I. بازرسی بصری مقدماتی (قضاوت کیفی)
تحت یک منبع نور استاندارد (به عنوان مثال، منبع نور روز D65):
پارچه رنگ شده و پارچه نمونه استاندارد را در کنار هم قرار دهید، آنها را در یک راستا و نزدیک به هم نگه دارید.
از فاصله 30 تا 50 سانتی متری به صورت بصری با تمرکز روی موارد زیر مشاهده کنید:
پایان-تا-تفاوت رنگ انتهایی: بررسی کنید که آیا عمق رنگ بین ابتدا و انتهای رول پارچه سازگار است یا خیر.
تفاوت رنگ از لبه به
تفاوت رنگ جلو-به-پشت (طرف سایه و روشن): پارچه را برگردانید و مشخص کنید که رنگهای هر دو طرف یکسان هستند یا خیر.
دستهای-به-تفاوت رنگ دستهای: انحرافات قابل توجه در یک رنگ را در دستههای رنگ یا عمق رنگهای مختلف بررسی کنید.
⚠️ توجه: از قضاوت در زیر نور معمولی یا نور مستقیم خورشید برای جلوگیری از تداخل و قضاوت نادرست خودداری کنید.
II. اندازه گیری ابزار دقیق (قضاوت کمی)
از اسپکتروفتومتر برای تعیین کمیت رنگ به صورت علمی استفاده کنید و مقدار ΔE (تفاوت رنگ کل) را برای تشخیص عینی و قابل ردیابی تولید کنید.
مکان اندازهگیری: از روش نمونهگیری پنج نقطهای-پنج نقطه در سمت چپ، مرکز، راست و هر دو انتهای پارچه استفاده میشود.
معیارهای قضاوت ارزش ΔE:
ΔE < 1: بصری تقریباً هیچ تفاوتی وجود ندارد، قابل قبول است.
1 کمتر یا مساوی ΔE < 2: تفاوت جزئی، به طور کلی قابل قبول است.
2 کمتر یا مساوی ΔE < 3.5: تفاوت قابل توجه، تایید مشتری برای انتشار لازم است.
ΔE بزرگتر یا مساوی 3.5: تفاوت رنگ قابل توجه، باید غیرقابل قبول تلقی شود و دوباره کار شود.
مثال: دسته ای از پارچه پلی استر با اندازه گیری ΔE=4.0. اگرچه استاندارد ضایعات را برآورده نمی کرد، اما از محدوده تحمل یک مشتری نهایی- بالا فراتر رفت. درمان رنگرزی تسطیح اضافی توصیه می شود.
III. مقایسه روش رتبه بندی مقیاس خاکستری (استاندارد صنعتی) بر اساس GB250-1995 "مقیاس خاکستری برای ارزیابی تغییر رنگ" انجام می شود:
نمونه پارچه ای که باید آزمایش شود در کنار مقیاس خاکستری زیر یک منبع نور استاندارد قرار می گیرد.
دو یا چند بازرس به طور مستقل نمونه را نمره می دهند و میانگین نمره گرفته می شود.
درجه 4 یا بالاتر 合格 (واجد شرایط) در نظر گرفته می شود، و درجه زیر 4 تفاوت رنگ قابل توجهی در نظر گرفته می شود.
IV. مانیتورینگ پویا آنلاین (روند هوشمند) یک سیستم حسگر بینایی چندطیفی معرفی شده است که میتواند نقصهای تفاوت رنگ را در زمان واقعی با دقت 99.3% شناسایی کند و از آلارمهای خودکار و ضبط داده پشتیبانی کند.
همراه با الگوریتم های هوش مصنوعی برای پیش بینی انحرافات رنگرزی، پارامترهای فرآیند می توانند از قبل برای بهبود پایداری دسته ای مداخله شوند.
