan worden onderverdeeld in fysische methoden en chemische methoden. De dwars-sectionele meetmethode van de vezelmicroscoop is een veelgebruikte fysieke methode, inclusief drie stappen: de meting van het dwarsdoorsnedegebied van vezels, de meting van de vezeldiameter en de bepaling van het aantal vezels. Deze methode wordt voornamelijk gebruikt voor visuele herkenning via een microscoop en heeft de kenmerken van tijdrovende en hoge arbeidskosten. Richt op de tekortkomingen van handmatige detectiemethoden, is kunstmatige intelligentie (AI) geautomatiseerde detectietechnologie naar voren gekomen.

Basisprincipes van AI geautomatiseerde detectie

(1) Gebruik doeldetectie om vezel dwarsdoorsneden in het doelgebied te detecteren

(2) Gebruik semantische segmentatie om een ​​enkele vezeldoorsnede te segmenteren om een ​​maskerkaart te genereren

(3) Bereken het dwarsdoorsnedeoppervlak op basis van de maskerkaart

(4) Bereken het gemiddelde dwarsdoorsnedeoppervlak van elke vezel

Testmonster

De detectie van gemengde producten van katoenvezels en verschillende geregenereerde cellulosevezels is een typische representatief voor de toepassing van deze methode. 10 Gemengde stoffen van katoen- en viscose -vezels en gemengde stoffen van katoen en modaal worden geselecteerd als de testmonsters.

Detectiemethode

Plaats het voorbereide dwarsdoorsnede-monster op het podium van de AI-sectie Automatische tester AI, pas de juiste vergroting aan en start de programmaknop.

Resultaatanalyse

(1) Selecteer een duidelijk en continu gebied in de afbeelding van de vezeldoorsnede om een ​​rechthoekig frame te trekken.

(2) Stel de geselecteerde vezels in het doorzichtige rechthoekige frame in het AI-model in en classificeer vervolgens elke vezeldoorsnede vooraf.

(3) Na vooraf classificeren van de vezels volgens de vorm van de vezeldoorsnede, wordt beeldverwerkingstechnologie gebruikt om de contour van het beeld van elke vezeldoorsnede te extraheren.

(4) Breng de glasvezeloverzicht toe aan de originele afbeelding om het uiteindelijke effectafbeelding te vormen.

(5) Bereken de inhoud van elke vezel.

Conclusie

Voor 10 verschillende monsters worden de resultaten van de automatische testmethode van de AI-dwarsdoorsnede vergeleken met de traditionele handmatige test. De absolute fout is klein en de maximale fout is niet groter dan 3%. Het voldoet aan de standaard en heeft een extreem hoge herkenningspercentage. In termen van testtijd duurt het in traditionele handmatige testen bovendien 50 minuten voordat de inspecteur de test van een monster heeft voltooid, en het duurt slechts 5 minuten om een ​​monster te detecteren door de AI-doorsnede automatische testmethode, die de detectie-efficiëntie aanzienlijk verbetert en mankracht en tijdkosten bespaart.

Dit artikel is geëxtraheerd uit WeChat -abonnement textielmachines