തുണിത്തരങ്ങളിൽ അടങ്ങിയിരിക്കുന്ന നാരിന്റെ തരവും ശതമാനവും തുണിത്തരങ്ങളുടെ ഗുണനിലവാരത്തെ ബാധിക്കുന്ന പ്രധാന ഘടകങ്ങളാണ്, കൂടാതെ വസ്ത്രങ്ങൾ വാങ്ങുമ്പോൾ ഉപഭോക്താക്കൾ ശ്രദ്ധിക്കുന്നതും ഇവയാണ്. ലോകത്തിലെ എല്ലാ രാജ്യങ്ങളിലെയും ടെക്സ്റ്റൈൽ ലേബലുകളുമായി ബന്ധപ്പെട്ട നിയമങ്ങൾ, ചട്ടങ്ങൾ, സ്റ്റാൻഡേർഡൈസേഷൻ രേഖകൾ എന്നിവ മിക്കവാറും എല്ലാ ടെക്സ്റ്റൈൽ ലേബലുകളിലും നാരുകളുടെ ഉള്ളടക്ക വിവരങ്ങൾ സൂചിപ്പിക്കേണ്ടതുണ്ട്. അതിനാൽ, തുണിത്തരങ്ങളുടെ അളവ് തുണി പരിശോധനയിൽ ഒരു പ്രധാന ഇനമാണ്.

നിലവിലുള്ള ലബോറട്ടറിയിലെ ഫൈബർ ഉള്ളടക്കം നിർണ്ണയിക്കുന്നതിനെ ഭൗതിക രീതികളായും രാസ രീതികളായും തിരിക്കാം. ഫൈബർ മൈക്രോസ്കോപ്പ് ക്രോസ്-സെക്ഷണൽ മെഷർമെന്റ് രീതി സാധാരണയായി ഉപയോഗിക്കുന്ന ഒരു ഭൗതിക രീതിയാണ്, അതിൽ മൂന്ന് ഘട്ടങ്ങളുണ്ട്: ഫൈബർ ക്രോസ്-സെക്ഷണൽ ഏരിയ അളക്കൽ, ഫൈബർ വ്യാസം അളക്കൽ, നാരുകളുടെ എണ്ണം നിർണ്ണയിക്കൽ. മൈക്രോസ്കോപ്പിലൂടെ ദൃശ്യ തിരിച്ചറിയലിനായി ഈ രീതി പ്രധാനമായും ഉപയോഗിക്കുന്നു, കൂടാതെ സമയമെടുക്കുന്നതും ഉയർന്ന തൊഴിൽ ചെലവും ഇതിന്റെ സവിശേഷതകളാണ്. മാനുവൽ ഡിറ്റക്ഷൻ രീതികളുടെ പോരായ്മകൾ ലക്ഷ്യമിട്ട്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) ഓട്ടോമേറ്റഡ് ഡിറ്റക്ഷൻ സാങ്കേതികവിദ്യ ഉയർന്നുവന്നിട്ടുണ്ട്.

AI ഓട്ടോമേറ്റഡ് ഡിറ്റക്ഷന്റെ അടിസ്ഥാന തത്വങ്ങൾ

(1) ലക്ഷ്യ മേഖലയിലെ ഫൈബർ ക്രോസ്-സെക്ഷനുകൾ കണ്ടെത്താൻ ലക്ഷ്യ കണ്ടെത്തൽ ഉപയോഗിക്കുക.

(2) ഒരു മാസ്ക് മാപ്പ് സൃഷ്ടിക്കുന്നതിന് ഒരൊറ്റ ഫൈബർ ക്രോസ് സെക്ഷൻ സെഗ്മെന്റ് ചെയ്യുന്നതിന് സെമാന്റിക് സെഗ്മെന്റേഷൻ ഉപയോഗിക്കുക.

(3) മാസ്ക് മാപ്പ് അടിസ്ഥാനമാക്കി ക്രോസ്-സെക്ഷണൽ ഏരിയ കണക്കാക്കുക.

(4) ഓരോ ഫൈബറിന്റെയും ശരാശരി ക്രോസ്-സെക്ഷണൽ ഏരിയ കണക്കാക്കുക

പരീക്ഷണ സാമ്പിൾ

കോട്ടൺ ഫൈബറും വിവിധ പുനരുജ്ജീവിപ്പിച്ച സെല്ലുലോസ് ഫൈബറുകളും ചേർന്ന മിശ്രിത ഉൽപ്പന്നങ്ങൾ കണ്ടെത്തുന്നത് ഈ രീതിയുടെ പ്രയോഗത്തിന്റെ ഒരു സാധാരണ പ്രതിനിധിയാണ്. 10 കോട്ടൺ, വിസ്കോസ് ഫൈബർ മിശ്രിത തുണിത്തരങ്ങളും കോട്ടൺ, മോഡൽ മിശ്രിത തുണിത്തരങ്ങളും പരീക്ഷണ സാമ്പിളുകളായി തിരഞ്ഞെടുത്തു.

കണ്ടെത്തൽ രീതി

തയ്യാറാക്കിയ ക്രോസ്-സെക്ഷൻ സാമ്പിൾ AI ക്രോസ്-സെക്ഷൻ ഓട്ടോമാറ്റിക് ടെസ്റ്ററിന്റെ സ്റ്റേജിൽ സ്ഥാപിക്കുക, ഉചിതമായ മാഗ്നിഫിക്കേഷൻ ക്രമീകരിക്കുക, പ്രോഗ്രാം ബട്ടൺ ആരംഭിക്കുക.

ഫല വിശകലനം

(1) ചതുരാകൃതിയിലുള്ള ഫ്രെയിം വരയ്ക്കുന്നതിന് ഫൈബർ ക്രോസ് സെക്ഷന്റെ ചിത്രത്തിൽ വ്യക്തവും തുടർച്ചയായതുമായ ഒരു ഭാഗം തിരഞ്ഞെടുക്കുക.

(2) വ്യക്തമായ ചതുരാകൃതിയിലുള്ള ഫ്രെയിമിലെ തിരഞ്ഞെടുത്ത നാരുകൾ AI മോഡലിലേക്ക് സജ്ജമാക്കുക, തുടർന്ന് ഓരോ ഫൈബർ ക്രോസ് സെക്ഷനും മുൻകൂട്ടി തരംതിരിക്കുക.

(3) ഫൈബർ ക്രോസ്-സെക്ഷന്റെ ആകൃതി അനുസരിച്ച് നാരുകളെ മുൻകൂട്ടി തരംതിരിച്ച ശേഷം, ഓരോ ഫൈബർ ക്രോസ്-സെക്ഷന്റെയും ചിത്രത്തിന്റെ കോണ്ടൂർ വേർതിരിച്ചെടുക്കാൻ ഇമേജ് പ്രോസസ്സിംഗ് സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നു.

(4) അന്തിമ ഇഫക്റ്റ് ഇമേജ് രൂപപ്പെടുത്തുന്നതിന് ഫൈബർ ഔട്ട്‌ലൈൻ യഥാർത്ഥ ഇമേജിലേക്ക് മാപ്പ് ചെയ്യുക.

(5) ഓരോ നാരിന്റെയും ഉള്ളടക്കം കണക്കാക്കുക.

Cഉൾപ്പെടുത്തൽ

10 വ്യത്യസ്ത സാമ്പിളുകൾക്ക്, AI ക്രോസ്-സെക്ഷൻ ഓട്ടോമാറ്റിക് ടെസ്റ്റ് രീതിയുടെ ഫലങ്ങൾ പരമ്പരാഗത മാനുവൽ ടെസ്റ്റുമായി താരതമ്യം ചെയ്യുന്നു. കേവല പിശക് ചെറുതാണ്, പരമാവധി പിശക് 3% കവിയരുത്. ഇത് സ്റ്റാൻഡേർഡിന് അനുസൃതമാണ് കൂടാതെ വളരെ ഉയർന്ന തിരിച്ചറിയൽ നിരക്കും ഉണ്ട്. കൂടാതെ, ടെസ്റ്റ് സമയത്തിന്റെ കാര്യത്തിൽ, പരമ്പരാഗത മാനുവൽ ടെസ്റ്റിംഗിൽ, ഒരു സാമ്പിളിന്റെ പരിശോധന പൂർത്തിയാക്കാൻ ഇൻസ്പെക്ടർക്ക് 50 മിനിറ്റ് എടുക്കും, കൂടാതെ AI ക്രോസ്-സെക്ഷൻ ഓട്ടോമാറ്റിക് ടെസ്റ്റ് രീതി ഉപയോഗിച്ച് ഒരു സാമ്പിൾ കണ്ടെത്താൻ 5 മിനിറ്റ് മാത്രമേ എടുക്കൂ, ഇത് കണ്ടെത്തൽ കാര്യക്ഷമതയെ വളരെയധികം മെച്ചപ്പെടുത്തുകയും മനുഷ്യശക്തിയും സമയ ചെലവും ലാഭിക്കുകയും ചെയ്യുന്നു.

ഈ ലേഖനം വെച്ചാറ്റ് സബ്സ്ക്രിപ്ഷൻ ടെക്സ്റ്റൈൽ മെഷിനറിയിൽ നിന്ന് എടുത്തതാണ്.