أنشئ نظام فحص بصري قائمًا على الكاميرات دون خبرة في الذكاء الاصطناعي

يمر كل منتج نستخدمه، سواء أكان هاتفًا أم سلعة معبأة أم قطعة سيارة، بنوع من فحص الجودة قبل أن يصل إلينا، نحن المستهلكين النهائيين. وكان ذلك يُجرى تقليديًا عبر الفحوصات اليدوية أو الأنظمة البسيطة القائمة على القواعد. وعلى الرغم من فعالية هذه الأساليب، فإنها غالبًا ما تكون بطيئة وغير متسقة ويصعب توسيع نطاقها مع زيادة الإنتاج.

لتحسين عملية فحص الجودة، تتجه صناعات كثيرة إلى الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يساعد الآلات على فهم الصور ومقاطع الفيديو. فعلى سبيل المثال، يمكن لنماذج الذكاء الاصطناعي البصري مثل Ultralytics YOLO26 المساعدة في كشف العيوب وتصنيفها وتحديد مواقعها بدرجة عالية من الدقة.

في بيئات الإنتاج الفعلية، يمكن استخدام هذه النماذج لتحليل الصور الملتقطة مباشرةً من خطوط التجميع عالية السرعة. ومع انتقال المنتجات بين المراحل المختلفة، تتعقبها الكاميرات الصناعية ويتحقق النظام من مشكلات مثل الخدوش أو الأجزاء المفقودة أو عدم المحاذاة. وهذا يجعل كشف العيوب أسرع وأكثر اتساقًا، مع دعم الفحص ذي الإنتاجية العالية.

في الماضي، كان إنشاء هذه الأنظمة يتطلب أدوات متعددة وخبرة تقنية كبيرة، ما جعل العملية معقدة وتستغرق وقتًا طويلًا. وتبسّط منصة Ultralytics، حلّنا الجديد المتكامل للرؤية الحاسوبية، هذه العملية عبر جمع إعداد البيانات ووسمها وتدريب النماذج ونشرها في مكان واحد.

في هذا المقال، سنستكشف كيفية استخدام منصة Ultralytics لبناء أنظمة عملية لفحص الرؤية تعتمد على الكاميرات، دون الحاجة إلى خبرة متعمقة في الذكاء الاصطناعي. لنبدأ!

دور الرؤية الحاسوبية في مراقبة الجودة#

قبل أن نتعمق في كيفية تسهيل منصة Ultralytics إنشاء أنظمة الفحص، لنتوقف قليلًا لفهم دور الرؤية الحاسوبية في فحص الجودة.

يُعد الفحص جزءًا أساسيًا من عملية التصنيع، إذ يضمن استيفاء المنتجات معايير الجودة وخلوها من العيوب. ومع ذلك، قد تتفاوت النتائج، لا سيما خلال نوبات العمل الطويلة أو فترات الإنتاج بكميات كبيرة.

لجعل الفحص أكثر موثوقية، تستخدم صناعات كثيرة الرؤية الحاسوبية، المعروفة أيضًا باسم الرؤية الآلية، لتحليل صور خط الإنتاج وتحديد العيوب. وتستخدم هذه الأنظمة التعلم العميق، حيث تتعلم النماذج والخوارزميات الأنماط من مجموعات كبيرة من الصور عالية الجودة والموسومة.

أثناء تدريب النموذج، تُعرض عليه أمثلة لمنتجات سليمة وأنواع مختلفة من العيوب. ومع مرور الوقت، يتعلم التعرف على هذه الأنماط بنفسه. وبعد التدريب، يستطيع النموذج فحص كميات كبيرة من المنتجات وتطبيق المعايير نفسها باستمرار، ما يحسن الدقة.

مهام الرؤية الحاسوبية الشائعة المستخدمة في فحص الجودة#

تتيح نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، تطبيقات الرؤية الآلية التي تدعم أنواعًا مختلفة من مهام الرؤية. فيما يلي نظرة عامة على كيفية استخدام مهام الذكاء الاصطناعي البصري هذه في عمليات الفحص المؤتمتة:

• تصنيف الصور: تُستخدم هذه المهمة لإسناد تسمية واحدة إلى الصورة كاملة، مثل «سليم» أو «معيب». وهي تقدم تقييمًا عامًا لجودة المنتج دون تحديد موقع العيوب.
• كشف الكائنات: يساعد على تحديد العيوب داخل الصورة وتحديد مواقعها باستخدام مربعات إحاطة. وهذا يتيح كشف مشكلات مثل الشقوق والخدوش والمكونات المفقودة وتحديد مواقعها.
• تقسيم الكائنات: يتجاوز هذا الأسلوب كشف الكائنات خطوةً، إذ يتنبأ بأقنعة على مستوى البكسل لكل عيب مكتشف. ويدعم ذلك التحليل الدقيق لشكل العيوب وحجمها وحدودها.
• تتبّع الكائنات: عند تتبّع المنتجات عبر إطارات متعددة، يتابع هذا الأسلوب العناصر أثناء انتقالها على خط الإنتاج. ويحافظ ذلك على الاتساق ويضمن عدم إغفال العيوب.
• كشف مربعات الإحاطة الموجّهة (OBB): تكشف هذه المهمة عن الكائنات باستخدام مربعات إحاطة مدوّرة بدلًا من المربعات المحاذية للمحاور. وتفيد على نحو خاص عندما تظهر العيوب أو المكونات بزوايا مختلفة، ما يتيح تحديد مواقعها بدقة أكبر.

نظرة على تطبيقات فحص الجودة في مختلف الصناعات#

تُستخدم الرؤية الحاسوبية على نطاق واسع في مختلف الصناعات للحفاظ على جودة المنتجات واستيفاء المعايير وتقليل الحاجة إلى الفحص اليدوي. وهي تؤدي وظائف أساسية مثل كشف العيوب وتصنيفها والتعرف على الكائنات وقياسها وكشف الحالات الشاذة.

الشكل 1. مثال على كشف المنتجات وتتبعها باستخدام أنظمة الرؤية الآلية (المصدر)

فيما يلي بعض الأمثلة على حالات استخدام واقعية:

• التصنيع: يُستخدم كشف عيوب السطح لتحديد مشكلات مثل الخدوش والانبعاجات والشقوق وتغير اللون، وذلك عبر تحليل صور المنتجات على خط الإنتاج للكشف الفوري عن العيوب. كما يمكنه كشف الأجزاء المفقودة أو أخطاء التجميع في الوقت الفعلي، ما يدعم الفحص المستمر.
• السيارات: تحلل أنظمة الرؤية الحاسوبية أجزاء المحرك وألواح الهيكل للتحقق من المحاذاة وكشف التلف. وتكون هذه الأنظمة مؤثرة على نحو خاص عند فحص الأشكال المعقدة والمناطق التي يصعب الوصول إليها، وغالبًا ما تعمل إلى جانب الأنظمة الروبوتية لتحديد المواقع بدقة وإجراء الفحص المؤتمت.
• الإلكترونيات وأشباه الموصلات: تكشف هذه الأنظمة العيوب الصغيرة في المكونات مثل لوحات الدوائر المطبوعة (PCBs)، بما فيها مشكلات اللحام والشقوق الدقيقة والدوائر المتضررة. وبفضل تحليل الصور عالية الدقة، يمكن كشف عيوب دقيقة جدًا كثيرًا ما تفوت الفحص اليدوي.
• التغليف والخدمات اللوجستية: تنفذ الأنظمة البصرية مسح الرموز الشريطية، وتقرأ ملصقات المنتجات، وتتحقق من جودة التغليف. وهي تضمن تعبئة المنتجات وإغلاقها على نحو سليم وجاهزيتها للشحن، ما يقلل الأخطاء.
• الأغذية والمشروبات: تحلل أنظمة الفحص المدعومة بكاميرات الرؤية أو مستشعراتها مظهر المنتجات لتحديد مشكلات مثل الإغلاق غير السليم أو مخاطر التلوث أو الملصقات غير الصحيحة أو الاختلافات البصرية، ما يساعد في الحفاظ على الجودة والسلامة.
• الأدوية: تُستخدم الرؤية الحاسوبية لفحص الأقراص والقوارير والتغليف بحثًا عن عيوب مثل الشقوق والتلوث والملصقات غير الصحيحة أو عدم اتساق مستويات التعبئة، ما يضمن الامتثال للمعايير التنظيمية الصارمة ويحافظ على سلامة المنتجات.

تبسيط عمليات الفحص البصري باستخدام منصة Ultralytics#

لنتصور خط تصنيع تنتقل فيه المنتجات عبر مراحل مختلفة، فيما تلتقط الكاميرات الصور باستمرار لأغراض الفحص. وتُستخدم هذه الصور للتحقق من وجود عيوب مثل الخدوش أو الأجزاء المفقودة أو عدم المحاذاة.

حتى الآن، كان إنشاء أنظمة الفحص هذه وإدارتها يتطلب أدوات متعددة وقدرًا لا بأس به من الخبرة التقنية.

في الواقع، تلقينا في Ultralytics ملاحظات متكررة من مجتمع الذكاء الاصطناعي البصري حول تجزؤ هذه العملية واستغراقها وقتًا طويلًا، وتشمل أبرز العقبات تشتت الأدوات، وتعقيد إعداد البيئات، وعدم كفاءة عمليات وسم البيانات، وتأخر تدريب النماذج، وصعوبات النشر. وقد أسهمت هذه الملاحظات بدور رئيسي في تشكيل منصة Ultralytics.

الشكل 2. لمحة عن منصة Ultralytics (المصدر)

باستخدام منصة Ultralytics، يمكن تنفيذ عملية التطوير والنشر بأكملها في مكان واحد. ويمكن تحميل البيانات الأولية ووسمها لإنشاء مجموعات بيانات التدريب، ثم استخدامها لتدريب النماذج على كشف العيوب. وبعد التدريب، يمكن نشر هذه النماذج لتحليل صور جديدة من خط الإنتاج، مع أدوات مدمجة لمراقبة الأداء بمرور الوقت.

إلى جانب جمع سير العمل بأكمله في مكان واحد، صُممت منصة Ultralytics لتكون سهلة الاستخدام. ويمكن حتى للمستخدمين ذوي الخبرة المحدودة في التعلم الآلي الانتقال سريعًا من الفكرة إلى الإنتاج.

استخدام منصة Ultralytics لوسم العيوب في الصور#

بعد أن رأينا كيف تجمع منصة Ultralytics خطوات سير العمل، فلنستعرض كيفية استخدامها في كل مرحلة من مراحل مسار الذكاء الاصطناعي البصري، بدءًا بتحميل البيانات ووسم العيوب.

إدارة مجموعات بيانات الفحص على منصة Ultralytics#

تتمثل الخطوة الأولى في إدخال البيانات إلى المنصة. يمكنك تحميل الصور أو مقاطع الفيديو أو أرشيفات مجموعات البيانات، مثل ملفات ZIP أو TAR أو GZ. كما تدعم المنصة تنسيقات مجموعات البيانات الشائعة مثل YOLO وCOCO، لذا يمكن استيراد مجموعات البيانات الحالية دون خطوات إضافية.

يمكنك أيضًا البدء بسرعة أكبر باستخدام مجموعات البيانات التي يشاركها المجتمع. ويمكن استكشاف هذه المجموعات واستنساخها إلى مساحة عملك، ما يتيح لك البناء على البيانات المتاحة بدلًا من البدء من الصفر. وبعد استنساخها، يمكنك تحديثها وتوسيعها لتناسب حالة الاستخدام الخاصة بك.

إذا كنت تعمل على تجارب متعددة، فيمكن إعادة استخدام مجموعات البيانات باستيرادها كملفات NDJSON، ما يسهل إعادة إنشائها أو مشاركتها دون تحويل إضافي.

بعد تحميل البيانات، تُعدّها المنصة تلقائيًا. فهي تتحقق من تنسيقات الملفات، وتعالج التعليقات التوضيحية، وتغيّر حجم الصور عند الحاجة، وتنشئ إحصاءات أساسية لمجموعة البيانات. وتُقسّم مقاطع الفيديو إلى إطارات لاستخدامها في التدريب، كما تُحسّن الصور لتسهيل تصفحها وتحليلها.

وسم البيانات باستخدام منصة Ultralytics#

بعد تجهيز البيانات، تتمثل الخطوة التالية في وسم البيانات. وفي هذه المرحلة، تُوسم العيوب كي يتعلم النموذج ما ينبغي كشفه. وتتضمن منصة Ultralytics محررًا مدمجًا للوسم يدعم مهامًا مثل كشف الكائنات وتقسيم الكائنات وتصنيف الصور وتقدير الوضعية وكشف مربعات الإحاطة الموجّهة.

يمكنك وسم البيانات يدويًا باستخدام أدوات مثل مربعات الإحاطة أو المضلعات أو النقاط المفتاحية، بحسب حالة الاستخدام. ولتسريع العمل، توفر المنصة أيضًا وسمًا بمساعدة الذكاء الاصطناعي.

فعلى سبيل المثال، يتيح الوسم الذكي المستند إلى SAM وسم الكائنات باستخدام نقرات بسيطة. ومن خلال تحديد المناطق المطلوب تضمينها أو استبعادها، ينشئ النظام قناعًا في الوقت الفعلي، ويمكن تعديله عند الحاجة.

الشكل 3. وسم ذكي مدعوم بـ SAM داخل منصة Ultralytics (المصدر)

بالإضافة إلى ذلك، يمكن للوسم الذكي المستند إلى YOLO إنشاء التسميات تلقائيًا باستخدام تنبؤات النموذج. ويمكن مراجعة هذه التسميات وتحسينها، ما يسهل التعامل مع مجموعات البيانات الكبيرة دون الحاجة إلى وسم كل شيء يدويًا.

يتضمن محرر الوسم أيضًا ميزات مثل إدارة الفئات وتحرير التعليقات التوضيحية واختصارات لوحة المفاتيح وخياري التراجع والإعادة. وتسهل هذه الميزات الحفاظ على الاتساق ومراجعة التعليقات التوضيحية مع نمو مجموعة البيانات.

أثناء وسم البيانات، توفر المنصة معلومات مثل توزيع الفئات وأعداد التعليقات التوضيحية. ويساعد ذلك على تحديد الفجوات ومعالجة التناقضات وتحسين جودة مجموعة البيانات قبل الانتقال إلى التدريب.

تدريب YOLO26 على كشف العيوب في منصة Ultralytics#

تتمثل الخطوة التالية في تدريب نموذج لكشف العيوب تلقائيًا باستخدام البيانات الموسومة. وتدعم منصة Ultralytics التدريب باستخدام نماذج Ultralytics YOLO، ومنها YOLO26، الذي يمكن استخدامه لمهام مثل كشف الكائنات وتقسيم الكائنات وتصنيف الصور.

تُدار عملية التدريب عبر لوحة تحكم موحدة تتيح لك إعداد مهام التدريب وتشغيلها ومراقبتها في مكان واحد. وللبدء، يمكنك اختيار مجموعة بيانات، سواء أكانت مجموعة حمّلتها أو وسمتها على المنصة أو حصلت عليها من مجموعات البيانات العامة المتاحة على المنصة أو استنسختها من المجتمع.

بعد اختيار مجموعة البيانات، تُربط تلقائيًا بعملية التدريب، ما يسهل تتبع التجارب والحفاظ على الاتساق.

بعد ذلك، يمكنك إعداد معلمات التدريب مثل عدد الحِقب وحجم الدفعة وحجم الصورة ومعدل التعلم. وتتحكم هذه الإعدادات في كيفية تعلم النموذج، كما تؤثر مباشرةً في وقت التدريب والأداء.

تشغيل التدريب ومراقبته#

يمكنك بعد ذلك اختيار طريقة تشغيل التدريب. وتدعم المنصة التدريب السحابي على وحدات GPU مُدارة، والتدريب المحلي باستخدام أجهزتك، وسير العمل عبر المتصفح باستخدام بيئات مثل Google Colab.

عند استخدام التدريب السحابي، يمكنك الاختيار من بين مجموعة من خيارات GPU، مثل RTX 2000 Ada وRTX A4500 للتجارب الصغيرة، وRTX 4090 أو RTX A6000 لأعباء العمل الأكثر تطلبًا، وخيارات عالية الأداء مثل A100 أو H100 للتدريب واسع النطاق.

عند بدء التدريب، يمكن مراقبة التقدم مباشرةً داخل المنصة. توفر لوحة المعلومات رؤية آنية لمقاييس أساسية مثل منحنيات الخسارة ومقاييس الأداء، إلى جانب استخدام النظام وسجلات التدريب. وهذا يسهّل فهم كيفية تعلّم النموذج واكتشاف المشكلات المحتملة مبكرًا.

الشكل 4. يمكنك مراقبة تقدم التدريب بسهولة باستخدام Ultralytics Platform (المصدر)

أثناء إجراء تجارب متعددة، تتعقب المنصة الإعدادات ومجموعات البيانات والنتائج في مكان واحد. وهذا يسهّل مقارنة عمليات التدريب المختلفة، وتقييم الأداء باستخدام مقاييس مثل الدقة والاستدعاء وmAP، واختيار النموذج الأفضل أداءً لنشره.

نشر نموذج رؤية حاسوبية عبر Ultralytics Platform#

بعد التدريب، تتمثل الخطوة التالية في التحقق من أداء النموذج المدرّب على بيانات جديدة لم يسبق له رؤيتها، قبل الانتقال إلى النشر. تتضمن Ultralytics Platform علامة تبويب Predict مدمجة تتيح لك اختبار النماذج مباشرةً في المتصفح دون أي إعداد.

يمكنك تحميل الصور، أو استخدام بيانات نموذجية، أو التقاط المدخلات عبر كاميرا ويب، وستظهر النتائج فورًا مع تراكبات مرئية ودرجات الثقة. وهذا يتيح لك التحقق بسرعة من أداء النموذج واكتشاف أي مشكلات قبل دمجه في أنظمة العالم الحقيقي.

بعد التحقق من النموذج، يمكن نشره باستخدام خيارات مختلفة بحسب حالة الاستخدام. إليك نظرة أقرب على خيارات نشر النماذج التي تدعمها Ultralytics Platform:

• الاستدلال المشترك: يتيح لك هذا الخيار الوصول إلى النموذج عبر REST API، ما يسهّل دمجه في التطبيقات أو مسارات العمل. ويعمل على نظام متعدد المستأجرين عبر عدد قليل من المناطق الرئيسية، حيث تُوجَّه الطلبات تلقائيًا إلى أقرب خدمة متاحة. وهذا يجعله مناسبًا للتطوير والاختبار والاستخدام الأخف قبل الانتقال إلى الإنتاج.
• نقاط النهاية المخصصة: للاستخدام في الإنتاج، يمكن نشر النماذج كنقاط نهاية مخصصة بموارد حوسبة مستقلة. وتعمل هذه النقاط كخدمات أحادية المستأجر في 43 منطقة حول العالم، ما يساعد على تقليل زمن الاستجابة من خلال النشر بالقرب من المستخدمين النهائيين. كما تدعم التوسع التلقائي والتوسع إلى الصفر، ما يسمح للموارد بالتكيف تلقائيًا وفقًا لحركة المرور.
• تصدير النموذج: يمكن تصدير النماذج وتشغيلها خارج المنصة على الأنظمة المحلية أو الأجهزة الطرفية. تدعم المنصة 17 تنسيقًا، منها ONNX وTensorRT وOpenVINO وCoreML وTensorFlow Lite. كما تدعم خيارات التصدير تحسينات مثل تكميم FP16 وINT8 لتقليل حجم النموذج وتحسين سرعة الاستدلال في بيئات الأجهزة المختلفة.

مراقبة النماذج المنشورة باستخدام Ultralytics Platform#

لا تنتهي دورة حياة حلول معالجة الصور أو الرؤية الحاسوبية عند نشر النموذج. وينطبق ذلك أيضًا على أنظمة الفحص البصري. فبعد تشغيل النموذج في بيئة الإنتاج، يجب مراقبته باستمرار لضمان أدائه الموثوق مع تغيّر الظروف.

توفر Ultralytics Platform لوحة معلومات مراقبة مدمجة تعرض بوضوح أداء النماذج المنشورة. ومن خلال واجهة واحدة، يمكنك تتبع نشاط الطلبات، وعرض السجلات، والتحقق من الحالة الصحية لكل عملية نشر. كما يمكنك فهم كيفية استخدام النماذج وسلوكها بمرور الوقت.

تتضمن لوحة المعلومات مقاييس أساسية مثل إجمالي الطلبات ومعدلات الأخطاء وزمن الاستجابة، ما يساعدك على تقييم الأداء وسرعة الاستجابة. وتُحدَّث هذه المقاييس بانتظام، وتوفر رؤى حول أنماط الاستخدام وموثوقية النظام.

تعرض خريطة عالمية مدمجة توزيع الطلبات وعمليات النشر على المناطق. وبفضل دعم عمليات النشر في مواقع متعددة حول العالم، تساعد هذه الخريطة على تتبع الاستخدام جغرافيًا وفهم أداء النماذج في البيئات المختلفة.

الشكل 5. مراقبة النماذج المنشورة على Ultralytics Platform (المصدر)

لإجراء تحليل أعمق، تتضمن كل عملية نشر سجلات مفصلة تحتوي على الطوابع الزمنية وتفاصيل الطلبات ورسائل الخطأ. ويمكن تصفية السجلات حسب مستوى الخطورة، ما يسهّل تصحيح المشكلات واكتشاف حالات الفشل بسرعة. إضافة إلى ذلك، توفر فحوصات السلامة مؤشرات حالة آنية توضّح ما إذا كانت عملية النشر تعمل كما هو متوقع أو تحتاج إلى اهتمام.

تؤدي المراقبة أيضًا دورًا مهمًا في التحسين. فقد يتغير الأداء مع تغير بيانات الإدخال أو حركة المرور أو أنماط الاستخدام. ومن خلال تتبع المقاييس والسجلات، يمكنك اكتشاف مشكلات مثل ارتفاع زمن الاستجابة أو زيادة معدلات الأخطاء أو محدودية التوسع، واتخاذ الإجراءات اللازمة للحفاظ على أداء ثابت.

فوائد استخدام Ultralytics Platform لبناء حلول الرؤية الحاسوبية#

فيما يلي بعض المزايا الرئيسية لاستخدام Ultralytics Platform لبناء أنظمة الفحص البصري وتوسيع نطاقها:

• محسّنة للاستخدام في العالم الحقيقي: تضمن ميزات مثل نقاط النهاية ذات التوسع التلقائي والنشر الطرفي وتصدير النماذج قدرة النظام على العمل بموثوقية في بيئات الإنتاج.
• دورات تطوير أسرع: تساعد الأدوات المدمجة والإعدادات الافتراضية على الانتقال من البيانات الأولية إلى نظام عامل بكفاءة أكبر.
• سهولة الاستخدام: تجعل الواجهات البديهية ومسارات العمل المبسطة ومتطلبات الإعداد المحدودة المنصة في متناول المستخدمين المبتدئين وذوي الخبرة.
• عمل يدوي أقل: تقلل ميزات مثل التعليق التوضيحي بمساعدة الذكاء الاصطناعي والمعالجة الآلية للبيانات الوقت المستغرق في المهام المتكررة.
• قابلية التوسع بمرور الوقت: مع تغير المتطلبات، يمكن تحديث النظام بإضافة بيانات جديدة وإعادة تدريب النماذج، ما يتيح التكيف مع أنواع العيوب والظروف الجديدة وإعدادات الكاميرات المتعددة.

أبرز النقاط#

لا يتطلب بناء نظام فحص بصري قائم على الكاميرات أن يكون معقدًا أو أن يستلزم خبرة عميقة في الذكاء الاصطناعي. باستخدام Ultralytics Platform، يمكنك الانتقال من البيانات الأولية إلى نظام عامل ومراقبة أدائه، كل ذلك في مكان واحد. وهذا يبسط طريقة بناء أنظمة الفحص وتحسينها وتشغيلها في ظروف العالم الحقيقي.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي للرؤية. اطّلع على خيارات الترخيص لبدء مشاريع الرؤية الحاسوبية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في قطاع السيارات؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد.