Les défauts qui réduisent les performances attendues du tissu ou qui sont facilement visibles et non acceptés par un acheteur potentiel lorsqu'ils se produisent dans une position proéminente dans un produit en tissu sont appelés « défauts de tissu ».
Ces erreurs sont dues à des raisons mécaniques ou au fil utilisé lors du tissage du tissu. Les tissus bruts produits dans les entreprises de tissage de tissus sont examinés aux tables de contrôle de la qualité des tissus après le processus de tissage. Malgré l'évolution des technologies de tissage, les défauts des tissus constituent toujours un coût non négligeable. Les défauts du tissu sont contrôlés par du personnel de contrôle qualité expérimenté dans les entreprises de tissage textile. .
Selon les informations obtenues et tirées de la littérature, un personnel expérimenté en contrôle de la qualité ne peut détecter que 60 à 70 % des erreurs. Le tissu, qui est produit avec une efficacité de 2 à 96 % sur la table de contrôle qualité avec une largeur d'environ 99 mètres, ne peut être contrôlé qu'en l'enroulant à une vitesse de 30 m/min. L'évaluation de la qualité des tissus n'est pas objective et une évaluation statistique ne peut pas être faite sur les défauts des tissus.
MÉTHODES DE CONTRÔLE AUTOMATIQUE DE LA QUALITÉ DES TISSUS
Les systèmes de contrôle de la qualité des tissus peuvent consister en trois étapes de processus :
• Sélection de fonctionnalité
• Comparer
• Décision
Les systèmes d'inspection automatique des tissus en ligne utilisent les méthodes suivantes pour détecter les défauts des tissus :
• Analyse d'image avancée
• Les réseaux de neurones
• Modèle de paquet d'ondelettes (meilleur modèle de paquet d'ondelettes)
• Méthode de logique floue
Il existe trois approches principales pour identifier les erreurs :
1. Arborescence des fonctionnalités
2. Identification numérique
3. Structure technique
L'approche de l'arbre des caractéristiques décrit l'apparition des défauts lors de l'inspection manuelle du tissu.
L'approche d'identification numérique spécifie la longueur et la largeur de l'erreur. Les méthodes de contrôle sont divisées en catégories selon leur nature active et passive. La méthode active a besoin de la source d'éclairage du capteur.
Les méthodes de contrôle automatique de la qualité des tissus sont basées sur la réflexion de la lumière, la lumière laser ou le traitement d'images vidéo. Ces systèmes automatisés actionnent un simple dispositif de balayage ou de mesure de capacité par cellule photoélectrique à la surface du tissu. Les caméras CCD à dispositif à couplage de charge, largement utilisées dans les tissus tissés, ont une résolution de 2.048 4.096 et XNUMX XNUMX pixels.
Ces systèmes consistent en une caméra CCD, un convertisseur de signal analogique en signal numérique, une unité de stockage d'image (image), un convertisseur numérique en analogique pour l'entrée sur le moniteur, une unité centrale de traitement (CPU). Ils sont classés dans des filtres d'image standard (par exemple filtre passe-bas) et les échantillons sont caractérisés à l'aide de transformées de Fourier. De nombreux algorithmes dépendent du temps de traitement ; Par conséquent, un matériel de calcul puissant à usage spécial est nécessaire pour le contrôle de la structure.
MÉTHODE D'ANALYSE D'IMAGE
L'objectif principal du contrôle des défauts du tissu est d'extraire uniquement les informations qui intéressent le chercheur à partir des informations très détaillées contenues dans une image et d'évaluer ces informations. En tant que méthode rapide et efficace, les systèmes d'analyse d'images peuvent être appliqués sur divers produits textiles à diverses fins de mesure et de contrôle. L'analyse d'image est un terme utilisé pour décrire les opérations effectuées sur des images dans un but précis. Ces finalités sont par exemple ; Il peut s'agir de mettre une image sous une forme plus facile à transporter ou de la placer dans une mémoire d'ordinateur, ou encore d'extraire uniquement les informations qui intéressent un spectateur. Opérations de traitement d'image couramment utilisées ; Il comprend le filtrage, l'échantillonnage, la classification, le codage, l'extraction de caractéristiques, la reconnaissance de formes et la prédiction de mouvement. Si les données obtenues lors de la numérisation numérique d'un tissu diffèrent par rapport à la numérisation d'un tissu sans défaut dans les mêmes conditions, la présence d'une erreur sera clairement identifiée. Cependant, une grande variété de motifs, de structures de tissage, de couleurs et différents types de défauts sur le tissu compliqueront ce processus. Par conséquent, l'ensemble du processus doit être simplifié étape par étape. Tout d'abord, la structure colorée sur le tissu doit être réduite à une seule couleur avec une image en niveaux de gris, puis d'autres étapes de traitement doivent être appliquées sur cette image.
Il existe deux étapes fondamentales de détection d'erreur par analyse d'image. Dans la première étape, que l'on peut aussi appeler étape d'apprentissage, les limites pratiques des paramètres pertinents du tissu considéré sont calculées sur la base d'un tissu sans défaut, et une classification est faite pour chaque caractéristique.
Dans la deuxième étape, qui est l'étape d'inspection, il est vérifié en comparant si les caractéristiques pertinentes sont dans les limites données à l'étape précédente. L'ampleur de toute erreur est déterminée par le taux d'écart par rapport aux limites prédéterminées. Un système de traitement d'image typique se compose généralement de trois parties de base. Ces;
1. Unité d'acquisition d'images : Cette unité se compose d'une caméra TV, de convertisseurs A/N et N/A et d'une mémoire numérique. Une mémoire numérique a une échelle de gris de 8 bits (256 chiffres) et une capacité de 1024 à 1024 pixels.
2. Unité de traitement d'image : cette unité se compose principalement d'un système de micro-ordinateur, et le circuit d'interface dans le magasin d'images est connecté à ce système avec le lecteur de disque, l'imprimante et le moniteur. L'essentiel du processus se déroule dans cette unité. Le processus se compose de trois parties simples :
• Amélioration d'images,
• L'analyse d'image,
• Encodage d'image (numérisation)
3. Moniteur (unité d'affichage)
MÉTHODE DE LA LOGIQUE FLOU ( Logique floue ) :
En 2001, Choi et al ont utilisé la méthode de la logique floue dans leur étude basée sur la grande variété de défauts de tissu et l'incertitude dans leurs définitions. La logique floue a été définie comme un ordre mathématique établi pour exprimer des incertitudes et travailler avec des incertitudes. Dans le système où des règles de logique floue sont utilisées, les fonctions d'appartenance à ces règles sont adaptées à l'approche du réseau de neurones. Dans la recherche, plusieurs hypothèses de règles floues ont été faites afin de déterminer les régions sans défauts, les régions avec des poissons (dans le sens trame et chaîne), des neps et des erreurs composites.
Une base de règles floues créée a été remplacée par de nombreuses règles classiques nettes. Dans les systèmes complexes basés sur des systèmes classiques, un grand nombre de règles devaient être appliquées pour prendre les bonnes décisions, et les approches de règles floues offraient la possibilité de créer des règles fiables en utilisant une base de règles plus étroite. Un module de processus en 4 étapes a été créé dans l'étude avec l'idée de déterminer les défauts du tissu avec un système de logique floue. Ces:
1-fuzzification,
base de règles 2-floues,
3-inférence floue
4-Ce sont des processus de défuzzification.
À la fin de ces quatre étapes, les types d'erreurs dans la zone défectueuse de l'image de tissu de test ont pu être déterminés. Dans la première étape, les caractéristiques les plus importantes des erreurs sont déterminées et après la détermination des caractéristiques déterminantes, leurs fonctions d'appartenance doivent être formées, c'est-à-dire qu'elles doivent être floues. Les paramètres d'entrée ont été transformés en ensembles flous créés sur la base des connaissances et de l'expérience. Les mesures sur l'image de tissu uni contenant des neps et des défauts de poisson sont prises comme variables et ces valeurs sont utilisées pour former l'ensemble flou. Avant le fuzzing, des explications linguistiques classiques sont utilisées pour créer une fonction d'appartenance, et trois niveaux de champ comme petit, moyen et grand sont créés dans le système de logique floue pour identifier les erreurs.
1-Petite zone sans erreur
2-neps de taille moyenne ou défaut de poisson
La zone 3-large indique la présence d'une erreur composite.
termes utilisés pour exprimer
Dans la deuxième étape, une base de règles floues a été créée et les types d'erreurs ont été définis avec des règles floues. Afin de réduire les probabilités à un certain nombre dans la formation de la base de règles de logique floue, certaines hypothèses ont été faites d'une manière qui n'affecterait pas le résultat. En utilisant ces règles, la base de règles de logique floue, qui est la base de la logique floue, peut être déterminée. Dans la troisième étape, un processus de prise de décision floue a été réalisé sur la base des règles de la logique floue. Enfin, il était nécessaire d'effectuer le processus de clarification dans lequel les valeurs floues obtenues étaient converties en nombres impairs à la suite d'une opération d'ensemble flou. Par conséquent; La position, le nombre et le type de l'erreur, qui est la fonction d'appartenance de sortie indiquant l'erreur par rapport aux fonctions d'appartenance d'entrée, ont été trouvés. Les défauts de tissu pourraient être classés dans la recherche dans laquelle les amis de Choi ont utilisé la méthode de la logique floue. Il a été observé que cette méthode, dans laquelle des règles de logique floue sont utilisées dans le contrôle des défauts de tissu, est similaire à la capacité des êtres humains à reconnaître les défauts, et que la méthode donne de meilleurs résultats que les méthodes classiques. Le système neuronal flou a été utilisé dans les recherches menées par Huang et Chen en 2001 pour classer les défauts du tissu. Ce système est créé à partir de la technique de la logique floue et de l'algorithme d'apprentissage par rétropropagation des réseaux de neurones. Comme les réseaux de neurones et les systèmes de logique floue se complètent, une augmentation de la capacité de classification a été observée. Le floutage est une opération de mappage non linéaire. Le système neuronal flou a été exploité en séparant les données incertaines et en chevauchant les points limites entre les classes. Dans l'étude, des tissus unis, dont huit défectueux et un sans défaut, ont été utilisés. Ces erreurs sont; rupture de trame, rupture de chaîne, double chaîne, double trame, trou, ruban de trame mince, tache d'huile et toile d'araignée. Les images des tissus ont été prises à une résolution de 512 x 512 pixels et trois classes ont été formées en proportionnant les dimensions des défauts dans les directions verticale et horizontale. Une autre caractéristique utilisée pour la classification, en dehors des tailles d'erreur, est la densité d'image. Par exemple; Il a été observé que le fil de chaîne double a une intensité plus élevée que la rupture de chaîne. L'intensité de l'image a été exprimée sous la forme de la moyenne et de l'écart type de la distribution des niveaux de gris, et les valeurs de la moyenne et de l'écart type des niveaux de gris de la zone défectueuse ont été prises comme caractéristique déterminante. Les paramètres d'entrée sont flous à l'aide des fonctions d'appartenance triangulaire. Les valeurs d'entrée utilisées comme caractéristique de définition sont comprises entre 0 et 1 valeurs numériques. Les valeurs de sortie de la phase de test ont été calculées en fonction des données des échantillons de la phase d'apprentissage.
MÉTHODE DE CONTRÔLE CYLOPS
En tant que système de contrôle automatique de Barco sur le métier à tisser, il identifie les défauts de chaîne et de trame à l'aide d'un système de caméra mobile intégré dans la machine à tisser. Lorsqu'une erreur de chaîne ou de trame se produit, le système arrête le métier, le voyant d'avertissement s'allume, indique son emplacement sur le métier à l'aide du microprocesseur, et le métier est arrêté jusqu'à ce que l'avertissement "erreur a été corrigée" par le tisserand . Toutes les informations sur les défauts concernant le système de surveillance Barco Weave Master sont envoyées à la base de données sur la qualité des tissus. Ainsi, des cartes de défauts (cartes) et divers types de rapports de qualité sont créés. Le système de contrôle du métier est relié au microprocesseur de la machine à tisser. Chaque heure de défaut est enregistrée avec l'historique. Ainsi, l'erreur dans le rouleau de tissu et des informations plus détaillées sont incluses dans les rapports de qualité. Le système de contrôle Cyclops est facile à connecter au Weavemaster de Barco. Le système de surveillance Barco peut être inclus dans le système de surveillance automatique sur machine Cyclops En utilisant le protocole TCP/IP, le HUB et le système de surveillance Bench and Barco sont connectés les uns aux autres via Ethernet. Le tissu est divisé en qualités en fonction du nombre et de la concentration des défauts déterminés, et le tissu brut passe par le contrôle et peut être envoyé vers d'autres processus.
cyclope
Unité de contrôle sur le banc,
de la caméra et de l'unité d'éclairage,
et l'acquisition d'images animées
consiste en un titre.
Lors de la phase de détermination (test/apprentissage), l'image du tissu dans un certain nombre de positions du tissu est prise et transférée à l'unité de traitement d'image. Ici, des algorithmes spéciaux sont utilisés pour analyser le tissage du tissu et les écarts par rapport à la norme sont déterminés comme des erreurs. La plage de numérisation est automatiquement ajustée en fonction de la position et de la largeur du tissu avec détection automatique des bordures du tissu. L'éclairage et les emplacements des caméras sont ajustés par l'étalonnage du module logiciel en fonction des caractéristiques optiques des tissus. La structure du tissu est déterminée automatiquement en calculant les paramètres de l'algorithme pour une détection optimale des défauts. La tête de balayage Cyclops contient une caméra et un système d'éclairage. Le système détecte 70% des défauts de tissu.
avantages
• Détection à 100% des erreurs continues telles que l'enfilage, l'erreur de cardage, la rupture de chaîne.
• Détection à 100 % des défauts de trame dans toutes les largeurs telles que les défauts de trame, les doubles trames.
• En arrêtant le métier à tisser, en détectant et en prévenant immédiatement la formation de défauts et en prévenant une production de tissu défectueuse.
• Réaliser un contrôle indépendant des erreurs humaines.
• Tissu de haute qualité, moins de formation de tissu secondaire.
• Moins de charge de travail dans la section de contrôle du tissu brut.
• Contrôle automatique du tissu sur le métier.
• Prise en charge du moniteur de surveillance Weave Master Machine.
• Vitesse de numérisation : 18 cm\sec.
• Facilité d'installation.
• Sans entretien
Qualimaster prend en charge les contrôles de tissus bruts et finis. En dehors de ceux-ci, il détermine les cartes d'erreur pour chaque coupe de boule de tissu et détermine les scores d'erreur correspondants. Qualimaster imprime des étiquettes à la fin de chaque rame ou coupe de tissu. Avec le système de suivi de production Weavemaster, les plans de tissage sont combinés avec le contrôle en ligne de Qualimaster sur le métier à tisser. En fonction du panneau de commande et de l'outil de coupe, ce terminal crée une interface utilisateur graphique basée sur Windows pour la saisie des erreurs. Les codes d'erreur apparaissent à l'écran sous forme de boutons. Le contrôleur enregistre l'erreur en touchant le bouton correspondant à l'erreur. Des boutons spéciaux sont possibles pour les pannes, les coupures et les réparations en cours. En option, différents codes d'erreur peuvent être saisis à partir du clavier.
Une carte d'erreur peut être créée, dont le score peut être calculé pour chaque balle de tissu.
Interfaces • Permet un lecteur de code-barres pour chaque définition de rouleau de tissu • Appareil de marquage d'erreurs • Balances pour enregistrer le poids de la boule de tissu • Logiciel pour les étiquettes des pièces et les cartes de défauts. Chaque entrée est automatiquement connectée au compteur de trame pour le contrôle du tissu sur le métier. Ils assurent la formation de la carte des défauts lors du tissage. Le logiciel de contrôle de tissu Qualimaster comprend des rapports détaillés de la préparation de la chaîne au fournisseur de fil en fonction du tissage.
Types de rapport Qualimaster
Analyse des défauts de type Différents types de tissus peuvent être comparés en termes de taux de défauts et de scores. Dix erreurs majeures pour chaque type sont indiquées par l'analyse de Pareto.
Rapport de performance de l'inspecteur Au début de chaque quart de travail, le rapport de fabrication de l'inspecteur marque le point de départ. Ce rapport indique la longueur vérifiée et par quel opérateur les erreurs ont été commises. Les gestionnaires peuvent comparer plusieurs contrôleurs pour le même type de fabric sur une longue période. Ce type de rapport peut être utilisé par le responsable du contrôle qualité pour identifier les inspecteurs qui ont besoin de plus de formation pour chaque type et qui fonctionnent plus lentement que la moyenne. Qualimaster optimise la division des grosses boules en lots plus petits. Si le contrôle et la découpe se font en deux étapes distinctes, Qualimaster détermine le lieu de découpe du tissu à partir de la carte des défauts et des critères de notation. Selon les demandes des clients, la longueur minimale/maximale du tissu et les points d'erreur sont spécifiés.
Système de contrôle Elbit Vision I-Tex
Il peut détecter les erreurs à une vitesse de contrôle de 300 m/min. Tout d'abord, les emplacements de taille et de coordonnées de l'erreur sont déterminés et l'emplacement de l'erreur est enregistré sur la carte d'erreur, et l'image numérique de l'erreur est stockée. Le coût de ce système dépend de la vitesse de travail et de la largeur du tissu.
Éléments du système Loom-tex
• Tout en contrôle avec scanner vidéo
• Combiné avec un module d'éclairage double
• Processus créé pour chaque machine
• Pour la méthode de surveillance, l'ordinateur central peut travailler jusqu'à 390 cm de largeur de l'établi.
Types d'erreurs identifiables :
- Relâchement de la trame
- Double chaîne
- Erreur de rédaction
- Double écharpe
- Rupture de chaîne
- Piste de peigne
- Marques de posture
- Fin de chaîne
- Taches d'huile
- Trame dense-éparse
- Des trous
- Mauvais bord
- Rides
- Endroit épais
- Empilage de trame
Exploite le système de contrôle vidéo I-Tex 1000 ; détecte automatiquement les erreurs, les enregistre, les localise et les note ultérieurement. Ce système peut détecter même des erreurs de 0,5 mm. Les tissus denim, les tissus bruts et les tissus teints monochromes peuvent être contrôlés. Il peut être appliqué avec succès dans les domaines du non-tissé, du revêtement, de la toile de carbone, des matériaux composites, du laminage de métal, du plastique, du papier.
SYSTÈME DE CONTRÔLE USTER FABRICSCAN
Il utilise la dernière technologie de réseau neuronal. Selon le type de tissu et ses caractéristiques, des erreurs avec une vitesse de 90 m/min et une taille minimale de 0.3 mm peuvent être détectées. Il fonctionne dans la plage de largeur de tissu de 110 à 440 cm. Le système de classification des erreurs Uster Fabriclass identifie facilement les profils suivants. Selon la taille et la nature de l'erreur, les types d'erreur sont catégoriquement divisés en nombres et types. Selon des exigences spécifiques, des classes d'erreurs dérangeantes et non irritantes sont créées tout au long de la production. Les fonctions de position d'erreur, de mesure d'erreur et de type d'erreur sont utilisées dans la détection d'erreur. Les autres mesures prises sont la longueur et la largeur du tissu. Les tissus peuvent être bruts, finis (teints), unis, sergés et satinés. La classification des erreurs peut être effectuée de deux manières : Demerit Error Scoring et Uster Fabriclass. Un rapport de synthèse, un rapport de machine et un rapport de quart de travail peuvent être produits pour l'analyse des processus. Le système peut afficher l'image d'erreur.
Deux ou plusieurs types spéciaux de caméras vidéo CCD sont utilisés pour balayer le tissu, en fonction de la largeur du tissu. La première phase prend quelques minutes comme processus d'apprentissage. La taille et la localisation des erreurs sont enregistrées et divisées en trois classes :
1-Warp erreur
2 défauts de trame,
3-Défaut de surface) et son degré
détermine. Le système de classification des erreurs créé à l'aide de l'approche arborescente des caractéristiques comprend 100 types d'erreurs différents. Dans le traitement d'image, l'image numérisée par la caméra vidéo est convertie en une image numérique par le convertisseur analogique-numérique. Le réseau bidimensionnel peut être analysé à l'aide de techniques de traitement d'image pour révéler les erreurs. Chaque erreur est examinée à l'aide d'une combinaison d'algorithmes et de filtres de traitement d'image standard. Le type d'erreur peut être déterminé à l'aide d'une approche de définition numérique à partir de la classification des erreurs. Les techniques développées pour la détection d'erreurs sont très nombreuses et classées selon leur approche. Chaque erreur est enregistrée sous forme d'image. Il peut être visualisé dans une large mesure et peut être imprimé avec le rapport d'erreur. Le tissu est passé entre deux modules d'éclairage composites qui laissent passer la lumière réfléchie et transmise. Le choix du type d'éclairage dépend de la densité du tissu. Avec le contrôle d'un nouveau produit, la phase d'apprentissage, dans laquelle le système enregistre l'aspect normal du tissu et passe à la phase d'apprentissage interne, a lieu dans le premier mètre du tissu.La phase d'apprentissage interne dure environ 1 minute et doit être effectué pour chaque produit à l'avance. Toutes les parties d'un même bien peuvent être contrôlées avec la même norme. En résumé, on peut dire que le taux de détection d'erreurs augmentera avec les 3 mesures suivantes :
• Fonctionnement contrôlé avec résolution élevée de la caméra et opération d'imagerie rapide
• Un système basé sur un réseau de neurones et capable d'apprentissage pour détecter les défauts dans le tissu
• Une simple distinction des caractéristiques des défauts basée sur la différence de longueur et de couleur du défaut Le système d'inspection automatique des tissus de Zellweger Uster remplit les fonctions suivantes :
• Apprend les traits caractéristiques et certains défauts du tissu.
• Il détermine l'emplacement des défauts dans le tissu.
• Marquage. • Il l'enregistre, c'est-à-dire le mémorise. Il analyse et classe automatiquement les informations d'erreur.
RAPPORTS DE VÉRIFICATION DU SYSTÈME
Rapport standard
Outre la longueur et la largeur mesurées du tissu, il donne également des informations sur le nombre d'erreurs dans le rouleau de tissu et par 100 mètres. Selon la FABRICLASS et le type de défaut, la position exacte et la taille du défaut sont affichées, ainsi que la classification des défauts. Si une erreur s'avère particulièrement intéressante, il suffit d'un clic dessus pour afficher la forme exacte de l'erreur.
Rapport de position
Il donne une vue rapide du défaut dans le tissu. En particulier, la fréquence, la taille et la position du défaut peuvent être vues d'un simple coup d'œil. Outre le modèle d'erreurs, ce rapport et le rapport suivant contribuent à l'optimisation des processus.
Rapport de type d'erreur
L'utilisateur peut voir si un certain type d'erreur se produit trop souvent. De plus, la conception du rapport est conçue pour montrer si un type particulier d'erreur se produit à une fréquence supérieure à la fréquence moyenne du bien.
Rapport Fabriclass
Il donne des informations sur la fréquence des erreurs dans chaque classe. La liste montre les erreurs ennuyeuses et triviales par les différences de couleur et les longueurs. La fréquence des défauts non significatifs devient significative lorsque l'aspect typique du tissu augmente jusqu'à ce qu'il change.
leçontextile