فحص الجودة في التصنيع: الأساليب التقليدية مقابل أساليب التعلّم العميق

يُعد فحص الجودة مهمةً بالغة الأهمية أثناء التصنيع، إذ يضمن استيفاء المنتجات لمعايير الجودة المطلوبة. ومع ذلك، قد يكون تقييم الجودة باستخدام أساليب الفحص التقليدية مكلفًا مع ازدياد تعقيد المنتجات.

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

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

سيناقش هذا المقال كيفية تحسين أساليب التعلم العميق لفحص الجودة، وكيف يمكن لـ Ultralytics YOLO11 تحسين الفحص في قطاعات متعددة.

ما فحص الجودة في التصنيع؟#

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

يمكن أن تتم العملية أثناء الإنتاج، عندما يتحرك المنتج عبر خط تجميع، أو بعد الإنتاج، ولكن قبل انتقال العناصر إلى خط التوزيع.

وغالبًا ما تتضمن العملية خبراء بشريين يجرون تقييمات بصرية للتحقق مما إذا كان المنتج ينحرف عن معايير التصميم المطلوبة أو لا يستوفيها.

ومع ازدياد متطلبات الجودة، يتجه المصنعون نحو أساليب مؤتمتة قائمة على التعلم العميق لتحقيق مرونة وقابلية توسع أكبر 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. ويجري كل عصبون عملية حسابية لتحليل البيانات والتعرف على الأنماط وإنشاء تنبؤ.

الشكل 1. شبكة عصبية اصطناعية.

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

يتطلب تطوير نماذج الرؤية الحاسوبية خبراءً لتدريب شبكة عصبية على مجموعات بيانات ذات صلة، وإجراء عمليات تحقق على مجموعة بيانات جديدة لفحص الأداء.

بعد التحقق، يمكن للخبراء نشر هذه النماذج 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. وتذكر القائمة أدناه أربعة أساليب حديثة للتعلم العميق.

التصنيف الثنائي#

يشير التصنيف الثنائي إلى مهمة تصنيف الصور ضمن فئتين، مثل تحديد ما إذا كان عيب ما موجودًا في جسم أم لا.

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

الشكل 2. التصنيف الثنائي لجزء من سيارة.

التصنيف متعدد الفئات#

التصنيف متعدد الفئات هو مهمة تصنيف الصور ضمن أكثر من فئتين. ويُسنِد كل صورة إلى إحدى الفئات المحددة مسبقًا.

فعلى سبيل المثال، قد يحلل نموذج تصنيف متعدد الفئات صورة منتج ويُرجع 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 عيوب مختلفة، مثل الخدوش أو الانبعاجات أو الشقوق، إجراءات معالجة مختلفة.

تحديد الموقع#

يشير تحديد الموقع إلى تحديد الموقع الدقيق لجسم أو ميزة داخل صورة. ويستخدم نماذج اكتشاف الأجسام للتنبؤ بـالمربعات المحيطة أو الإحداثيات التي تبرز المنطقة المحددة للضرر.

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 ناتج عن التخريم.

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

تحديد الموقع متعدد الفئات#

يحدد تحديد الموقع متعدد الفئات عيوبًا متعددة داخل صورة ويحدد مواقعها، مع تصنيف كل عيب ضمن إحدى الفئات المحددة مسبقًا.

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

الشكل 5. نموذج يحدد مواقع أنواع متعددة من العيوب.

فعلى سبيل المثال، يمكن لنموذج تحديد موقع متعدد الفئات تحليل صورة لعنصر تالف وتحديد نوع العيب، مثل الخدش أو الشق، والإحداثيات الدقيقة للعيب داخل الجسم.

الأساليب التقليدية مقارنةً بأساليب التعلم العميق#

تتسم أساليب الفحص التقليدية بقدر أكبر من الصرامة، إذ تتبع قواعد ومعايير يحددها المستخدم، مثل الحدود وقوائم التحقق المحددة مسبقًا ومعايير النجاح أو الفشل.

فعلى سبيل المثال، يحدد الخبراء في تقنيات الرؤية القائمة على القواعد 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 كشف أكثر تعقيدًا. وتتضمن هذه الأساليب جمع مجموعات بيانات واسعة من صور الأجسام المعيبة وإضافة التعليقات التوضيحية إليها. ويستخدم الخبراء البيانات المشروحة لتدريب نماذج اكتشاف الأجسام، 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#

يُعد النظر مرة واحدة فقط (YOLO) نموذجًا متطورًا (SOTA) لاكتشاف الأجسام في الوقت الفعلي، ويشتهر بدقته العالية وقابليته للتكيف وسرعته. وأحدث إصداراته هو Ultralytics YOLO11، الذي يحسن الإصدارات السابقة من حيث استخراج الميزات والسرعة والدقة وقابلية التكيف.

يتميز ببنية أفضل لاستخراج الميزات بدقة أكبر، ويتضمن مسارات تدريب محسّنة لسرعات معالجة أعلى. كما أنه أكثر كفاءة من الناحية الحسابية، إذ يحتوي على معلمات أقل بنسبة 22% ودرجات دقة أعلى من أسلافه.

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

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

اكتشاف العناصر المفقودة والأجزاء الموضوعة في غير مواضعها في الإلكترونيات#

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

في تصنيع الإلكترونيات، يُعد تحديد المكونات المفقودة أو الأجزاء غير المحاذية أو مشكلات اللحام أمرًا بالغ الأهمية لضمان موثوقية المنتج النهائي وامتلاكه الوظائف الصحيحة.

يمكن تدريب نماذج اكتشاف الأجسام، مثل YOLO11، لاكتشاف المكونات المفقودة أو الموضوعة في غير مواضعها على لوحات الدوائر. ويمكنها تحليل صور اللوحات في الوقت الفعلي وتحديد عيوب مثل المقاومات أو المكثفات المفقودة. ويضمن ذلك صحة تجميع كل وحدة قبل الشحن.

اكتشاف الشقوق في قطع السيارات#

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

ويُعد قطاع السيارات أحد الأمثلة التي يكون فيها اكتشاف الشقوق في مكونات متعددة، مثل التروس وأنظمة المكابح، ضروريًا لضمان استيفائها لمعايير السلامة.

يمكن تدريب نماذج مثل Ultralytics YOLO11 على اكتشاف عيوب مثل خدوش السطح أو الشقوق بسرعة في مكونات السيارات المعقدة.

اكتشاف الأضرار في المنسوجات#

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

يمكن لقطاع المنسوجات الاستفادة بدرجة كبيرة من اكتشاف الأضرار القائم على الذكاء الاصطناعي باستخدام نماذج اكتشاف الأجسام والتقسيم، مثل Ultralytics YOLO11. إذ يمكنه تحديد عيوب مثل التمزقات والثقوب والبقع أو أوجه عدم الاتساق في النسيج أثناء عملية الإنتاج.

اكتشاف الحالات الشاذة في تصنيع الأدوية#

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

في تصنيع الأدوية، يُعد اكتشاف الحالات الشاذة ضروريًا لضمان جودة المنتجات الدوائية وسلامتها. ويمكن للمصنعين استخدام Ultralytics YOLO11 لاكتشاف حالات عدم الانتظام، مثل عدم الاتساق في أشكال الأقراص وأحجامها، أو تغير اللون، أو وجود جسيمات غريبة.

دقة التغليف ووضع الملصقات#

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

يمكن لنماذج مثل Ultralytics YOLO11 المساعدة في اكتشاف أخطاء التغليف، مثل وضع الملصقات بشكل غير صحيح، أو تلف التغليف، أو فقدان أختام السلامة. كما يمكنها التحقق من وضع الملصقات في مواضعها الصحيحة واحتوائها على رموز شريطية واضحة أو تواريخ انتهاء الصلاحية.

ويضمن ذلك امتثال المنتجات للوائح القطاع واستعدادها للتوزيع على المستهلكين.

تحديات الفحص القائم على الذكاء الاصطناعي واتجاهاته المستقبلية#

لا تزال أطر فحص الجودة القائم على الذكاء الاصطناعي تتطور وتواجه تحديات عديدة. وفيما يلي بعض القيود واتجاهات البحث المستقبلية التي ينبغي أخذها في الاعتبار بشأن هذه التقنيات.

• التعلم في العالم المفتوح والرؤية النشطة: يمثل بناء نماذج لاكتشاف الأجسام الجديدة تحديًا بسبب محدودية توافر البيانات المُعنونة. ويمكن لنماذج التدريب غير الخاضع للإشراف والتعلم بالنقل أن تساعد الخبراء على تكييف أطر الكشف بسرعة مع مجموعات بيانات جديدة.
• الكشف على مستوى البكسل: يتيح تقسيم الصور للنماذج فهم الفرق بين الخلفية والجسم الأساسي في الصورة. ويُعد دمج اكتشاف الأجسام والتقسيم 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 الأجسام، يمكن للتعلم متعدد الوسائط تحسين الدقة في الفحص من خلال التعلم من أنواع مختلفة من البيانات، مثل البيانات الحرارية لفهم العمق، والصور ثنائية الأبعاد، ومقاطع الفيديو القصيرة.

أهم النقاط المستخلصة#

يشهد فحص الجودة القائم على التعلم العميق تقدمًا أُسّيًا بفضل التطوير المستمر لنماذج مختلفة لاكتشاف الأجسام. ويمكن للمصنعين، من خلال فحص الجودة القائم على الذكاء الاصطناعي، تحقيق قابلية توسع ومرونة أكبر مقارنةً بالأساليب التقليدية.

يمكن للشركات استخدام نماذج مثل Ultralytics YOLO11 لأتمتة عملية الفحص، والاستفادة من بنيته المحسّنة وقدراته على استخراج الميزات، مما يؤدي إلى دقة أفضل وسرعة أعلى.

يمكنك معرفة المزيد عن YOLO11 ونماذج اكتشاف الأجسام الأخرى من خلال الاطلاع على مستودع GitHub والتفاعل مع مجتمعنا النابض بالحيوية. واستكشف كيف تعيد Ultralytics تعريف التصنيع من خلال أطر التعلم العميق المتطورة.