فحص الجودة في التصنيع: الطرق التقليدية مقابل أساليب التعلم العميق

تعتبر فحص الجودة مهمة بالغة الأهمية أثناء manufacturing والتي تضمن أن المنتجات تلبي معايير الجودة المطلوبة. ومع ذلك، فإن تقييم الجودة باستخدام طرق الفحص التقليدية يمكن أن يكون مكلفاً مع زيادة تعقيد المنتج.

يتجه المصنعون نحو تقنيات الفحص القائمة على التعلم العميق، مثل object detection و semantic segmentation، لتقليل تكاليف الفحص. التعلم العميق هو مجال فرعي من artificial intelligence (AI) يستخدم computer algorithms تسمى الشبكات العصبية لتحديد الأنماط المعقدة في البيانات. تساعد هذه التقنيات في أتمتة سير عمل الفحص وتقليل الاعتماد على المفتشين البشريين من خلال تحليل datasets واسعة النطاق، بما في ذلك الصور وفيديوهات.

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 لطرق التعلم العميق تحسين فحص الجودة وكيف يمكن لـ Ultralytics YOLO11 تعزيز الفحص في صناعات متعددة.

ما 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.

ما هي أساليب التعلم العميق؟#

تستخدم نهج التعلم العميق artificial neural networks التي تعمل على مبادئ الدماغ البشري. الشبكات عبارة عن طبقات مترابطة من الخلايا العصبية. تؤدي كل خلية عصبية عملية حسابية لتحليل البيانات وتحديد الأنماط وتوليد تنبؤ.

Fig 1. شبكة عصبيّة اصطناعيّة.

في فحص الجودة، تتضمن نماذج التعلم العميق أطر computer vision التي تتعلم تلقائياً وتستخرج الميزات 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 منها، يمكن للخبراء نشر هذه النماذج على cameras وأجهزة الاستشعار باستخدام deployment tools مختلفة مثل PyTorch، و ONNX، و OpenVINO.

أساليب 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.

التصنيف الثنائي#

Binary classification يشير إلى مهمة تصنيف الصور إلى واحدة من فئتين، مثل تحديد ما إذا كان العيب موجوداً في الكائن 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.

Fig 2. التصنيف الثنائي لجزء من السيارة.

تصنيف 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.

Fig 3. التصنيف متعدد الفئات الذي يكشف عن الانحناء واللون.

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

التوطين#

يشير التحديد المكاني إلى تحديد الموقع المحدد لكائن أو ميزة داخل الصورة. يستخدم object detection models للتنبؤ بـ bounding boxes أو الإحداثيات التي تسلط الضوء على المنطقة المحددة للتلف.

هذا مفيد للمهام مثل اكتشاف الشقوق في المباني أو الأجزاء الصناعية، حيث يكون precise location للعيب ضرورياً لإجراء إصلاحات مستهدفة.

Fig 4. نموذج يحدد موقع ثقب التثقيب.

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

التوطين 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.

Fig 5. نموذج يحدد 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.

الأساليب 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.

توفر نهج التعلم العميق مرونة أكبر لبناء أنظمة اكتشاف أكثر تعقيداً. تتضمن هذه النهج جمع وتعليق annotating مجموعات بيانات واسعة النطاق من صور الأجسام المعيبة. يستخدم الخبراء البيانات المعلقة لتدريب object detection models مثل Ultralytics YOLO11. بمجرد التدريب، يمكنهم نشر النموذج في الكاميرات أو أجهزة الاستشعار لالتقاط الصور وتحديد العيوب في الوقت الفعلي.

في القسم التالي، سنلقي نظرة على كيف يمكن استخدام نموذج Ultralytics YOLO11 لفحص الجودة.

استخدام الرؤية الحاسوبية لفحص الجودة#

You-Only-Look-Once (YOLO) هو نموذج الكشف عن الكائنات في الوقت الفعلي الأحدث من نوعه المشهور بدقته العالية وقدرته على التكيف والسرعة. أحدث إصدار له هو Ultralytics YOLO11، والذي يحسن الإصدارات السابقة من حيث feature extraction، والسرعة، والدقة، وقابلية التكيف.

يتميز ببنية أفضل لاستخراج الميزات بشكل أكثر precise ويتضمن training pipelines محسنة لسرعات معالجة أسرع. وهو أكثر كفاءة من الناحية الحسابية، مع معلمات أقل بنسبة 22% ودرجات دقة أعلى من سابقاته.

بفضل مرونته، يمكن لنموذج Ultralytics YOLO11 المساعدة في تحسين سير عمل فحص الجودة في مجالات متعددة. يمكنه المساعدة في اكتشاف الشذوذ، والأضرار، والشقوق، والعناصر المفقودة، وأخطاء التغليف في المنتجات من خلال أداء مهام مثل اكتشاف الكائنات والتجزئة.

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

اكتشاف 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 كشف الكائنات مثل YOLO11 لاكتشاف المكونات المفقودة أو في غير مكانها على لوحات الدوائر. يمكنه تحليل صور اللوحات في الوقت الفعلي، وتحديد العيوب مثل المقاومات أو المكثفات المفقودة. سيضمن ذلك أن تجميع كل وحدة صحيح قبل الشحن.

اكتشاف الشقوق في أجزاء السيارات#

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

صناعة automotive هي مثال واحد حيث يكون اكتشاف الشقوق في مكونات متعددة مثل التروس وأنظمة الفرامل ضرورياً لضمان استيفائها لمعايير السلامة.

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

اكتشاف 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 التنسيق والنسيج الاستفادة بشكل كبير من اكتشاف الأضرار القائم على الذكاء الاصطناعي باستخدام نماذج اكتشاف الكائنات والتجزئة مثل Ultralytics YOLO11. يمكنه تحديد العيوب مثل التمزقات، والثقوب، والبقع، أو تناقضات الأقمشة أثناء عملية الإنتاج.

اكتشاف 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 الدوائي، يعد اكتشاف الشذوذ أمرًا حيويًا لضمان جودة وسلامة المنتجات الدوائية. يمكن للمصنعين استخدام Ultralytics YOLO11 لاكتشاف المخالفات مثل عدم الاتساق في أشكال الأقراص، والأحجام، أو تغير اللون، أو الجسيمات الغريبة.

دقة 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 Ultralytics YOLO11 المساعدة في اكتشاف أخطاء التغليف مثل التسميات غير الصحيحة، أو التغليف التالف، أو أختام الأمان المفقودة. يمكنه أيضًا التحقق من أن الملصقات تحتوي على أماكن صحيحة مع رموز شريطية واضحة أو تواريخ انتهاء الصلاحية.

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

تحديات وتوجهات مستقبلية لفحص الجودة القائم على الذكاء الاصطناعي#

لا تزال أطر AI-based quality inspection في تطور وتواجه تحديات عديدة. إليك بعض القيود واتجاهات البحث المستقبلية التي يجب مراعاتها لهذه التقنيات.

• التعلم المفتوح الرؤية والنشطة: بناء نماذج كشف الكائنات لاكتشاف كائنات جديدة يمثل تحدياً بسبب توفر البيانات المرقمة المحدودة. يمكن لـ Unsupervised training ونماذج transfer learning أن تساعد الخبراء على تكييف أطر الكشف بسرعة مع مجموعات بيانات جديدة.
• الكشف على مستوى البكسل: يتيح تجزئة الصور للنماذج فهم الفرق بين الخلفية والكائن الأساسي في الصورة. يعد دمج كشف الكائنات و segmentation مجال بحث يتم تطويره باستمرار لضمان فحص عالي الجودة.
• التعلم المتعدد الوسائط: يمكن للنماذج المتعددة الوسائط دمج وتحليل أنواع بيانات متعددة في وقت واحد. في كشف الكائنات، يمكن أن يساعد التعلم متعدد الوسائط في تحسين accuracy الفحص من خلال التعلم من أنواع بيانات مختلفة، مثل البيانات الحرارية لفهم العمق، والصور ثنائية الأبعاد، ولقطات الفيديو القصيرة.

أبرز 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 Ultralytics YOLO11 لأتمتة عملية الفحص، والاستفادة من بنيتها المحسنة وقدرات استخراج الميزات مما يؤدي إلى دقة أفضل ووسائل أسرع.

يمكنك معرفة المزيد عن YOLO11 ونماذج كشف الكائنات الأخرى من خلال التحقق من GitHub repository والتفاعل مع community النابض بالحياة. استكشف كيف تعيد Ultralytics تعريف manufacturing من خلال أطر التعلم العميق الحديثة.