فحص الجودة في التصنيع: الأساليب التقليدية مقابل أساليب التعلم العميق

يُعد فحص الجودة مهمة بالغة الأهمية أثناء التصنيع، إذ يضمن استيفاء المنتجات معايير الجودة المطلوبة. لكن تقييم الجودة باستخدام طرق الفحص التقليدية قد يكون مكلفًا مع ازدياد تعقيد المنتجات.

يتجه المصنعون إلى تقنيات الفحص القائمة على التعلم العميق، مثل اكتشاف الكائنات والتقسيم الدلالي، لخفض تكاليف الفحص. والتعلم العميق مجال فرعي من الذكاء الاصطناعي (AI)، يستخدم خوارزميات حاسوبية تُسمى الشبكات العصبية للتعرّف على الأنماط المعقدة في البيانات. وتساعد هذه التقنيات على أتمتة سير عمل الفحص وتقليل الاعتماد على المفتشين البشريين من خلال تحليل مجموعات بيانات واسعة النطاق، بما فيها الصور ومقاطع الفيديو.

بفضل تعدد استخداماته وفعاليته من حيث التكلفة، يعزز ضمان الجودة القائم على الذكاء الاصطناعي ربحية الأعمال بدرجة كبيرة. وتشير التقارير إلى أن قطاع التصنيع قد يحقق مكاسب تتجاوز 3 تريليونات دولار أمريكي من الذكاء الاصطناعي بحلول عام 2035.

سيناقش هذا المقال كيف يمكن لأساليب التعلم العميق تحسين فحص الجودة، وكيف يمكن لـUltralytics YOLO11 تعزيز الفحص في قطاعات متعددة.

ما فحص الجودة في التصنيع؟#

يقيّم فحص الجودة ما إذا كان المنتج يحتوي على عيوب أو حالات شذوذ أو أوجه عدم اتساق قبل وصوله إلى المستهلك.

يمكن إجراء هذه العملية أثناء الإنتاج، حين ينتقل المنتج عبر خط التجميع، أو بعد الإنتاج وقبل انتقال المنتجات إلى خط التوزيع.

غالبًا ما يشمل ذلك خبراء بشريين يجرون تقييمات بصرية للتحقق مما إذا كان المنتج ينحرف عن معايير التصميم المطلوبة أو لا يستوفيها.

لكن مع ارتفاع متطلبات الجودة، يتجه المصنعون إلى أساليب التعلم العميق المؤتمتة لتحقيق مزيد من المرونة وقابلية التوسع في عملياتهم.

ما أساليب التعلم العميق؟#

تستخدم أساليب التعلم العميق شبكات عصبية اصطناعية تعمل وفق مبادئ الدماغ البشري. وتتكون هذه الشبكات من طبقات مترابطة من العصبونات. وينفذ كل عصبون عملية حسابية لتحليل البيانات والتعرّف على الأنماط وإنتاج تنبؤ.

الشكل 1. شبكة عصبية اصطناعية.

في فحص الجودة، تشمل نماذج التعلم العميق أطر عمل الرؤية الحاسوبية التي تتعلم السمات من صور المنتجات وتستخرجها تلقائيًا.

يتطلب تطوير نماذج الرؤية الحاسوبية من الخبراء تدريب شبكة عصبية على مجموعات البيانات ذات الصلة وإجراء عمليات تحقق على مجموعة بيانات جديدة لفحص الأداء.

بعد التحقق من صلاحية هذه النماذج، يمكن للخبراء نشرها على الكاميرات والمستشعرات باستخدام أدوات النشر المختلفة مثل PyTorch وONNX وOpenVINO.

أساليب التعلم العميق لفحص الجودة#

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

التصنيف الثنائي#

يشير التصنيف الثنائي إلى مهمة تصنيف الصور ضمن فئة واحدة من فئتين، مثل تحديد ما إذا كان هناك عيب في كائن ما.

يصدر نموذج التصنيف قرارًا ثنائيًا بنعم أو لا استنادًا إلى البيانات المرئية. وتساعد هذه النماذج على اكتشاف العناصر المفقودة. فعلى سبيل المثال، يمكن لنموذج تصنيف تحديد ما إذا كان أحد العناصر مفقودًا من منتج.

الشكل 2. تصنيف ثنائي لجزء من سيارة.

التصنيف متعدد الفئات#

التصنيف متعدد الفئات هو مهمة تصنيف الصور ضمن أكثر من فئتين. ويُسند كل صورة إلى واحدة من عدة فئات محددة مسبقًا.

على سبيل المثال، قد يحلل نموذج تصنيف متعدد الفئات صورة منتج ويعيد احتمالات لأنواع متعددة من الأضرار أو الشقوق، موضحًا النوع الأرجح وجودًا.

الشكل 3. تصنيف متعدد الفئات يكتشف عيوب الانحناء واللون.

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

تحديد الموقع#

يشير تحديد الموقع إلى تعيين الموضع المحدد لكائن أو سمة داخل صورة. ويستخدم نماذج اكتشاف الكائنات للتنبؤ بـمربعات الإحاطة أو الإحداثيات التي تحدد منطقة الضرر بعينها.

يفيد ذلك في مهام مثل اكتشاف الشقوق في المباني أو الأجزاء الصناعية، حيث يكون الموقع الدقيق للعيب ضروريًا لإجراء إصلاحات موجهة.

الشكل 4. نموذج يحدد موقع ثقب تثقيب.

على سبيل المثال، في صيانة البنية التحتية، يمكن لنماذج تحديد الموقع تحليل صور بنية خرسانية وتحديد المنطقة الدقيقة التي يقع فيها الشق.

تحديد المواقع متعدد الفئات#

يحدد تحديد المواقع متعدد الفئات عيوبًا متعددة داخل صورة ويعيّن مواقعها، مع تصنيف كل عيب أيضًا ضمن واحدة من عدة فئات محددة مسبقًا.

ويستخدم نماذج أكثر تقدمًا لاكتشاف الكائنات لتحديد نوع العيب وموقعه وتوفير معلومات أكثر تفصيلًا.

الشكل 5. نموذج يحدد مواقع أنواع متعددة من العيوب.

على سبيل المثال، يمكن لنموذج تحديد المواقع متعدد الفئات تحليل صورة عنصر تالف والإشارة إلى نوع العيب، مثل خدش أو شق، وإحداثياته الدقيقة داخل الكائن.

الأساليب التقليدية في مقابل أساليب التعلم العميق#

تتسم طرق الفحص التقليدية بقدر أكبر من الجمود، إذ تتبع قواعد ومعايير يحددها المستخدم، مثل الحدود وقوائم التحقق المحددة مسبقًا ومعايير النجاح أو الإخفاق.

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

توفر أساليب التعلم العميق مرونة أكبر لبناء أنظمة اكتشاف أكثر تعقيدًا. وتشمل هذه الأساليب جمع مجموعات بيانات واسعة من صور الكائنات المعيبة ووسمها. ويستخدم الخبراء البيانات الموسومة لتدريب نماذج اكتشاف الكائنات، مثل Ultralytics YOLO11. وبعد التدريب، يمكنهم نشر النموذج على الكاميرات أو المستشعرات لالتقاط الصور واكتشاف العيوب في الوقت الفعلي.

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

استخدام الرؤية الحاسوبية لفحص الجودة#

انظر مرة واحدة فقط (YOLO) هو نموذج متطور (SOTA) لاكتشاف الكائنات في الوقت الفعلي، ويشتهر بدقته العالية وقدرته على التكيف وسرعته. وأحدث إصداراته هو Ultralytics YOLO11، الذي يحسّن الإصدارات السابقة من حيث استخراج السمات والسرعة والدقة والقدرة على التكيف.

يتميز ببنية أفضل لاستخراج السمات بدقة أكبر، ويتضمن مسارات تدريب محسّنة لزيادة سرعة المعالجة. كما أنه أكثر كفاءة حسابيًا، إذ يضم معلمات أقل بنسبة 22% ويحقق درجات دقة أعلى من الإصدارات السابقة.

بفضل تعدد استخداماته، يمكن لـUltralytics YOLO11 المساعدة على تحسين سير عمل فحص الجودة في مجالات متعددة. ويمكنه اكتشاف الحالات الشاذة والأضرار والشقوق والعناصر المفقودة وأخطاء التغليف في المنتجات من خلال مهام مثل اكتشاف الكائنات والتقسيم.

لنلقِ نظرة على بعض الطرق التي يمكن بها استخدام نماذج الرؤية الحاسوبية في قطاع التصنيع.

اكتشاف العناصر المفقودة والأجزاء الموضوعة في غير مكانها في الإلكترونيات#

يمكن لنماذج الرؤية الحاسوبية التحقق من احتواء المنتج على جميع العناصر اللازمة. كما يمكنها اكتشاف المكونات المفقودة في المنتجات المجمعة لضمان اكتمالها.

في تصنيع الإلكترونيات، يُعد تحديد المكونات المفقودة أو الأجزاء غير المحاذاة أو مشكلات اللحام أمرًا بالغ الأهمية لضمان موثوقية المنتج النهائي وعمله على النحو المطلوب.

يمكن تدريب نماذج اكتشاف الكائنات مثل YOLO11 على اكتشاف المكونات المفقودة أو الموضوعة في غير مكانها على لوحات الدوائر. ويمكنها تحليل صور اللوحات في الوقت الفعلي وتحديد العيوب، مثل المقاومات أو المكثفات المفقودة. وهذا يضمن صحة تجميع كل وحدة قبل شحنها.

اكتشاف الشقوق في قطع السيارات#

يُعد اكتشاف الشقوق مهمة أخرى لتحليل الصور أو بيانات المستشعرات وتحديد موقع الشق وحجمه ودرجة خطورته.

يُعد قطاع السيارات مثالًا على المجالات التي يلزم فيها اكتشاف الشقوق في مكونات متعددة، مثل التروس وأنظمة المكابح، لضمان استيفائها معايير السلامة.

يمكن تدريب نماذج مثل Ultralytics YOLO11 على اكتشاف العيوب بسرعة، مثل خدوش الأسطح أو الشقوق في مكونات السيارات المعقدة.

اكتشاف الأضرار في المنسوجات#

يمكن للرؤية الحاسوبية المساعدة على اكتشاف أنواع مختلفة من الأضرار على سطح المنتج، مثل الخدوش والانبعاجات والتشوهات، باستخدام مهام الرؤية الحاسوبية.

يمكن أن يستفيد قطاع المنسوجات بدرجة كبيرة من اكتشاف الأضرار القائم على الذكاء الاصطناعي باستخدام نماذج اكتشاف الكائنات والتقسيم مثل Ultralytics YOLO11. ويمكن لهذه النماذج تحديد العيوب، مثل التمزقات والثقوب والبقع أو عدم اتساق النسيج، أثناء عملية الإنتاج.

اكتشاف الحالات الشاذة في تصنيع المستحضرات الصيدلانية#

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

في تصنيع المستحضرات الصيدلانية، يُعد اكتشاف الحالات الشاذة ضروريًا لضمان جودة المنتجات الدوائية وسلامتها. ويمكن للمصنعين استخدام Ultralytics YOLO11 لاكتشاف المخالفات، مثل عدم اتساق أشكال الأقراص وأحجامها أو تغير لونها أو وجود جسيمات غريبة.

دقة التغليف ووضع الملصقات#

ومن الأمثلة الأخرى على استخدام نماذج الرؤية الحاسوبية في التصنيع التغليف ووضع الملصقات في قطاعات مختلفة. فعلى سبيل المثال، يجب أن يستوفي قطاع الأغذية والمشروبات معايير صارمة لسلامة المستهلك والامتثال.

يمكن لنماذج مثل Ultralytics YOLO11 المساعدة على اكتشاف أخطاء التغليف، مثل وضع ملصقات غير صحيحة أو تلف التغليف أو غياب أختام السلامة. ويمكنها أيضًا التحقق من وضع الملصقات في أماكنها الصحيحة ووضوح الرموز الشريطية أو تواريخ انتهاء الصلاحية.

وهذا يضمن امتثال المنتجات للوائح القطاع وجاهزيتها للتوزيع على المستهلكين.

تحديات الفحص القائم على الذكاء الاصطناعي وتوجهاته المستقبلية#

لا تزال أطر عمل فحص الجودة القائم على الذكاء الاصطناعي قيد التطور، وتواجه تحديات عديدة. وفيما يلي بعض القيود والتوجهات البحثية المستقبلية التي ينبغي أخذها في الحسبان عند استخدام هذه التقنيات.

• التعلم في بيئات مفتوحة والرؤية النشطة: من الصعب بناء نماذج لاكتشاف الكائنات الجديدة بسبب محدودية البيانات الموسومة. ويمكن لنماذج التدريب غير الخاضع للإشراف والتعلم بالنقل مساعدة الخبراء على تكييف أطر الاكتشاف سريعًا مع مجموعات بيانات جديدة.
• الاكتشاف على مستوى البكسل: يتيح تقسيم الصور للنماذج فهم الفرق بين الخلفية والكائن الأساسي في الصورة. ويُعد دمج اكتشاف الكائنات مع التقسيم مجالًا بحثيًا يتطور باستمرار لضمان فحص عالي الجودة.
• التعلم متعدد الوسائط: يمكن للنماذج متعددة الوسائط دمج أنواع متعددة من البيانات وتحليلها في الوقت نفسه. وفي اكتشاف الكائنات، يمكن للتعلم متعدد الوسائط المساعدة على تحسين الدقة في الفحص عبر التعلم من أنواع مختلفة من البيانات، مثل البيانات الحرارية لفهم العمق والصور ثنائية الأبعاد ومقاطع الفيديو القصيرة.

أبرز النقاط#

يشهد فحص الجودة القائم على التعلم العميق تقدمًا متسارعًا بفضل التطوير المستمر لنماذج اكتشاف الكائنات المختلفة. وباستخدام فحص الجودة القائم على الذكاء الاصطناعي، يمكن للمصنعين تحقيق قابلية توسع ومرونة أكبر مما تتيحه الأساليب التقليدية.

يمكن للشركات استخدام نماذج مثل Ultralytics YOLO11 لأتمتة عملية الفحص، والاستفادة من بنيتها المحسّنة وقدراتها على استخراج السمات، ما يؤدي إلى دقة أفضل وسرعة أعلى.

يمكنك معرفة المزيد عن YOLO11 ونماذج اكتشاف الكائنات الأخرى من خلال زيارة مستودع GitHub والتفاعل مع مجتمعنا النشط. تعرّف على كيفية إعادة Ultralytics تعريف التصنيع من خلال أطر عمل التعلم العميق المتطورة.