Machine Vision

الرؤية الآلية (MV) هي استخدام الكاميرات والبصريات والإضاءة وتحليل الصور في الأتمتة الصناعية لفحص المنتجات وقياس الأجزاء وقراءة الرموز وتوجيه الآلات، بحيث تؤدي كل نتيجة إلى إجراء مثل رفض جزء أو فرزه أو توجيه روبوت. وهي رؤية حاسوبية مدمجة في حلقة تحكم: يجب أن يُنجز نظام الرؤية على خط التعبئة كل قرار ضمن زمن دورة الخط، أي عشرات المللي ثانية لكل جزء في خط تعبئة سريع، وأن يبلّغ به متحكمًا منطقيًا قابلًا للبرمجة (PLC) عبر الإدخال والإخراج الرقمي أو شبكة صناعية. وتُقسّم مهامها عادةً إلى أربع فئات: التوجيه (تحديد مواقع الأجزاء لـالروبوتات)، والفحص (اكتشاف العيوب والسمات المفقودة)، والقياس (قياس الأبعاد)، والتعرّف (قراءة الرموز الشريطية ورموز مصفوفة البيانات والنصوص المطبوعة باستخدام التعرّف الضوئي على الحروف).

الرؤية الآلية مقارنةً بالرؤية الحاسوبية ومعالجة الصور#

تطبّق الرؤية الآلية معالجة الصور، التي تحوّل الصور بترشيح التشويش أو تحسين حدة الحواف، والرؤية الحاسوبية، التي تستخلص المعنى من الصور في أي بيئة، على الآلات الصناعية. ويحدّدها عتادها وتكاملها: إضاءة وبصريات مضبوطة، وكاميرات تُشغّلها مستشعرات على خط الإنتاج، وتوقيت حتمي، ومخرجات موصولة بالمشغلات. ويكمن الفرق بين المجالات الثلاثة في نطاقها بالدرجة الأولى، كما تشغّل أنظمة الرؤية الآلية الحديثة نماذج التعلم العميق نفسها المستخدمة في تطبيقات الرؤية الحاسوبية الأخرى.

مكوّنات نظام الرؤية الآلية#

• الإضاءة: تحدد الإضاءة ما تستطيع الكاميرا رؤيته. وتحول الإضاءة الخلفية الأجزاء إلى صور ظلية لقياس الحواف بدقة، وتخفف إضاءة القبة المنتشرة الوهج عن الأسطح اللامعة، وتُبرز إضاءة المجال المظلم ذات الزاوية المنخفضة الخدوش والحروف النافرة، وتكشف خطوط الليزر المسقطة مقاطع الارتفاع ثلاثية الأبعاد.
• البصريات: تحافظ العدسات متساوية المركز على ثبات التكبير عند تغير المسافة إلى الجزء، فلا تعتمد نتائج القياس على موضع الجزء.
• الكاميرات: تلتقط كاميرات المسح المساحي أجزاءً منفصلة في تعريض واحد، وتبني كاميرات المسح الخطي صور المواد المستمرة مثل الفولاذ والورق والمنسوجات صفًا تلو الآخر، وتستخدم مستشعرات الأبعاد الثلاثية التثليث بالليزر أو الرؤية المجسمة أو قياس زمن الرحلة. وتتيح معايير الواجهات مثل GigE Vision وUSB3 Vision وGenICam للبرمجيات التحكم بكاميرات من موردين مختلفين.
• المعالجة والإدخال/الإخراج: يطلق مستشعر كهروضوئي أو مُشفّر إشارة التقاط كل صورة، ويجري التحليل على كاميرا ذكية أو حاسوب صناعي، ثم تُرسل النتيجة إلى PLC، وعلى نحو متزايد إلى عتاد طرفي مزود بوحدة GPU أو NPU.

الأدوات القائمة على القواعد والتعلم العميق#

تربط برمجيات الرؤية الآلية التقليدية أدوات حتمية متسلسلة: العتبة، وتحليل الكتل، واكتشاف الحواف، ومطابقة الأنماط، ومقاييس الفرجار التي تقيس المسافة بين الحواف. يشغّل هذا المثال تحليل الكتل على صورة لعملات معدنية، فيعدّ الأجزاء ويقيس حجمها:

import numpy as np
from scipy import ndimage as ndi
from skimage import data, filters, measure, segmentation

# Grayscale photo of 24 Greek coins on a gray background, bundled with scikit-image
image = data.coins()

# Seed the background (dark) and the parts (bright), then grow both along edge strength
markers = np.zeros_like(image)
markers[image < 30] = 1
markers[image > 150] = 2
mask = ndi.binary_fill_holes(segmentation.watershed(filters.sobel(image), markers) == 2)

# Blob analysis: label each part, ignore specks, and gauge each diameter in pixels
parts = [r for r in measure.regionprops(measure.label(mask)) if r.area > 300]
diameters = [part.equivalent_diameter_area for part in parts]
print(f"{len(parts)} parts, diameters {min(diameters):.0f}-{max(diameters):.0f} px")

يطبع المثال 24 parts, diameters 37-63 px: عُثر على كل عملة وقيس حجمها، وفي نظام إنتاج ستُقارن أقطارها بحدود السماحية وتُرسل النتيجة إلى PLC. تزداد إضاءة الخلفية في هذه الصورة باتجاه أعلى اليسار وتتشارك العملات معها مستويات الرمادي، لذا يقسّم حد Otsu العام الواحد الصورة إلى 96 كتلة؛ وهي مشكلة تمنعها الإضاءة المضبوطة على خط الإنتاج.

تتميز الأدوات القائمة على القواعد بالسرعة وقابلية التفسير والدقة للأجزاء ذات الهندسة الثابتة، لكنها تواجه صعوبة مع التنوع الطبيعي، مثل عروق الخشب والطعام والعيوب التجميلية التي تتخذ أشكالًا عديدة. تتعلم نماذج كشف الأجسام وتقسيم المثيلات وكشف الشذوذ هذه الحالات من الأمثلة. يرسم نموذج تقسيم YOLO26 مدرّب على صور العيوب الخدوش والشقوق على مستوى البكسل، ويحوّله وضع التصدير في Ultralytics إلى TensorRT أو OpenVINO، لتلائم عمليات الاستدلال الآني زمن دورة خط الإنتاج على حاسوب صناعي أو NVIDIA Jetson.

تطبيقات عملية#

• الفحص البصري الآلي: تفحص خطوط الإلكترونيات لوحات الدوائر المطبوعة بحثًا عن مكوّنات مفقودة أو مزاحة أو معكوسة، وعن وصلات لحام معيبة، وغالبًا ما تُفحص عجينة اللحام ثلاثيًّا قبل وضع المكوّنات.
• فحص الأدوية والتغليف: تتحقق الأنظمة من مستويات التعبئة والأغطية والملصقات، ويقرأ OCR رمز التشغيلة المطبوع وتاريخ انتهاء الصلاحية على كل عبوة.
• الروبوتات الموجّهة بالرؤية: تحدد الروبوتات مواقع الأجزاء المكدسة عشوائيًا لالتقاطها من الصناديق، مستخدمةً مستشعرات ثلاثية الأبعاد وتقدير الوضعية لاختيار طريقة الإمساك.
• تصنيع السيارات: تقيس المستشعرات ثلاثية الأبعاد الفجوة والتساوي بين ألواح هيكل السيارة، وتفحص الكاميرات الطلاء ودرزات اللحام قبل مغادرة المركبات خط الإنتاج.