Pratique d'application de la caméra hyperspectrale CHNSpec FS-13 dans la détection des défauts du cuir

Dans le processus de production et de contrôle qualité du cuir, des défauts subtils tels que des fuites de colle et des rayures affectent directement la qualité du produit et sa valeur marchande. L'inspection visuelle manuelle traditionnelle est facilement affectée par le jugement subjectif et la fatigue, entraînant des problèmes tels qu'une faible efficacité, des normes incohérentes et des inspections manquées fréquentes. Les équipements de test optique conventionnels s'appuient principalement sur des informations morphologiques spatiales et ont une capacité limitée à identifier les différences optiques causées par des changements microscopiques dans les matériaux, ce qui rend difficile la satisfaction des besoins d'inspection de qualité raffinée.

La technologie d'imagerie hyperspectrale peut obtenir simultanément l'image spatiale et des informations spectrales continues de la cible, chaque pixel correspondant à une courbe spectrale complète à haute résolution. Puisqu'il existe des différences de composition et de structure de surface entre les zones de défauts du cuir et les zones normales, les spectres de réflexion et les paramètres colorimétriques des deux forment des différences quantifiables dans des bandes spécifiques, fournissant ainsi un support de données pour une identification objective et stable des défauts.

I. Schéma expérimental et configuration de l'équipement

Dans ce cas, leCaméra hyperspectrale CHNSpec FS-13a été utilisé pour effectuer la vérification de la détection des défauts du cuir. L'équipement et le paramétrage ont été adaptés aux caractéristiques des échantillons de cuir :

• Plage spectrale : 400 à 1 000 nm
• Résolution spectrale : 2,5 nm
• Mode de fonctionnement : numérisation externe par balai
• Paramètres clés : temps d'exposition 200 μs, vitesse de mouvement du moteur 30 mm/s
• Échantillon : échantillons de cuir présentant des défauts de fuite de colle
• Objectif de détection : extraire et distinguer les caractéristiques spectrales et colorimétriques des zones défectueuses et des zones normales, et compléter la localisation et la présentation visuelle des défauts.

II. Processus de détection et traitement des données

1. Acquisition de données : numérisation de toute la surface du cuir en mode balai, collecte simultanée de données spectrales pleine bande et de paramètres colorimétriques tels que L, a, b, X, Y, Z pour chaque pixel. Les courbes de réflectance sont générées en temps réel, formant un ensemble de données intégré « spatial + spectral ».

2. Prétraitement et analyse des données : effectuer l'étalonnage et la réduction du bruit sur les données brutes, en se concentrant sur la comparaison de la morphologie des courbes de réflectance entre les zones de défauts et les zones normales, en quantifiant les différences de paramètres colorimétriques, en extrayant les caractéristiques optiques qui peuvent être utilisées pour distinguer les défauts et en établissant une base d'identification stable.

III. Effets d'application et performances mesurées

1. Différences claires des caractéristiques spectrales : dans la bande de 400 à 1 000 nm, les courbes de réflectance de la zone de fuite de colle et de la zone normale montrent des différences quantifiables de forme d'onde dans les valeurs de crête, les pentes et les positions de longueur d'onde caractéristiques, fournissant une base objective pour la détermination des défauts.

2. Bonne discrimination des paramètres colorimétriques : en prenant comme exemple les conditions d'observation standard D65/10°, il existe des différences significatives en L, a, b et d'autres valeurs entre la zone de fuite de colle et la zone normale, permettant une discrimination rapide des défauts grâce à des seuils numériques.

3. Localisation précise et traçable des défauts : en combinant des images spatiales avec des caractéristiques spectrales, la plage de distribution et les limites des défauts peuvent être verrouillées avec précision. Les résultats de détection visuelle et les données quantifiées sont générés, ce qui rend le processus de détection reproductible et les résultats traçables, ce qui facilite le contrôle qualité et l'optimisation du processus.