فحص الجودة في التصنيع: الطرق التقليدية مقابل طرق التعلم العميق

يعد فحص الجودة مهمة حاسمة أثناء التصنيع تضمن استيفاء المنتجات لمعايير الجودة المطلوبة. ومع ذلك، يمكن أن يكون تقييم الجودة باستخدام طرق الفحص التقليدية مكلفًا مع زيادة تعقيد المنتج. 

يتجه المصنعون نحو تقنيات الفحص القائمة على التعلم العميق، مثل اكتشاف الكائنات و التجزئة الدلالية، لتقليل تكاليف الفحص. التعلم العميق هو مجال فرعي من الذكاء الاصطناعي (AI) الذي يستخدم الخوارزميات الحاسوبية المسماة الشبكات العصبية لتحديد الأنماط المعقدة في البيانات. تساعد هذه التقنيات على أتمتة سير عمل الفحص وتقليل الاعتماد على المفتشين البشريين من خلال تحليل مجموعات البيانات الشاملة، بما في ذلك الصور ومقاطع الفيديو. 

نظرًا لتعدد استخداماته وفعاليته من حيث التكلفة، فإن ضمان الجودة القائم على الذكاء الاصطناعي يعزز بشكل كبير ربحية الأعمال. تشير التقارير إلى أن الصناعة التحويلية يمكن أن تكسب أكثر من 3 تريليونات دولار أمريكي من الذكاء الاصطناعي بحلول عام 2035.

ستناقش هذه المقالة كيف يمكن لأساليب التعلم العميق تحسين فحص الجودة وكيف يمكن Ultralytics YOLO11 تحسين الفحص في صناعات متعددة.

ما هو فحص الجودة في التصنيع؟

يقيم فحص الجودة ما إذا كان المنتج به عيوب أو تشوهات أو تناقضات قبل وصوله إلى المستهلك. 

يمكن أن تحدث العملية أثناء الإنتاج، حيث يتحرك المنتج عبر خط التجميع أو بعد الإنتاج، ولكن قبل أن تنتقل العناصر إلى خط التوزيع.  

غالبًا ما يتضمن ذلك قيام خبراء بشريين بإجراء تقييمات مرئية لمعرفة ما إذا كان المنتج ينحرف عن معايير التصميم المطلوبة أو لا يفي بها. 

ومع ذلك، مع ازدياد متطلبات الجودة، يتجه المصنعون نحو مناهج التعلم العميق الآلية لتحقيق قدر أكبر من المرونة وقابلية التوسع في عملياتهم.

ما هي مناهج التعلم العميق؟

تستخدم مناهج التعلم العميق شبكات عصبية اصطناعية تعمل على مبادئ الدماغ البشري. تتكون الشبكات من طبقات مترابطة من الخلايا العصبية. تقوم كل خلية عصبية بإجراء عملية حسابية لتحليل البيانات وتحديد الأنماط وإنشاء تنبؤ. 

‍

في فحص الجودة، تتضمن نماذج التعلم العميق أطر عمل الرؤية الحاسوبية التي تتعلم تلقائيًا وتستخرج الميزات من صور المنتج. 

يتطلب تطوير نماذج رؤية الكمبيوتر من الخبراء تدريب شبكة عصبية على مجموعات بيانات ذات صلة وإجراء عمليات تحقق على مجموعة بيانات جديدة للتحقق من الأداء. 

بمجرد التحقق من صحة هذه النماذج، يمكن للخبراء نشر هذه النماذج على الكاميرات وأجهزة الاستشعار باستخدام أدوات نشر مختلفة مثل PyTorch, ONNXو OpenVINO.

أساليب التعلم العميق لفحص الجودة

يستخدم فحص الجودة القائم على الرؤية أساليب متعددة detect الأضرار والشقوق والعناصر المفقودة وتحديد مواقعها. تذكر القائمة أدناه أربعة أساليب حديثة للتعلم العميق.

التصنيف الثنائي (Binary classification)

يشير التصنيف الثنائي إلى مهمة تصنيف الصور إلى إحدى الفئتين، مثل تحديد ما إذا كان العيب موجودًا في كائن ما أم لا.

استنادًا إلى البيانات المرئية، يُنتج نموذج التصنيف قرارًا ثنائيًا بنعم/لا. فهي تساعد في detect العناصر المفقودة. على سبيل المثال، يمكن لنموذج التصنيف detect ما إذا كان عنصر ما مفقودًا أم لا في منتج ما.

‍

تصنيف متعدد الفئات

التصنيف متعدد الفئات هو مهمة تصنيف الصور إلى أكثر من فئتين. فهو يعين كل صورة لواحدة من عدة فئات محددة مسبقًا.

على سبيل المثال، يمكن لنموذج تصنيف متعدد الفئات تحليل صورة منتج وإرجاع احتمالات لأنواع متعددة من التلف أو الشقوق، مما يشير إلى النوع الأكثر احتمالاً. 

‍

هذا مفيد في التصنيع حيث قد تتطلب العيوب المختلفة، مثل الخدوش أو الانبعاجات أو الشقوق، إجراءات معالجة مختلفة. 

تحديد الموقع

يشير تحديد الموقع إلى تحديد الموقع المحدد لكائن أو ميزة داخل الصورة. يستخدم نماذج الكشف عن الكائنات للتنبؤ بالمربعات المحيطة أو الإحداثيات التي تبرز المنطقة المحددة من الضرر. 

هذا مفيد لمهام مثل اكتشاف الشقوق في المباني أو الأجزاء الصناعية، حيث يكون الموقع الدقيق للعيوب ضروريًا لإجراء الإصلاحات المستهدفة. 

‍

على سبيل المثال، في صيانة البنية التحتية، يمكن لنماذج تحديد الموقع تحليل صور هيكل خرساني وتحديد المنطقة الدقيقة التي يوجد بها الشق.

تحديد الموقع متعدد الفئات

يحدد تحديد الموقع متعدد الفئات مواقع عيوب متعددة داخل الصورة ويحددها، مع تصنيف كل عيب إلى واحدة من عدة فئات محددة مسبقًا. 

تستخدم نماذج أكثر تقدمًا في الكشف عن العناصر لتحديد نوع العيب وموقعه لتقديم معلومات أكثر تفصيلاً.

‍

على سبيل المثال، يمكن لنموذج تحديد المواقع متعدد الفئات تحليل صورة لعنصر تالف والإشارة إلى نوع العيب، مثل خدش أو كسر، والإحداثيات الدقيقة للعيب داخل الكائن. 

الأساليب التقليدية مقابل أساليب التعلم العميق 

تعتبر طرق الفحص التقليدية أكثر صرامة، وتتبع القواعد والمعايير التي يحددها المستخدم مثل الحدود وقوائم المراجعة المحددة مسبقًا ومعايير النجاح/الفشل. 

على سبيل المثال، في تقنيات الرؤية القائمة على القواعد، يحدد الخبراء اللون والشكل والحجم المثاليين لمنتج معين. يقوم النظام بإخطار الخبراء إذا اكتشفت كاميرا أو جهاز آخر لالتقاط الصور انحرافات عن هذه المعايير.

توفر مناهج التعلم العميق مرونة أكبر لبناء أنظمة كشف أكثر تعقيداً. تتضمن هذه الأساليب جمع مجموعات بيانات واسعة النطاق من صور الأجسام المعيبة ووضع شروح لها. يستخدم الخبراء البيانات المشروحة لتدريب نماذج الكشف عن الأجسام مثل Ultralytics YOLO11. وبمجرد التدريب، يمكنهم نشر النموذج في الكاميرات أو أجهزة الاستشعار لالتقاط الصور وتحديد العيوب في الوقت الفعلي.

في القسم التالي، سنلقي نظرة على كيفية استخدام YOLO11 لفحص الجودة.

استخدام رؤية الكمبيوتر لفحص الجودة

YOLO(YOLO ) هو نموذج متطور للكشف عن الأجسام في الوقت الحقيقي (SOTA) يشتهر بالدقة العالية والقدرة على التكيف والسرعة. أحدث تكراره هو Ultralytics YOLO11الذي يعمل على تحسين الإصدارات السابقة من حيث استخراج الميزات والسرعة والدقة والقدرة على التكيف. 

تتميز ببنية أفضل لاستخراج الميزات بدقة أكبر وتتضمن خطوط تدريب محسّنة لسرعات معالجة أسرع. إنها أكثر كفاءة من الناحية الحسابية، مع عدد أقل من المعلمات بنسبة 22٪ ودرجات دقة أعلى من سابقاتها.

نظرًا لتعدد استخداماته، يمكن أن يساعد YOLO11 في تحسين سير عمل فحص الجودة في مجالات متعددة. يمكن أن يساعد في detect الحالات الشاذة والأضرار والتشققات والعناصر المفقودة وأخطاء التغليف في المنتجات من خلال أداء مهام مثل اكتشاف الأجسام وتجزئتها.

دعنا نلقي نظرة على بعض الطرق التي يمكن بها استخدام نماذج رؤية الكمبيوتر داخل الصناعة التحويلية. 

اكتشاف العناصر المفقودة والأجزاء في غير مكانها في الإلكترونيات

يمكن لنماذج الرؤية الحاسوبية التحقق مما إذا كان المنتج يحتوي على جميع العناصر الضرورية. ويمكنها detect المكونات المفقودة في المنتجات المجمعة لضمان اكتمالها.

في تصنيع الإلكترونيات، يعد تحديد المكونات المفقودة أو الأجزاء غير المحاذاة أو مشكلات اللحام أمرًا بالغ الأهمية لضمان أن المنتج النهائي موثوق به ولديه الوظائف الصحيحة.

نماذج اكتشاف الأجسام مثل YOLO11 على detect المكوّنات المفقودة أو الموضوعة في غير مكانها على لوحات الدارات الكهربائية. ويمكنها تحليل صور اللوحات في الوقت الفعلي، وتحديد العيوب مثل المقاومات أو المكثفات المفقودة. سيضمن ذلك صحة تجميع كل وحدة قبل الشحن.

اكتشاف الشقوق في قطع غيار السيارات

الكشف عن الشقوق هو مهمة كشف أخرى تحلل الصور أو بيانات الاستشعار لتحديد موقع الشق وحجمه وشدته.

تعد صناعة السيارات مثالاً واحداً حيث يكون اكتشاف الشقوق في مكونات متعددة مثل التروس وأنظمة المكابح ضرورياً لضمان استيفائها لمعايير السلامة.

يمكن تدريب نماذج مثل YOLO11 على detect العيوب بسرعة مثل الخدوش السطحية أو الشقوق في مكونات السيارات المعقدة.

اكتشاف التلف في المنسوجات

يمكن أن تساعد الرؤية الحاسوبية في detect أنواع مختلفة من الأضرار على سطح المنتج، مثل الخدوش والانبعاجات والتشوهات باستخدام مهام الرؤية الحاسوبية.

يمكن لصناعة النسيج أن تستفيد بشكل كبير من الكشف عن التلف القائم على الذكاء الاصطناعي باستخدام نماذج الكشف عن الكائنات وتجزئتها مثل YOLO11. ويمكنه تحديد العيوب مثل التمزقات أو الثقوب أو البقع أو التناقضات في النسيج أثناء عملية الإنتاج. 

اكتشاف الحالات الشاذة في تصنيع الأدوية

يشير اكتشاف الحالات الشاذة إلى مهمة تحليل تصميم المنتج وهيكله ومظهره وحجمه لتقييم ما إذا كانت هذه الخصائص تنحرف عن المعايير المطلوبة.

في تصنيع المستحضرات الصيدلانية، يُعد اكتشاف الشذوذ أمرًا حيويًا لضمان جودة وسلامة المنتجات الدوائية. يمكن للمصنعين استخدام YOLO11 detect المخالفات مثل التناقضات في أشكال الأقراص أو أحجامها أو تغير لونها أو الجسيمات الغريبة.

دقة التعبئة والتغليف ووضع العلامات

مثال آخر على كيفية استخدام نماذج رؤية الكمبيوتر في التصنيع هو داخل التعبئة والتغليف ووضع العلامات في الصناعات. على سبيل المثال، يجب أن تستوفي صناعة الأغذية والمشروبات معايير صارمة لسلامة المستهلك والامتثال.

يمكن أن تساعد نماذج مثل YOLO11 في detect أخطاء التغليف مثل الملصقات غير الصحيحة أو العبوات التالفة أو أختام السلامة المفقودة. ويمكنه أيضًا التحقق من أن الملصقات لها مواضع صحيحة مع وجود رموز شريطية واضحة أو تواريخ انتهاء الصلاحية. 

يضمن ذلك امتثال المنتجات للوائح الصناعة وجاهزيتها للتوزيع على المستهلكين.

تحديات واتجاهات مستقبلية لفحص الجودة القائم على الذكاء الاصطناعي

لا تزال أطر فحص الجودة القائمة على الذكاء الاصطناعي قيد التطور وتواجه العديد من التحديات. فيما يلي بعض القيود وتوجهات البحث المستقبلية التي يجب أخذها في الاعتبار لهذه التقنيات.

• التعلّم في العالم المفتوح والرؤية النشطة: يمثل بناء نماذج الكشف عن الكائنات detect كائنات جديدة تحديًا بسبب محدودية توافر البيانات المصنفة. يمكن أن تساعد نماذج التدريب غير الخاضعة للإشراف ونماذج التعلّم التحوّلي الخبراء على تكييف أطر الكشف بسرعة مع مجموعات البيانات الجديدة.
  ‍
• الاكتشاف على مستوى البكسل: يسمح تقسيم الصور للنماذج بفهم الفرق بين الخلفية والكائن الأساسي في الصورة. يعد دمج اكتشاف الكائنات والتقسيم مجالًا بحثيًا يتم تطويره باستمرار لضمان فحص عالي الجودة.
  ‍
• التعلم متعدد الوسائط: يمكن للنماذج متعددة الوسائط دمج وتحليل أنواع بيانات متعددة في وقت واحد. في اكتشاف الكائنات، يمكن أن يساعد التعلم متعدد الوسائط في تحسين دقة الفحص من خلال التعلم من أنواع بيانات مختلفة، مثل البيانات الحرارية لفهم العمق والصور ثنائية الأبعاد ولقطات الفيديو القصيرة.

النقاط الرئيسية 

يشهد فحص الجودة القائم على التعلم العميق تقدمًا أسيًا بسبب التطور المستمر لنماذج اكتشاف الكائنات المختلفة. مع فحص الجودة القائم على الذكاء الاصطناعي، يمكن للمصنعين تحقيق قابلية توسع ومرونة أكبر من الأساليب التقليدية.

يمكن للشركات استخدام نماذج مثل YOLO11 لأتمتة عملية الفحص، والاستفادة من بنيتها المحسّنة وقدراتها المحسّنة في استخراج الميزات مما يؤدي إلى دقة أفضل وسرعة أكبر.

يمكنك معرفة المزيد عن YOLO11 ونماذج اكتشاف الكائنات الأخرى من خلال الاطلاع على مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا النابض بالحياة. اكتشف كيف تقوم Ultralytics بإعادة تعريف التصنيع من خلال أحدث أطر التعلم العميق.