چکیده
صنعت نساجی برای حفظ استانداردها و کاهش ضایعات تولید به شدت به کنترل کیفیت متکی است. تشخیص عیب دستی، یک روش مرسوم و مستعد خطای انسانی است. این مطالعه یک سامانه خودکار تشخیص عیب پارچه در زمان واقعی را با استفاده از برنامه نویسی پایتون و کتابخانه اوپن سی وی ارائه می کند. این سامانه از تجزیه و تحلیل ویدیو و انتخاب منطقه مورد نظر برای شناسایی عیوب مانند خطوط افقی (نخ دررفتگی) و عمودی (خط توقف ماشین) استفاده می کند. ادغام پيش پردازش، آستانه گذاری، و تشخيص خطوط، شناسايی دقيق عيوب در پارچه های متحرک را تضمين می کند. نتايج تجربی اثربخشی سامانه را نشان می دهد و ظرفيت آن را برای ايجاد انقلابی در توليد نساجی کشور با افزايش دقت، کاهش ضايعات و بهبود کارايی برجسته می کند.
1- مقدمه
صنعت نساجی نقش مهمی در اقتصاد جهانی ايفا می کند. يکی از بزرگترين چالش هايی که صنعت با آن مواجه است، اطمينان از کيفيت ثابت است، زيرا نقص هايی مانند الگوهای نامنظم و خطوط نخ پارگی می توانند به طور قابل توجهی بر قابليت استفاده و ظاهر محصول نهايی تأثير بگذارند. به طور سنتی، بازرسی پارچه يک فرآيند دستی بوده است که به پرسنل آموزش ديده برای شناسايی بصری عيوب متکی است. با اين حال، بازرسی دستی ذاتا توسط عوامل انسانی مانند خستگی، ناهماهنگی و ذهنی محدود می شود که منجر به عدم شناسايی برخی عيوب و افزايش هزينه های توليد می شود [1 و 2].
ظهور فناوری های بينايی رايانه ای[1] فرصتی را برای خودکارسازی فرآيندهای کنترل کيفيت در توليد نساجی فراهم کرده است. بينايی رايانه ای، ماشين ها را قادر می سازد تا داده های بصری را در زمان واقعی[2] تجزيه و تحليل کنند و الگوها و ناهنجاری ها را با سرعت و دقت بيشتری نسبت به بازرسان انسانی تشخيص دهند. مطالعات نشان داده اند که سامانه های خودکار تشخيص عيب، می توانند زمان بازرسی را کاهش داده و دقت را بهبود بخشند و آنها را به جايگزينی جذاب برای روش های دستی تبديل کنند [1 و 3].
در سال های اخير، تکنيک های پردازش تصوير با موفقيت برای شناسايی انواع خاصی از عيوب پارچه، مانند سوراخ ها، لکه ها و ناهماهنگی نخ ها استفاده شده است [1]. در اين ميان، تشخيص خطوط افقی و عمودی پيوسته از اهميت ويژه ای برخوردار است، زيرا چنين نقص هايی اغلب نشان دهنده مسائل ساختاری در فرآيند بافت پارچه است. تشخيص اين عيوب در زمان واقعی می تواند از پيشرفت بيشتر پارچه معيوب در خط توليد جلوگيری کند و در نتيجه باعث کاهش ضايعات و صرفه جويی در هزينه ها شود [4 و 5].
اين مطالعه يک سامانه تشخيص عيب پارچه را در زمان واقعی ارائه می کند که از برنامه نویسی پایتون برای تجزيه و تحليل فيلم های ويديويی پارچه متحرک استفاده می کند. اين سامانه به کاربر اين امکان را می دهد که منطقه مورد نظر[3] خاصی را برای تشخيص عيب تعريف کند و از تمرکز بر روی مناطق بحرانی پارچه اطمينان حاصل کند. سامانه با استفاده از روش هايی مانند تبديل مقياس خاکستری، فيلتر گاوسی[4]، آستانه تطبيقی[5] و تشخيص خط، عيوب خطوط افقی و عمودی پيوسته را با دقت بالا شناسايی می کند.
2- مواد و روش ها
در ادامه، فهرست مواد، ابزار و روش های مورد استفاده در اين پژوهش شرح داده شده است.
1-2- سخت افزارهای مورد استفاده
در اين پژوهش از دوربين تلفن همراه سامسونگ مدل آ 13[6] بر روی پايه ثابت به منظور تصويربرداری عمودی از پارچه حلقوی تاری سه شانه با بافت ساده، در زمان عبور از روی دستگاه طاقه بازکنی استفاده شد. تصاوير در حال ضبط به صورت زمان واقعی به رايانه ای با قدرت پردازش کافی برای تجزيه و تحليل ويديوی زمان واقعی ارسال شدند.
2-2- نرم افزارهای مورد استفاده
زبان برنامه نویسی پایتون، کتابخانه اوپن سي وی[7] برای پردازش تصاوير، ويرايشگر کد منبع ويژوال استوديو کد[8] برای توسعه و اجرای کد زبان پایتون، به کار گرفته شدند.
3-2- روش ها
سامانه تشخيص عيب شامل مراحل زير است:
-
ورودی ويديو و انتخاب منطقه مورد نظر برای شناسايی عيوب: کاربر يک منطقه مورد نظر را بر روی پارچه تعريف می کند که می خواهد عيوب پارچه در آن شناسايی شود.
-
پيش پردازش: داده های تصوير با حذف اطلاعات رنگ (تبديل به مقياس خاکستری) ساده می شود. اختلالات[9] با اعمال فيلتر گاوسی کاهش داده می شود و تصوير را برای جداسازی بهتر نقص ها صاف[10] می کند. آستانه تطبيقی، تصوير را به فرمت دودويی[11] تبديل می کند و مناطق نقص احتمالی را برجسته می کند.
-
تشخيص نقص: تجزيه و تحليل اجزای متصل، اختلالات کوچک و نامربوط را پالايش می کند و در عين حال ساختارهای بزرگتر و معنی دار را حفظ می کند. الگوريتم انتقال هوف[12] خطوط افقی و عمودی پيوسته را مشخص می کند که به ترتيب به رنگ سبز و قرمز تجسم می شوند.
-
خروجی: ويديوی پردازش شده به صورت بلادرنگ نمايش داده می شود و نقص ها برای شناسايی آسان مشخص می شوند.
3- نتايج و بحث
سامانه پيشنهادی بر روی نمونه های پارچه حلقوی تاری در دستگاه طاقه بازکنی در خط توليد کارخانه، آزمايش شد. مشاهدات زير انجام شد:
1-3- دقت تشخيص عيب
ارزيابی نتايج بر اساس معيارهايی همچون دقت (نسبت ناحيه های دارای عيب تشخيص داده شده به کل ناحيه های دارای عيب موجود)، حساسيت (ميزان طولی از عيب که بعد از وارد شدن به ناحيه مورد نظر عيب شناسايی می شود) و نرخ مثبت کاذب (درصد ناحيه های بدون عيب نمونه که به اشتباه به عنوان ناحيه دارای عيب تشخيص داده می شود) صورت گرفته است. اين سامانه با موفقيت عيوب خطوط افقی (در رفتگی نخ) و عمودی (خط توقف ماشين) را با دقت 100 درصدی در نمونه های مورد آزمايش، حساسيت ميانگين کمتر از 2 سانتی متر و نتايج مثبت کاذب کمتر از 1 درصد شناسايی کرد. اختلالات کوچک و الگوهای نامربوط به طور موثر با استفاده از تجزيه و تحليل اجزای متصل حذف شدند.
2-3- پردازش زمان واقعی
اين سامانه به سرعت پردازش در زمان واقعی دست يافت و پردازش قاب تصوير را مطابق با سرعت دستگاه طاقه بازکنی، با سرعت بالا مديريت کرد.
3-3- تجسم
نقص ها به وضوح مشخص شده و به اپراتورها در شناسايی و رسيدگی سريع به عيوب پارچه کمک کردند. عيوب افقی با رنگ سبز و عيوب عمودی با رنگ قرمز برای تمايز آسان مشخص شدند. در شکل 1 تصوير عيوب تشخيص داده شده در پارچه و مراحل پردازش نمايش داده شده است. همانطور که در اين شکل مشخص است، سامانه به خوبی موفق به شناسايی عيوب شده است (شکل 1-ت و ث). همچنين با وجود ناهمواری سطح پارچه، چروک ها به عنوان عيب شناسايی نشده است که نشان از دقت بالای سامانه در ايجاد تمايز بين ناهمواری سطح پارچه و عيوب آن است.
 |
 |
 |
 |
 |
 |
|
(الف) |
(ب) | (پ) | (ت) | (ث) | (ج) |
شکل 1. (الف) تصوير يک قاب از خروجی دوربين وارد شده به برنامه، (ب) تصوير دودويی شده بدون فيلتر گاوسی، (پ) تصوير دودويی شده بعد از اعمال فيلتر گاوسی، (ت) تصوير خطوط عيوب افقی و عمودی شناسايی شده، (ث) تصوير عيوب شناسايی شده در يک قاب بعد، (ج) تصوير يک قاب از پارچه بدون عيب.
4-3- مزايا و چالش ها
تشخيص خودکار زمان بازرسی را به طور قابل توجهی در مقايسه با روش های دستی کاهش می دهد. برخلاف مطالعات قبلی که بيشتر از شبکه های عصبی و تکنيک های يادگيری عميق استفاده کرده اند، روش پيشنهادی با بهره گيری از الگوريتم های ساده تر (تبديل هوف و تحليل اجزای متصل) به کارايی در زمان واقعی دست يافته است. در تحقيقات قبلی يافتن عيب های پارچه بيشتر به صورت طبقه بندی تصاوير دارای عيب و پارچه سالم بوده است، و در مواردی که به تشخيص عيب در زمان واقعی پرداخته شده است، بيشتر بر روی دستگاه های با سرعت کمتر انجام شده است؛ در حالی که سامانه مورد بررسی در اين پژوهش بر روی دستگاه طاقه بازکنی آزمايش شده که دارای يکی از بالاترين سرعت های حرکت پارچه در خط توليد است. اين سامانه برای انواع مختلف پارچه های حلقوی تاری با نخ کشی های کامل و نيمه، عمل کرد قابل قبولی را ارائه داد که سازگاری آن را برای به کارگيری در خطوط توليد مختلف با کمترين نياز به تغييرات نشان می دهد. لازم به ذکر است تحقيقات قبلی در زمينه تشخيص عيب های پارچه به صورت زمان واقعی بيشتر بر روی پارچه های تاری پودی و حلقوی گردباف متمرکز بوده است. عدم نياز به سخت افزارهای پيشرفته يا پردازش های پيچيده شبکه های عصبی، اين سامانه را از نظر اقتصادی به گزينه ای مناسب تبديل می کند.
لازم به ذکر است شرايط نورپردازی نامناسب يا تغييرات سريع در نور سبب کاهش دقت و حساسيت سامانه و همچنين افزايش نتايج مثبت کاذب می شود. همچنين به منظور شناسايی عيب های دارای ويژگی های متفاوت از آنچه مورد بررسی قرار گرفت، سامانه نياز به بهبود بيشتر دارد. همچنين برخی از مولفه های سامانه همچنان به تنظيم دستی نياز دارند که در محيط های متغير می تواند محدوديت محسوب شود.
4- نتيجه گيری
اين مطالعه ظرفيت تشخيص عيب پارچه در زمان واقعی را با استفاده از سنجش و بينايی رايانه ای نشان می دهد. با خودکار کردن فرآيند، سامانه محدوديت های بازرسی دستی را برطرف می کند و تشخيص عيب با ثبات، دقيق و کارآمد را ارائه می دهد. ادغام روش های پيشرفته پردازش تصوير، شناسايی دقيق عيوب خطوط افقی (نخ پارگی) و عمودی (خط توقف ماشين) را تضمين می کند. پيشرفت های آينده، از جمله طبقه بندی نقص مبتنی بر يادگيری ماشين و ادغام اينترنت اشيا، می تواند قابليت های سامانه را بيشتر گسترش دهد. تشخيص بی درنگ عيب گامی مهم به سمت توليد هوشمندانه تر منسوجات است که مزايای بسيار زيادی در کنترل کيفيت، صرفه جويی در هزينه و پايداری ارائه می دهد.
تشکر و قدردانی
نويسندگان اين اثر تشکر و قدردانی خود را از شرکت جهان اروم اُياز برای همکاری جهت انجام آزمايشات اين پژوهش در خط توليد پارچه اين شرکت اعلام می دارند.
مراجع
Kayumov, A., Sobirov, M., & Musayev, K. (2024). Methods of fabric defect detection using expert systems-a systematic literature review. In E3S Web of Conferences (Vol. 538, p. 04015). EDP Sciences.
Meeradevi, T., Sasikala, S., Gomathi, S., & Prabakaran, K. (2023). An analytical survey of textile fabric defect and shade variation detection system using image processing. Multimedia Tools and Applications, 82(4), 6167-6196.
Yousefzadeh, M., Payvandy, P., Seyyedsalehi, S. A., & Latifi, M. (2006). DEFECT DETECTION AND CLASSIFICATION IN NONWOVEN WEB IMAGES USING NEURAL NETWORK.
Saeidi, R. G., Latifi, M., Najar, S. S., & Saeidi, A. G. (2005). Computer vision-aided fabric inspection system for on-circular knitting machine. Textile Research Journal, 75(6), 492-497.
Mahmud, T., Sikder, J., Chakma, R. J., & Fardoush, J. (2021). Fabric defect detection system. In IntelLigent Computing and Optimization: Proceedings of the 3rd International Conference on Intelligent Computing and Optimization 2020 (ICO 2020) (pp. 788-800). Springer International Publishing.
معادل های انگليسی
[1] Computer vision
[2] Real-Time
[3] Region of Interest (ROI)
[4] Gaussian blurring
[5] Adaptive thresholding
[6] Samsung Galaxy A13
[7] OpenCV
[8] Visual Studio Code
[9] Noises
[10] Smoothens
[11] Binary
[12] Hough Transform
