Система автоматизированного обнаружения дефектов ткани

Научный руководитель проекта: Т.Ю. Карева, д-р техн. наук, профессор ИВГПУ

Руководитель направления аппаратно-программной разработки: М.В. Болсуновская, заведующий лабораторией «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ

Исполнители: ФГАОУ ВО «СПбПУ», ФГБОУ «ИВГПУ», ФГАОУ НИУ «Высшая школа экономики», ООО «Визиумтекс»

Программно-аппаратный комплекс для определения дефектов сурового полотна, разработанный специалистами СПбПУ, НИУ ВШЭ, ИВГПУ и ООО «Визиумтекс», запущен в опытную эксплуатацию на производственной линии Тейковского хлопчатобумажного комбината.

Проектная группа специалистов лаборатории «Промышленные системы потоковой обработки данных» Центра НТИ СПбПУ, Национального исследовательского университета «Высшая школа экономики», Ивановского государственного политехнического университета и ООО «Визиумтекс» разработала прототип программно-аппаратного комплекса (ПАК) для автоматизированного обнаружения дефектов тканей на этапе товарного суровья бесконтактным способом с помощью методов технического зрения и нейросетевой обработки изображений.

Опытная эксплуатация комплекса производится на сушильно-ширильной машине, где ПАК определяет дефекты суровых тканей полотняного переплетения. Выбор участка для тестирования системы обусловлен тем, что после стадий очистки и отбелки ткани выявление дефектов перед процессами дальнейшего крашения и печати является принципиально важным для производства.

Аппаратная часть ПАК состоит из модулей захвата изображения (цифровых телевизионных камер и объективов, осветительных устройств) и модуля обработки и хранения изображений (промышленный компьютер). Программная часть обеспечивает работу с полученными изображениями и формирование отчета. В отчет собираются фотографии найденных дефектов и информация об их координатах.

Ключевую роль в программном модуле обработки изображений играют нейросетевые алгоритмы обнаружения, локализации и классификации дефектов. В реализации ПО используется глубокая сверточная нейронная сеть для семантической сегментации изображений.

Для машинного обучения нейросетей используется база данных дефектов материала полотняного переплетения после первичной отделки. База включает в себя более 150 000 образцов тканей, предоставленных текстильными предприятиями Ивановской области. На начальном этапе работ проектная группа фотографировала образцы с дефектами вручную на специально сконструированном испытательном стенде. На текущем этапе сбор образцов автоматически выполняется с помощью установленного на производстве ПАК. Для определения правильного названия и описания дефектов текстильных материалов при формировании базы данных был взят за основу ГОСТ № 25506-82. Поскольку «фабричные» названия дефектов часто не совпадают с терминами, используемыми в государственном стандарте и профессиональной литературе, участники проектной группы провели исследование и сравнение дефектов и составили таблицу соответствий. Это также позволило дополнить базу данных дефектов и повысить точность распознавания.

Разрабатываемая система должна выполнять задачи обнаружения и классификации дефекта, определять его местоположение и формировать выходной сигнал с информацией о нем. Таким образом, оператор на производстве сможет быстро отреагировать на выявленный дефект, определить причину и место его возникновения и передать сведения на ответственный за этот дефект производственный участок.

При тестировании прототипа ПАК на образце ткани длиной 700 м система обнаружила 1363 дефекта 17 видов, наиболее характерных для полотен, прошедших операции отбеливания. Для определения уровня точности выявления дефектов данный образец ткани отправили на ручную разбраковку в отдел контроля качества предприятия, где было выявлено 217 дефектов 21 вида. Таким образом, общее число выявленных дефектов с использованием ПАК в 6,28 раз больше, поскольку ПАК с высокой точностью обнаруживает даже мелкие дефекты, невидимые глазу при достаточно большой скорости перемотки материала (до 60 м/мин).

ПАК обеспечивает выполнение следующих количественных показателей контроля:

• точность локализации границ дефекта – 1 мм;
• ложные срабатывания – не более 1%;
• максимальная скорость перемещения материала – 1 м/с;
• количество обнаруживаемых дефектов – не менее 10 видов;
• время реакции системы – не более 1 с.

Проект реализуется при финансовой поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере (ФСИ).