كيف يعزز الذكاء الاصطناعي للرؤية اكتشاف العيوب على خطوط الإنتاج

قد لا يبدو العيب الطفيف أو الشذوذ مهمًا في البداية، لكنه قد يتفاقم بمرور الوقت تحت الضغط، ما يؤدي إلى إصلاحات مكلفة وعمليات استدعاء للمنتجات وفقدان ثقة المستهلكين. ويزيد الاعتماد على الفحص اليدوي وحده من هذا الخطر، وهو أمر ينطبق على قطاعات مختلفة.

قد يصعب رصد الشقوق الصغيرة والانبعاجات وسوء المحاذاة الطفيف والعيوب السطحية في المنتجات، لا سيما في بيئات الإنتاج السريعة والعالية الحجم. وكان الفحص اليدوي فعالًا عندما كان التصنيع أبطأ وأقل تعقيدًا، لكن خطوط الإنتاج تعمل اليوم على نطاق مختلف تمامًا.

أصبحت العمليات أسرع وأكثر أتمتة وأشد تطلبًا من أي وقت مضى. ولا تستطيع أساليب مراقبة الجودة التقليدية مواكبة ذلك.

لمواجهة هذه التحديات، يعتمد المصنعون أنظمة الرؤية الحاسوبية. والرؤية الحاسوبية فرع من الذكاء الاصطناعي (AI) يتيح للآلات تحليل البيانات المرئية وتفسيرها. وتستطيع هذه الأنظمة مراقبة المنتجات على خط الإنتاج باستمرار وتحديد الأنماط غير المنتظمة أو العيوب تلقائيًا.

على سبيل المثال، تدعم نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، مهام الرؤية الفورية المتنوعة، مثل اكتشاف الأجسام وتقسيم الحالات وتصنيف الصور. وبالتحديد في اكتشاف العيوب، تستطيع هذه النماذج مسح أسطح المنتجات أثناء تحركها على خطوط الإنتاج، وتحديد الأنماط غير المنتظمة واكتشاف الشقوق أو الانبعاجات الصغيرة والإبلاغ عن العيوب فورًا.

الشكل 1. أمثلة على اكتشاف عيوب أسطح المعادن (المصدر)

في هذه المقالة، سنستكشف استخدام الرؤية الحاسوبية لاكتشاف العيوب ونرى كيف تساعد المصنّعين على الحفاظ على جودة المنتجات في خطوط الإنتاج الذكية. لنبدأ!

الحاجة إلى اكتشاف العيوب في أتمتة التصنيع#

فيما يلي نظرة على بعض العوامل الرئيسية التي تجعل الاكتشاف المدعوم بالذكاء الاصطناعي ضروريًا للغاية في بيئات التصنيع الذكي:

• بيئات الإنتاج القاسية: غالبًا ما تعمل منشآت التصنيع في ظروف تشمل الغبار والحرارة والاهتزاز وتفاوت الإضاءة. ويجب أن يحقق اكتشاف العيوب الموثوق أداءً متسقًا رغم هذه العوامل البيئية.
• الاعتماد على القوى العاملة: يعتمد الفحص التقليدي على المشغلين البشر. ومع توسع الإنتاج، تزداد صعوبة الحفاظ على دقة متسقة عبر نوبات العمل وساعات العمل الطويلة.
• التحديات التشغيلية: تعمل خطوط التجميع بسرعة عالية. ويجب أن تواكب أنظمة الفحص هذه الوتيرة وتقيّم كل منتج دون تعطيل سير العمل.
• تكلفة العيوب: كلما اكتُشف العيب مبكرًا، انخفضت تكلفة تصحيحه. أما الاكتشاف في مرحلة متأخرة، ولا سيما بعد الشحن، فقد يؤدي إلى إعادة العمل والهدر وسحب المنتجات.
• متطلبات الاتساق وإمكانية التتبع: تركز شركات كثيرة على الحفاظ على معايير الجودة. وتسجل الأنظمة الآلية بيانات الفحص، ما يسهّل تتبع النتائج وضمان الشفافية والحفاظ على المساءلة.

ما اكتشاف العيوب المعتمد على الرؤية؟#

يعتمد اكتشاف العيوب المدعوم بالرؤية على الكاميرات وأنظمة الرؤية الحاسوبية لتحديد عيوب المنتجات أثناء التصنيع. وتمسح هذه الأنظمة السلع أثناء تحركها على خط الإنتاج، وتتحقق من استيفائها معايير الجودة.

تستخدم شركات كثيرة هذه التقنية بالفعل في منشآت التصنيع التابعة لها. وفي الواقع، من المتوقع أن تبلغ قيمة سوق اكتشاف العيوب الصناعية بالذكاء الاصطناعي عالميًا 6.07 مليارات دولار بحلول عام 2035.

من العوامل الرئيسية وراء هذا النمو قدرة نماذج الرؤية الحاسوبية على اكتشاف العيوب النادرة حتى. فمن خلال التدريب على صور أمثلة موسومة، تستطيع نماذج مثل Ultralytics YOLO26 تعلّم التعرّف على مجموعة واسعة من المشكلات.

أنواع مختلفة من العيوب#

في بيئات الإنتاج الواقعية، قد تظهر العيوب بأشكال عديدة. فيما يلي بعض المشكلات الشائعة التي يمكن تحديدها باستخدام تقنيات الرؤية الحاسوبية ومعالجة الصور:

• العيوب السطحية: تشمل الخدوش والانبعاجات والشقوق وتغير اللون وغيرها من العيوب السطحية.
• العيوب البُعدية: تحدث هذه العيوب عندما يكون حجم المنتج غير صحيح أو يكون غير محاذٍ أو يعاني مشكلات في الشكل.
• عيوب التجميع: يؤدي فقدان أجزاء أو وضعها في مواضع غير صحيحة أو عدم محاذاتها على خط التجميع إلى عيوب تجميع قد تؤثر في أداء المنتج وجودته الإجمالية.
• عيوب التصنيع: تحدث هذه العيوب أثناء عملية الإنتاج بسبب أخطاء في المواد أو المعدات أو التحكم في العمليات. فعلى سبيل المثال، في تصنيع لوحات الدوائر المطبوعة (PCBs) أو أشباه الموصلات، قد تنجم مشكلات مثل عدم محاذاة الطبقات أو عدم اكتمال وصلات اللحام أو التلوث عن اختلافات العمليات، وتؤدي إلى مكونات معيبة.
• عيوب الطباعة أو وضع الملصقات: تحدث هذه العيوب عندما يكون النص غير واضح، أو تكون الطباعة غير متساوية، أو تكون المعلومات ناقصة، أو توضع الملصقات على المنتج أو العبوة في مواضع غير صحيحة.

كيفية عمل اكتشاف العيوب المدعوم بالرؤية#

لنلقِ نظرة عن كثب على كيفية عمل نظام اكتشاف العيوب باستخدام أنظمة الكاميرات ونماذج الذكاء الاصطناعي البصري.

في الإعداد المعتاد، توضع الكاميرات على امتداد خط التجميع لالتقاط بيانات مرئية واضحة أثناء مرور المنتجات بمراحل الإنتاج المختلفة. وتُجمع هذه الصور عالية الدقة وتُنظم ضمن مجموعات بيانات لاستخدامها في نموذج للرؤية الحاسوبية.

تُستخدم الصور بياناتٍ للتدريب. ويمكن تدريب نموذج للرؤية الحاسوبية على أمثلة للمنتجات السليمة والمعيبة على حد سواء، ليتعلم التمييز بينها بدقة.

فعلى سبيل المثال، قد تختلف أغطية الزجاجات في الحجم واللون والشكل عند فحصها. ويمكن استخدام نظام للرؤية لتحديد العيوب السطحية أو حالات عدم المحاذاة أو العيوب الهيكلية أثناء تحرك الأغطية على خط الإنتاج. وعند اكتشاف مشكلة، يُبلّغ عنها فورًا.

الشكل 2. اكتشاف عيوب مختلفة في أغطية زجاجات بأحجام وألوان متنوعة (المصدر)

بحسب الإعداد، يمكن لأنظمة الفحص المدعومة بالذكاء الاصطناعي العمل مباشرة على خطوط التجميع ودعم اتخاذ القرارات بسرعة. وفي بيئات التصنيع الواقعية، يعزز هذا النظام الآلي الاتساق، ويرفع كفاءة فحص الجودة، ويجعل اكتشاف العيوب على نطاق واسع أكثر موثوقية.

مهام الرؤية الحاسوبية الرئيسية المستخدمة لاكتشاف العيوب#

تعتمد أنظمة اكتشاف العيوب المستندة إلى الذكاء الاصطناعي البصري عادةً على مجموعة من مهام الرؤية الحاسوبية. وتؤدي كل مهمة من هذه المهام دورًا مهمًا في عملية فحص الجودة.

تدعم نماذج الذكاء الاصطناعي البصري المتطورة، مثل Ultralytics YOLO26، هذه المهام، ما يجعلها موثوقة في بيئات الإنتاج الواقعية. وفيما يلي لمحة عن بعض هذه المهام:

• تصنيف الصور: التصنيف أبسط مهام الرؤية الحاسوبية. إذ يحلل صورة ويصنفها ضمن فئات مثل «عيب» أو «لا يوجد عيب».
• اكتشاف الأجسام: يتيح للنماذج تحديد العيوب وتحديد مواقعها داخل الصورة. ويمكنه رسم مربعات إحاطة حول مشكلات مثل الشقوق والانبعاجات والبقع والأجزاء المفقودة، ما يجعل عملية الفحص أدق وأسهل في التفسير.
• تتبّع الأجسام: تُستخدم هذه المهمة لتتبّع منتج أو عيب مكتشف عبر الإطارات. وتساعد على استمرارية الفحص وتمنع احتساب العيوب أكثر من مرة.
• تقسيم الحالات: يحدد تجزئة الصور الشكل الدقيق للعيب ومساحته على مستوى البكسل. وتفيد هذه الدرجة من التفصيل عند قياس حجم العيب أو امتداده أو شدته.
• اكتشاف مربعات الإحاطة الموجّهة (OBB): يُستخدم اكتشاف OBB لرسم مربعات مدوّرة بمحاذاة اتجاه العيب. ويحسن ذلك الدقة، ولا سيما عند التعامل مع العيوب الضيقة أو المائلة.

الشكل 3. استخدام مهام رؤية حاسوبية مختلفة لاكتشاف عيوب المصبوبات (المصدر)

تطبيقات الرؤية الآلية لتحسين عملية الإنتاج#

تنطوي الرؤية الآلية على استخدام الكاميرات والمستشعرات وبرامج معالجة الصور لفحص عمليات الإنتاج وتحليلها وتوجيهها آليًا وفي الوقت الفعلي، وتُستخدم على نطاق واسع في قطاعات مثل تصنيع السيارات والإلكترونيات والأدوية والأغذية والمشروبات والسلع الاستهلاكية.

والآن، لنستعرض بعض الأمثلة الواقعية التي توضح كيف يمكن للرؤية الآلية تحسين الجودة والكفاءة والاتساق في جميع مراحل عملية الإنتاج.

الفحص البصري في تصنيع الفولاذ#

في تصنيع صفائح الفولاذ، غالبًا ما تكون العيوب طفيفة. فعلى سبيل المثال، قد تبدو الصفيحة ملساء للوهلة الأولى، بينما تخفي خدشًا دقيقًا أو عيبًا سطحيًا ناتجًا عن الدرفلة أو المعالجة الحرارية. ومع مرور آلاف الصفائح عبر خطوط الإنتاج كل ساعة، يصبح الاعتماد على الفحص اليدوي أكثر صعوبة.

لتحسين الدقة، تنشر الشركات المصنّعة أنظمة الرؤية الحاسوبية مباشرة على خطوط الإنتاج. تحلل هذه الأنظمة ملمس السطح والمحاذاة والأنماط الهيكلية في الوقت الفعلي. وإذا رُصد أي خلل، يُشار إليه فورًا لاتخاذ الإجراء المناسب.

الشكل 4. نظرة على عيوب صفائح الفولاذ (المصدر)

تحسين مراقبة جودة تغليف الأغذية باستخدام الرؤية الحاسوبية#

تولي شركات تصنيع الأغذية اهتمامًا كبيرًا بما يوضع داخل كل عبوة. ومع ذلك، قد تحدث أخطاء في التغليف، مثل فقدان الأكياس الصغيرة أو عدم صحة العدد أو ضعف الإغلاق.

قد تبدو هذه المشكلات بسيطة، لكنها تُعد عيوبًا في المنتجات، وغالبًا ما تؤدي إلى شكاوى العملاء. وللحد من المخاطر، تستفيد الشركات المصنّعة من أنظمة الرؤية الحاسوبية لفحص الجودة على خط الإنتاج.

تراقب هذه الأنظمة عدد المنتجات وترتيبها ووضوحها أثناء تحركها على خط الإنتاج. وتفحص نماذج الرؤية الحاسوبية كل عبوة بعناية، ويُشار فورًا إلى أي شيء في غير موضعه.

من خلال فحص كل وحدة في الوقت الفعلي، تساعد أنظمة الفحص هذه على استبعاد المنتجات المعيبة قبل مغادرتها المنشأة. وهذا يعزز الاتساق، ويقوي مراقبة الجودة، ويدعم الكشف عن العيوب على نطاق واسع دون تعطيل العمليات.

تحسين اكتشاف العيوب في عملية تصنيع الأخشاب#

الخشب مادة طبيعية، ولكل لوح خشبي خصائص فريدة. فعلى سبيل المثال، تُعد العقد والشقوق وتفاوت اتجاه الألياف والانفصالات السطحية من العيوب الشائعة.

وبينما يكون بعضها تجميليًا، يقلل بعضها الآخر من المتانة الهيكلية ويخفض قيمة المنتج. وقد يؤدي فحص كل لوح خشبي يدويًا على خطوط الإنتاج السريعة إلى تفاوت مستوى مراقبة الجودة.

لتحسين هذه العملية، تستخدم المنشآت أنظمة الرؤية الحاسوبية للكشف الآلي عن العيوب. تُلتقط صور تفصيلية لسطح اللوح الخشبي أثناء مروره على خط الإنتاج. بعد ذلك، يستطيع نموذج الرؤية تحليل اختلافات الملمس وأنماط الألياف في الوقت الفعلي، وتحديد عيوب المنتجات المحتملة.

الشكل 5. عيوب الخشب، مثل العقد السليمة والعقد غير السليمة والشقوق والثقوب التي تسببها الحشرات (المصدر)

أبرز النقاط#

يساعد الذكاء الاصطناعي للرؤية الشركات المصنّعة على تحسين فحص الجودة من خلال المراقبة في الوقت الفعلي على امتداد خط الإنتاج. وأثناء انتقال المنتجات عبر كل مرحلة من مراحل الإنتاج، تحلل نماذج الرؤية الحاسوبية الصور وتحدد المخالفات فورًا بدقة عالية.

يضمن هذا الفحص المستمر اتساق المعايير ويدعم تسليم منتجات عالية الجودة. ومن خلال العمل في الوقت الفعلي والتكامل بسلاسة مع سير العمل التصنيعي القائم، تجعل أنظمة الرؤية الآلية مراقبة الجودة أكثر كفاءة ودقة وقابلية للتوسع.

هل ترغب في إدخال الذكاء الاصطناعي للرؤية إلى عملياتك؟ انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub لمعرفة المزيد. اكتشف المزيد عن تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية. وللبدء باستخدام الرؤية الحاسوبية، اطّلع على خيارات الترخيص.