직물결함 분류는 원단 품질관리에 있어 중요한 문제이다. 하지만, 다양한 결함의 종류를 영상으로 식별하기 어렵기 때문에 자동화가 어렵다. 따라서 직물결함 분류는 대부분 사람에게 의존하고 있다. 본 논문에서는, 이를 해결하기 위해 직물결함 분류 문제에 CNN을 적용한다. 또한 CNN의 학습을 보다 쉽게 하기 위하여, 사람이 영상에 결함 영역을 표시하는 방법을 제안한다. 본 논문에서는 제안방법과 원본영상에 대한 비교실험을 수행하여, 제안방법이 학습에 효과가 있다는 것을 확인하였다.
섬유산업에서 생산된 직물의 결함을 식별하는 것은 품질관리를 위한 핵심적인 절차이다. 본 연구는 직물의 이미지를 분석하여 결함을 검출하는 모델을 만들고자 하였다. 연구에 사용된 모델은 딥러닝 기반의 VGGNet 과 ResNet이었고, 두 모델의 결함 검출 성능을 비교하여 평가하였다. 정확도는 VGGNet 모델이 0.859, ResNet 모델이 0.893으로 ResNet 모델의 정확도가 더 높은 결과를 보여주었다. 추가적으로 딥러닝 모델이 직물의 이미지 내에서 결함으로 인식한 부분의 위치를 알아보기 위하여 XAI(eXplainable Artificial Intelligence)기법인 Grad-CAM 알고리즘을 사용하여 모델의 관심영역을 도출하였다. 그 결과 딥러닝 모델이 직물의 결함으로 인식한 부분이 육안으로도 실제 결함이 있는 것으로 확인되었다. 본 연구의 결과는 직물의 결함 검출에 있어서 딥러닝 기반의 인공지능을 활용함으로써 섬유의 생산과정에서 발생하는 시간과 비용을 줄일 수 있을 것으로 기대된다.
편성 및 제직 공정의 고속화와 사 품질에 대한 소비자의 요구가 점점 고급화되면서 사품질에 대한 평가 기준도 변화하고 있다. 사 품질을 평가하는 여러 가지 요인 중에서 사 잔털은 편성 및 제직 공정에서 직물결함을 발생시키고, 작업효율을 저하시키므로 이에 대한 관심이 높아지고 있는 추세이다[1,2], 따라서, 사 잔털과 원면특성 및 공정조건의 관계에 대한 연구 결과가 보고되고 있다[3-9]. (중략)
섬유 코팅제로 널리 쓰이고 있는 액상 PVC는 여러 가지 특성 중 무광택 효과가 뛰어나지만 코팅된 섬유 표면의 유연성이 감소된다. 이런 결함을 대체할 수 코팅 물질로 Elastomer계열의 액상 실리콘 고무를 사용했다. 기존 액상 PVC공정과 동일하게 진행했으며, 로울러의 압축력과 공정상의 예비경화를 이용했다. 실험 결과 액상 PVC로 코팅된 직물의 경도는 70E, 인장강도는 10.3 MPa, 신율은 200%로 측정되었다. 액상 실리콘 고무로 코팅된 직물의 경도는 40도, 인장강도는 5.1 MPa, 신율은 460%,였다. 따라서 액상 실리콘 고무 코팅은 3차 가공 없이 액상 PVC 코팅보다 플라스틱 직물 표면의 무광택성과 유연성을 증가시켰다.
The use of advanced composite materials has grown in recent years in aerospace and other structures. Out of various kinds of repairing methods the one selecteh for this study is an idealized case which simulates a situation where a damaged laminate has been repaired by drilling a hole and therefter plugging the hole with reinforcement. Two typesof reinforcement are investigated ;adhesively bonged plug reinforcement or snug-fit unbonded plug in the hole. For each case of reinforcement, four different sizes of hole diameter and three types of reinforcing material(steel, aluminum, plexiglass) are employed for investigation. The experiment are mainloy forced on the evaluation of ultimate strength of laminate with reinforced hole in comparison to its counterpart with the open hole.
The defects occurred in knitted fabrics have several types due to some trouble sources. In particular, the defects caused by knitting machine troubles give a serious damage to the whole webs. It is, therefore, necessary to discriminate the kind of defects. The method to discriminate the type and size of defects has been proposed, which is used a pair of narrow band eliminating spatial filters. This method is based upon an isotropic signal processing in time domain. This paper is to confirm that the proposed method can be useful in the discrimination of defects, having analyzed in spatial frequency domain.
This paper describes an automatic visual inspection system for fabric defects based on pattern recognition techniques. The inspection for fabric defects can be separated into three sequences of operations which are the detection of fabric defects[1], the classification of figures of fabric defects, and the classification of fabric defects. Comparing projections of defect-detected images with the predefined complex, the classification accuracy of figures of fabric defects was found to be 95.3 percent. Employing the Bayes classifier using cluster shade in SGLDM and variance in decorrelation method as features, the classification accuracy of regional figure defects was found to be 82.4 percent. Finally, some experimental results for line and dispersed figures of fabric defects are included.
Purpose In the textile industry, fabric defects significantly impact product quality and consumer satisfaction. This research seeks to enhance defect detection by developing a transformer-based deep learning image segmentation model for learning high-dimensional image features, overcoming the limitations of traditional image classification methods. Design/methodology/approach This study utilizes the ZJU-Leaper dataset to develop a model for detecting defects in fabrics. The ZJU-Leaper dataset includes defects such as presses, stains, warps, and scratches across various fabric patterns. The dataset was built using the defect labeling and image files from ZJU-Leaper, and experiments were conducted with deep learning image segmentation models including Deeplabv3, SegformerB0, SegformerB1, and Dinov2. Findings The experimental results of this study indicate that the SegformerB1 model achieved the highest performance with an mIOU of 83.61% and a Pixel F1 Score of 81.84%. The SegformerB1 model excelled in sensitivity for detecting fabric defect areas compared to other models. Detailed analysis of its inferences showed accurate predictions of diverse defects, such as stains and fine scratches, within intricated fabric designs.
이 실험은 견직물의 결함인 방추효과를 좋게 하기 위하여 견포에 Formaldehyde를 작용 시켰으며 이때 사용되는 $CH_3$COOH, CaC$_2$, HCHO, $Na_2$CO$_3$, NH$_4$OH, NaOH, NaHCO$_3$양과 반응액의 온도 및 시간의 변경에 따라 달라지는 견포의 W.R 효과를 측정하였다. 그리고 면과 Viscose rayon 포도 견포와 동시에 처리하여 비교시험 하므로서 가장 효율적인 견포의 주름저항성 개선조건을 모색한 결과 아래와 같은 결론에 도달했다. (1) 각 직포의 W.R 효과를 향상시킬 수 있는 최적의 온도는 견이 75$^{\circ}C$, 면이 35~43$^{\circ}C$이며 Viscose rayon포의 작용은 75$^{\circ}C$이하에서는 온도와 상관성이 없다. (2) 최적의 반응온도 처리로 인하여 견은 처리전보다 11.0%, 면은 33.4%의 W.R 효과를 향상시킬 수 있었다. (3) 견.면 및 Viscose rayon 포의 W.R 효과는 직물에 따라 최적의 반응시간이 존재한다. 즉 HAC Hydride를 사용한 최적 견은 60~90분, 면은 120분, Viscose rayon은 90분이었으며 HAC Anhydride를 사용한 경과 견은 60분, 면은 120분, 그리고 Viicose rayon은 40분이었다. (4) 최적의 반은시간에 의하여 견은 16.6%, 면은 25.0% 그리고 Viscose rayon은 13.3%의 W.R 효과를 향상 시킬 수 있었다. (5) 견과 Viscose rayon 포의 W.R 효과는 HAC Hydride를 사용하는 것 보다 Anhydride를 사용하는 것이 더욱 효과적이었다. (6) 반응정도에 있어서는 HAC Hydride를 사용하는 것 보다 HAC Anhydride를 사용하는 것이 더욱 빨랐다. (7) HCHO의 양에 의한 W.R 효과를 보면 건은 HCHO의 양이 10~14m1 때가, 면은 18m1 대가 그리고 Viscose rayon 포는 14~18m1 때가 가장 좋았으며 이때 견은 처리전 보다 8.3%, 면포는 21.5% 그리고 Viscose rayon 포는 7.0%의 W.R 효과를 얻을 수 있었다. (8) 최대의 W.R 효과를 위한 최적의 HCl 사용량은 견과 면포가 모두 14m1이며 견은 처리전 보다 22.2%, 면은 19.5%의 W.R 효과가 향상되었다. (9) 중화제로서 NaHCO$_3$ 4.2gr을 넣었을 때 견의 W.R는 83.3%, 면포는 61.1%로 가장 W.R 효과가 좋았다. 그러나 NaHCO$_3$를 더 이상 첨가하는데 따라 W.R 효과는 견.면포 모두 저하하였다. (10) 중화제로서 NaOH와 NH$_4$OH를 첨가하는 경과 첨가량이 증가하는데 따라 W.R 효과도 저하하나 첨가량이 어느 한계점(견 3.3ml, 면 3.3~6ml)을 지나 더욱 증가하면 W.R 효과도 다시 양호하여지는 현상을 볼 수 있었다. 이와같은 경향은 특히 견과 면포에서 현저하였으며, 이 결과로 보아 견과 면포는 반응액의 (H$^{+}$)을 전부 중화시키고 남은 NaOH와 NH$_4$OH의 잔여(H$^{-}$)에서도 Formaldehyde와 작용할 수 있지 않는가 추측된다. (11) 견포는 Curing온도가 비교적 낮을 때 W.R 효과가 좋았고 면포는 높을 때 좋았다. (12) 이 실험의 결과 견포의 W.R를 94%RK지 (처리전보다 22% 증가)향상시킬 수 있었다는 점으로 보아 앞으로 견포의 W&W 성을 개선할 수 있는 가능성을 충분히 보여주고 있다.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.