فحص الجودة في التصنيع: الطرق التقليدية مقابل أساليب التعلم العميق

يُعد فحص الجودة مهمة بالغة الأهمية أثناء التصنيع لضمان مطابقة المنتجات لمعايير الجودة المطلوبة. ومع ذلك، قد يكون تقييم الجودة باستخدام أساليب الفحص التقليدية مكلفاً مع زيادة تعقيد المنتج.

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

نظراً لتعدد استخداماته وفعاليته من حيث التكلفة، فإن ضمان الجودة القائم على الذكاء الاصطناعي يعزز ربحية الأعمال بشكل كبير. تشير التقارير إلى أن قطاع التصنيع يمكن أن يحقق أكثر من 3 تريليون دولار أمريكي من الذكاء الاصطناعي بحلول عام 2035.

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

Link to this sectionما هو فحص الجودة في التصنيع؟#

يقيم فحص الجودة ما إذا كان المنتج يحتوي على عيوب أو شذوذات أو تناقضات قبل وصوله إلى المستهلك.

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

غالباً ما يتضمن ذلك خبراء بشريين يقومون بإجراء تقييمات بصرية لمعرفة ما إذا كان المنتج ينحرف عن معايير التصميم المطلوبة أو لا يلبيها.

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

Link to this sectionما هي أساليب التعلم العميق؟#

تستخدم أساليب التعلم العميق شبكات عصبية اصطناعية تعمل وفق مبادئ الدماغ البشري. تتكون الشبكات من طبقات مترابطة من العصبونات. يقوم كل عصبون بإجراء عملية حسابية رياضية لتحليل البيانات وتحديد الأنماط وتوليد تنبؤ.

الشكل 1. شبكة عصبية اصطناعية.

في فحص الجودة، تتضمن نماذج التعلم العميق أطر عمل رؤية حاسوبية تتعلم الميزات وتستخرجها تلقائياً من صور المنتجات.

يتطلب تطوير نماذج الرؤية الحاسوبية من الخبراء تدريب شبكة عصبية على مجموعات بيانات ذات صلة وتشغيل عمليات تحقق على مجموعة بيانات جديدة للتحقق من الأداء.

بمجرد التحقق، يمكن للخبراء نشر هذه النماذج على الكاميرات وأجهزة الاستشعار باستخدام أدوات نشر متنوعة مثل PyTorch، وONNX، وOpenVINO.

Link to this sectionأساليب التعلم العميق لفحص الجودة#

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

Link to this sectionالتصنيف الثنائي#

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

بناءً على البيانات البصرية، يخرج نموذج التصنيف قراراً ثنائياً بنعم/لا. وهي تساعد في اكتشاف العناصر المفقودة. على سبيل المثال، يمكن لنموذج التصنيف اكتشاف ما إذا كان عنصر ما مفقوداً أم لا في منتج ما.

الشكل 2. تصنيف ثنائي لجزء سيارة.

Link to this sectionتصنيف متعدد الفئات#

التصنيف متعدد الفئات هو مهمة تصنيف الصور إلى أكثر من فئتين. وهو يخصص كل صورة لواحدة من عدة فئات محددة مسبقاً.

على سبيل المثال، قد يقوم نموذج تصنيف متعدد الفئات بتحليل صورة المنتج وإرجاع احتمالات لأنواع متعددة من التلف أو الشقوق، مما يشير إلى أيها هو المرجح وجوده.

الشكل 3. تصنيف متعدد الفئات للكشف عن الانحناء واللون.

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

Link to this sectionالتوطين#

يشير التوطين إلى تحديد الموقع الدقيق لكائن أو ميزة داخل صورة. وهو يستخدم نماذج اكتشاف الكائنات للتنبؤ بـ صناديق الإحاطة أو الإحداثيات التي تسلط الضوء على منطقة التلف المحددة.

هذا مفيد لمهام مثل اكتشاف الشقوق في المباني أو الأجزاء الصناعية، حيث يكون الموقع الدقيق للعيب ضرورياً للإصلاحات المستهدفة.

الشكل 4. نموذج يحدد موقع ثقب تثقيب.

على سبيل المثال، في صيانة البنية التحتية، يمكن لنماذج التوطين تحليل صور هيكل خرساني وتحديد المنطقة الدقيقة التي يقع فيها الشق.

Link to this sectionالتوطين متعدد الفئات#

يحدد التوطين متعدد الفئات ويحدد مواقع عيوب متعددة داخل صورة مع تصنيف كل عيب أيضاً إلى واحدة من عدة فئات محددة مسبقاً.

وهو يستخدم نماذج اكتشاف كائنات أكثر تقدماً لتحديد نوع العيب وموقعه لتقديم معلومات أكثر تفصيلاً.

الشكل 5. نموذج يحدد مواقع أنواع عيوب متعددة.

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

Link to this sectionالأساليب التقليدية مقابل أساليب التعلم العميق#

تعد أساليب الفحص التقليدية أكثر صرامة، حيث تتبع قواعد ومعايير يحددها المستخدم مثل العتبات، وقوائم التحقق المحددة مسبقاً، ومعايير النجاح/الفشل.

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

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

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

Link to this sectionاستخدام الرؤية الحاسوبية لفحص الجودة#

You-Only-Look-Once (YOLO) هو نموذج متطور (SOTA) لاكتشاف الكائنات في الوقت الفعلي ومشهور بدقته العالية وقابليته للتكيف وسرعته. أحدث إصدار له هو Ultralytics YOLO11، الذي يحسن الإصدارات السابقة من حيث استخراج الميزات والسرعة والدقة والقابلية للتكيف.

يتميز ببنية أفضل لاستخراج ميزات أكثر دقة ويتضمن خطوط أنابيب تدريب محسنة لسرعات معالجة أسرع. وهو أكثر كفاءة حسابياً، مع معلمات أقل بنسبة 22% ونتائج دقة أعلى من سابقاته.

نظراً لتعدد استخداماته، يمكن لـ YOLO11 المساعدة في تحسين سير عمل فحص الجودة في مجالات متعددة. يمكنه المساعدة في اكتشاف الشذوذات والأضرار والشقوق والعناصر المفقودة وأخطاء التغليف في المنتجات من خلال تنفيذ مهام مثل اكتشاف الكائنات والتجزئة.

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

Link to this sectionاكتشاف العناصر المفقودة والأجزاء في غير مكانها في الإلكترونيات#

يمكن لنماذج الرؤية الحاسوبية التحقق مما إذا كان المنتج يحتوي على جميع العناصر اللازمة. يمكنها اكتشاف المكونات المفقودة في المنتجات المجمعة لضمان الاكتمال.

في تصنيع الإلكترونيات، يعد تحديد المكونات المفقودة أو الأجزاء غير المتوافقة أو مشكلات اللحام أمراً بالغ الأهمية لضمان أن يكون المنتج النهائي موثوقاً ويتمتع بالوظائف الصحيحة.

يمكن تدريب نماذج اكتشاف الكائنات مثل YOLO11 لاكتشاف 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 هذا أن تجميع كل وحدة صحيح قبل الشحن.

Link to this sectionاكتشاف الشقوق في أجزاء السيارات#

اكتشاف الشقوق هو مهمة اكتشاف أخرى تحلل الصور أو بيانات المستشعرات لتحديد موقع الشق وحجمه وشدته.

تعد صناعة السيارات أحد الأمثلة حيث يعد اكتشاف الشقوق في مكونات متعددة مثل التروس وأنظمة الفرامل ضرورياً لضمان تلبيتها لمعايير السلامة.

يمكن تدريب نماذج مثل YOLO11 لاكتشاف العيوب بسرعة مثل خدوش السطح أو الشقوق في مكونات السيارات المعقدة.

Link to this sectionاكتشاف التلف في المنسوجات#

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

يمكن لصناعة المنسوجات الاستفادة بشكل كبير من اكتشاف التلف القائم على الذكاء الاصطناعي باستخدام نماذج اكتشاف الكائنات والتجزئة مثل YOLO11. يمكنه تحديد عيوب مثل التمزقات أو الثقوب أو البقع أو تناقضات القماش أثناء عملية الإنتاج.

Link to this sectionاكتشاف الشذوذ في التصنيع الصيدلاني#

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

في التصنيع الصيدلاني، يعد اكتشاف الشذوذ أمراً حيوياً لضمان جودة وسلامة المنتجات الدوائية. يمكن للمصنعين استخدام YOLO11 لاكتشاف مخالفات مثل التناقضات في أشكال الأقراص أو أحجامها أو تغير اللون أو الجزيئات الغريبة.

Link to this sectionدقة التغليف والملصقات#

مثال آخر على كيفية استخدام نماذج الرؤية الحاسوبية في التصنيع هو ضمن التغليف والملصقات في الصناعات. على سبيل المثال، يجب أن تلبي صناعة الأغذية والمشروبات معايير صارمة لسلامة المستهلك والامتثال.

يمكن لنماذج مثل YOLO11 المساعدة في اكتشاف أخطاء التغليف مثل الملصقات غير الصحيحة أو التغليف التالف أو أختام السلامة المفقودة. يمكنه أيضاً التحقق من أن الملصقات لها أماكن صحيحة مع رموز شريطية أو تواريخ انتهاء صلاحية واضحة.

يضمن هذا امتثال المنتجات للوائح الصناعة وأنها جاهزة لتوزيعها على المستهلكين.

Link to this sectionتحديات وتوجهات مستقبلية لفحص الجودة القائم على الذكاء الاصطناعي#

لا تزال أطر عمل فحص الجودة القائم على الذكاء الاصطناعي في تطور وتواجه تحديات عديدة. فيما يلي بعض القيود وتوجهات البحث المستقبلية التي يجب أخذها في الاعتبار لهذه التقنيات.

• التعلم في العالم المفتوح والرؤية النشطة: يعد بناء نماذج اكتشاف الكائنات لاكتشاف كائنات جديدة أمراً صعباً بسبب محدودية توفر البيانات المعلقة. يمكن لنماذج التعلم غير الخاضع للإشراف والتعلم بالنقل مساعدة الخبراء في تكييف أطر عمل الاكتشاف بسرعة مع مجموعات بيانات جديدة.
• الاكتشاف على مستوى البكسل: تسمح تجزئة الصور للنماذج بفهم الفرق بين الخلفية والكائن الأساسي في الصورة. دمج اكتشاف الكائنات والتجزئة هو مجال بحثي 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 للتعلم متعدد الوسائط المساعدة في تحسين دقة الفحص من خلال التعلم من أنواع بيانات مختلفة، مثل البيانات الحرارية لفهم العمق، والصور ثنائية الأبعاد، ولقطات الفيديو القصيرة.

Link to this sectionأبرز النقاط#

يشهد فحص الجودة القائم على التعلم العميق تقدماً هائلاً بسبب التطوير المستمر لنماذج مختلفة لاكتشاف الكائنات. من خلال فحص الجودة القائم على الذكاء الاصطناعي، يمكن للمصنعين تحقيق قدر أكبر من قابلية التوسع والمرونة من الأساليب التقليدية.

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

يمكنك معرفة المزيد عن YOLO11 ونماذج اكتشاف الكائنات الأخرى من خلال التحقق من مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا النابض بالحياة. استكشف كيف تعيد Ultralytics تعريف التصنيع من خلال أطر عمل التعلم العميق المتطورة.