تعرف على كيف يمكن لأحدث نماذج الكشف عن الكائنات أن تساعد في أتمتة فحص الجودة في التصنيع.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرف على كيف يمكن لأحدث نماذج الكشف عن الكائنات أن تساعد في أتمتة فحص الجودة في التصنيع.
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 لطرق التعلّم العميق تحسين فحص الجودة وكيف يمكن لـ Ultralytics YOLO11 تحسين الفحص في صناعات متعددة.
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.
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 صحتها، يمكن للخبراء نشر هذه النماذج على الكاميرات وأجهزة الاستشعار باستخدام أدوات نشر متنوعة مثل PyTorch و ONNX و OpenVINO.
يستخدم فحص الجودة القائم على الرؤية طرقًا متعددة لاكتشاف وتحديد مواقع الأضرار والشقوق والعناصر المفقودة. تذكر القائمة أدناه أربعة مناهج حديثة للتعلم العميق.
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، يُخرج نموذج التصنيف قرارًا ثنائيًا بنعم/لا. فهي تساعد في الكشف عن العناصر المفقودة. على سبيل المثال، يمكن لنموذج التصنيف اكتشاف ما إذا كان عنصر ما مفقودًا أم لا في منتج ما.
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.
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.
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.
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 تعقيدًا. تتضمن هذه المناهج جمع وشرح مجموعات بيانات واسعة من صور الكائنات المعيبة. يستخدم الخبراء البيانات المشروحة لتدريب نماذج اكتشاف الكائنات مثل Ultralytics YOLO11. بمجرد تدريبها، يمكنهم نشر النموذج في الكاميرات أو المستشعرات لالتقاط الصور وتحديد العيوب في الوقت الفعلي.
في القسم التالي، سنلقي نظرة على كيفية استخدام YOLO11 لفحص الجودة.
You-Only-Look-Once (YOLO) هو نموذج متطور (SOTA) للكشف عن الأجسام في الوقت الفعلي، ويشتهر بدقته العالية وقابليته للتكيف وسرعته. أحدث إصداراته هو Ultralytics YOLO11، الذي يحسن الإصدارات السابقة من حيث استخلاص 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 اكتشاف الحالات الشاذة والأضرار والشقوق والعناصر المفقودة وأخطاء التعبئة والتغليف في المنتجات من خلال أداء مهام مثل الكشف عن الكائنات وتقسيمها.
دعنا نلقي نظرة على بعض الطرق التي يمكن بها استخدام نماذج رؤية الكمبيوتر داخل الصناعة التحويلية.
يمكن لنماذج رؤية الحاسوب التحقق مما إذا كان المنتج يحتوي على جميع العناصر الضرورية. يمكنهم اكتشاف 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.
يمكن تدريب نماذج اكتشاف الأجسام مثل YOLO11 للكشف عن المكونات المفقودة أو التي في غير مكانها على لوحات الدوائر. يمكنه تحليل صور اللوحات في الوقت الفعلي، وتحديد العيوب مثل المقاومات أو المكثفات المفقودة. سيضمن ذلك أن يكون تجميع كل وحدة صحيحًا قبل الشحن.
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 اكتشاف العيوب بسرعة مثل الخدوش السطحية أو الشقوق في مكونات السيارات المعقدة.
يمكن أن تساعد الرؤية الحاسوبية في الكشف عن أنواع مختلفة من الأضرار على سطح المنتج، مثل الخدوش والانبعاجات والتشوهات باستخدام مهام الرؤية الحاسوبية.
يمكن لصناعة النسيج أن تستفيد بشكل كبير من اكتشاف الأضرار القائم على الذكاء الاصطناعي باستخدام نماذج اكتشاف الكائنات وتجزئتها مثل YOLO11. يمكنه تحديد العيوب مثل التمزقات أو الثقوب أو البقع أو عدم اتساق النسيج أثناء عملية الإنتاج.
يشير اكتشاف الحالات الشاذة إلى مهمة تحليل تصميم المنتج وهيكله ومظهره وحجمه لتقييم ما إذا كانت هذه الخصائص تنحرف عن المعايير المطلوبة.
في تصنيع الأدوية، يعد الكشف عن الحالات الشاذة أمرًا حيويًا لضمان جودة وسلامة المنتجات الدوائية. يمكن للمصنعين استخدام YOLO11 للكشف عن المخالفات مثل عدم الاتساق في أشكال الأقراص أو أحجامها أو تغير لونها أو وجود جزيئات غريبة.
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 لنماذج مثل YOLO11 المساعدة في اكتشاف أخطاء التعبئة والتغليف مثل وضع العلامات غير الصحيح أو التعبئة والتغليف التالف أو الأختام الواقية المفقودة. يمكنه أيضًا التحقق من أن الملصقات بها مواضع صحيحة مع رموز شريطية واضحة أو تواريخ انتهاء الصلاحية.
يضمن ذلك امتثال المنتجات للوائح الصناعة وجاهزيتها للتوزيع على المستهلكين.
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.
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 المحسنة وقدرات استخلاص الميزات مما يؤدي إلى دقة أفضل وسرعة أكبر.
يمكنك معرفة المزيد عن YOLO11 ونماذج الكشف عن الأجسام الأخرى من خلال الاطلاع على مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا النابض بالحياة. استكشف كيف تعيد Ultralytics تعريف التصنيع من خلال أحدث أطر التعلم العميق.
