تقنيات التفتيش على المواد الهندسية القائمة على التعلم العميق

مقدمة إلى الجزء المتعلق بالتفتيش على المواد

إن تقسيم الصور هو مهمة أساسية من مهام الرؤية الحاسوبية تقسم صورة رقمية إلى أجزاء متعددة - من البكسلات - لتبسيط أو تغيير التمثيل إلى شيء أكثر جدوى وأسهل للتحليل، وفي سياق التفتيش على المواد الهندسية، يتيح التجزؤ تحديد المواقع المحددة وتحديد حجم العيوب مثل الشقوق، وحفر التآكل، والإدماجات، ودليل التحلل، والارتطام بالمستوى الموضوعي.

ونظراً لأن تشديد معايير التسامح في مجال الصناعة والسلامة ترتفع عبر قطاعات الفضاء الجوي والسيارات والطاقة والهياكل الأساسية المدنية، فإن الحاجة إلى أساليب موثوقة غير مدمرة للتقييم لم تكن أكبر من أي وقت مضى، فقد ظهرت نهج التجزئة التقليدية - وهي تحجب، وكشف الحواف، ونمو المنطقة، ونماذج المخروط النشطة - وكثيراً ما تفشل عندما تواجه نسيجات مادية معقدة، أو عدم انتظام في التصور، أو نماذج التسلسل الهرميني.

من التفتيش اليدوي إلى التعلم العميق: مظلة نموذجية

حدود أساليب الفصل التقليدية

وقد استندت عمليات التفتيش الصناعي المبكر إلى فحص بصري بشري، وإلى عملية مرجحة للشعور بالسوء، وعدم الاتساق، وارتفاع تكاليف العمل، كما أن الأساليب شبه المدمجة التي تستخدم تقنيات معالجة الصور التقليدية قد جلبت بعض الإغاثة ولكنها أدخلت حدودها الخاصة، فعلى سبيل المثال، تفشل العتبة العالمية عندما لا تشغل المناطق المعيبة سوى جزء ضئيل من الصورة أو عندما تتباين كثافة المعلومات الأساسية تباينا كبيرا.

The Rise of Convolutional Neural Networks

وقد أدى استحداث شبكات جديدة للثورة وإتاحة مجموعات بيانات مشروحة واسعة النطاق (مثلاً شبكة إيمج نت) إلى إحداث ثورة في فهم الصور، وبالنسبة للفصل، فإن الشبكات المتحالفة بالكامل (الشبكة النفثالينات) قد حلت محل طبقات ذات صلة كاملة بطبقات ذات طابع روحي، مما أتاح التنبؤ بالبعوض الكثيف الذي يُعدُّ من أشكال الهندسة المميزة.

المعمارات التعليمية العميقة الأساسية للفصل المادي

U-Net: Precision with Limited Data

وقد أصبحت الشبكة العالمية، التي صُممت أصلاً لتقسيم الصور الطبية البيولوجية، أداة عمل لكشف العيوب المادية بسبب هيكلها الخاص بالزيندرد المتسم بالأشعة دون المتقطعة، حيث تُستقطب البيانات غير المُحددة نسبياً، بينما يستعيد أمين السجل المكانية، ويستخدم الرابط المُعدية معلومات سامية ذات مستويات عالية من التفاصيل الدقيقة، مما يتيح تفكك الحدود بشكل دقيق.

Mask R-CNN: Instance Segmentation for Multiple Defects

وعندما تتضمن صورة واحدة عيوب متعددة أو متاخمة من أنواع مختلفة (مثلاً، التداخل بين الشقوق وحفرة التآكل)، فإن التجزؤ الرئوي (تصنيف كل فتيل) لا يكفي - نحن بحاجة إلى التمييز بين الحالات الفردية المعيبة.() ويمتد نطاق ماسك R-CNN بإضافة فرع يتوقع قناعاً متجدداً للفصل بين الفولاذين المكتشفين.()

SegNet and EfficientNet-Based Encoders

وتستخدم شبكة سيغنيت خطة جديدة لاستخلاص العينات تنقل مؤشرات لحجم أقصى من الدفق إلى الدردشة، وتخفض البارامترات المتدربة وتركيب الذاكرة مع الاحتفاظ بدقة عالية في الوقت الحقيقي، أما بالنسبة للتفتيش على خطوط الإنتاج، فإن الرؤوس الخلفية للوزن الخفيف مثل شبكة موبيل أو شبكة إيفيسينت ليت، كثيرا ما تكون مُستبدلة بأطر للتجزئة.

DeepLab and Atrous Convolution

وتُعد سلسلة " ديب لاب " (v3+) أكثر المجموعات نضجاً) التي تُستخدم في التحكم في مجال التصفيات دون زيادة البارامترات، وتُستحوذ وحدة اختبار الهرم المكاني على سياق متعدد النطاقات باستخدام هياكل متوازية ذات مسارات مختلفة، وهذا أمر قيم بوجه خاص بالنسبة لتفتيش المواد ذات العيوب التي تختلف اختلافاً كبيراً في نطاقات.

مقسم متحول - أساس

وتستخدم أحدث موجة في قطاع الصناعة محولات للرؤية )في تي(، مثل نموذج " أي شيء " من " ميتا آي " و " ترانزيشن " ( " ترانزيشن " ( " ترانزيون " ، وبدلاً من الاعتماد على الكينول المحلية، يستخدم المحولات الاختراق الذاتي لنموذج المعال البعيد المدى عبر الصورة بأكملها.

التطبيقات عبر المواد الهندسية

المعادن: الصلب، الألمنيوم، والسوبروالوي

وفي مجال صناعة المعادن، تحدد نماذج التجزؤ الشقوق السطحية، والعيوب المتطاولة، والمسامات التلقيحية، والإدماجات، مثلا، يمكن للشبكة المتحدة للتعلم أن تُدرَّب على مسح مجهر الكهرومغناطيسي، وأن تقطع الشقوق البدينة في ألواح الألمنيوم التي تُستخدم في الطراز الأول من التنظيف، وتميز أجهزة التنظيف المزودة بالأجهزة الضوئية في ماسك.

External resource:] ] A recent survey on deep learning for steel defect detection (Measurement, 2022) provides comprehensive benchmarks results.

Composites: Carbon Fiber and Glass Fiber Laminates

وتعاني المواد المركبة من عيوب فريدة: التسمية، والتشويه بالألياف، والثغرات في الراتنج، والأضرار الناجمة عن الارتطام.

السيراميات والاختلاط

وتتحقق عناصر السيرة الذاتية مثل نصلات التربين أو أجهزة العزل الكهربائي - من عيوب سطحية (الثقوب، الشقوق، الرقائق) باستخدام أجهزة مجهر بصري، وتساعد قطاعات التعلم العميق على أتمتة هذه العملية، وتخفض فترة التفتيش بنسبة 80 في المائة مقارنة بمشغلي البشر، وفي الهندسة المدنية، فإن التفكك الخرساني من الصور ذات الكبسولات العديمة هو تطبيق ناضج.

البوليمرات والتزكات

وفي إنتاج أفلام البوليمر )مثلاً، مفرقعات البطاريات، عبوات الأغذية(، تُجز َّأ عيوب مثل البقع الجيلية، وعيوب الأسماك، وتباينات السميك في الوقت الحقيقي باستخدام بنية الشبكة العصبية الخفيفة مثل شبكة النينت أو بي سينيت، وبالمثل، يتم تفتيش أسطح المعادن المطلوبة أو الملو َّنة للتزييف، أو البرتقالي، أو الخد باستخدام نماذج تركيبية التي تعطل في شكل مدخل في ماء السطحي.

أهم جوانب فصل التعلم العميق في التفتيش الصناعي

الاستحقاق والتماسك غير المستقرين

ويحقق نماذج التعلم العميق دقة على مستوى البكسل التي كثيرا ما تتجاوز الشروح البشرية، ولا سيما بالنسبة للعيوب الخفيفة أو الغموضية، وينتج نموذج مدرَّب على آلاف الصور المشروحة نفس حدود القرار في كل مرة، ويقضي على التقلب بين العاملين، وهذا الاتساق حاسم في الحفاظ على ستة من عمليات سيغما.

من نهاية إلى الثانية

وتتطلب خطوط التفتيش التقليدية خطوات منفصلة لتجهيز الصور قبل التجهيز، واستخراج المعالم، والتجزؤ، والتصنيف - كل يد، يقوم بها خبير، وينهار التعلم العميق هذه المراحل إلى نموذج تدريبي واحد، ويمكن أن ينشر حتى غير المتخصصين نماذج للإنتاج في غضون أسابيع باستخدام أدوات خط الأنابيب الآلية (مثلاً، Keras, Py Torch, TensorFlow Extended).

التكيف مع المواد الجديدة والمصابات

ويتيح التعلم في مجال النقل إمكانية وضع نموذج مدرَّب مسبقاً على مجموعة بيانات عامة كبيرة (مثل شبكة المعلومات أو COCO) على مجموعة بيانات صغيرة خاصة بالمواد، مع بضع مئات فقط من الصور، مما يقلل بشكل كبير من جهود الشروح اللازمة لبدء التفتيش على خط منتجات جديد، كما أن أساليب التكيف القائمة على أساس الاتساع تتيح كذلك استخدام النماذج في مختلف طرائق التصوير (العملية، الحرارية، الأشعة السينية) دون التعرض للخدش.

السرعة اللازمة للتفتيش على الإنترنت

يمكن للهيكلات الحديثة الفعالة (MobileNetV3+DeepLabv3, ENet, SwiftNet) أن تجهز 512x512 صورة في أكثر من 100 إطار في الثانية في منتصف الطريق GPU، وعندما تنشر على أجهزة حافة مثل NVIDIA Jetson أو Intel Myriad، فإنها تتيح تقسيماً في الوقت الحقيقي على خط الإنتاج، مما يوقف الأجزاء العسيرة قبل أن تصل إلى محطات التيار.

التحديات في نشر الجزء العميق من المواد

سهرة بيانات التدريب الموسَّع

وتكثيف الأقنعة المشوهة على مستوى الكثافة هو العمل المكثف وتتطلب من خبراء الميكاليورجيين أو علماء المواد، وقد يستغرق وضع علامة قياسية واحدة عالية الاستبانة ساعات من أجل التوسيم، وكثيرا ما تشمل أوجه الخلل في الرتبة 1 في المائة من التدريب على المكائد دون وظائف خاصة للخسارة (فقدان الجهاز، فقدان الأيس) غير فعالة، كما أن استراتيجيات التعلم النشطة وضعف الإشراف (الصناديق المتجهة إلى خفض تكاليف البحث).

التغيرات النسيجية وشيوعات دومان

ويفشل نموذج مدرَّب على درجة فولاذية واحدة (مثلاً، 304 فولاذ لا لزوم) في كثير من الأحيان في درجة أخرى (مثلاً، 6061 ألمنيوم) بسبب الاختلافات في النسيج السطحي، والتفكير، ومورفولوجيا العيوب، كما يحدث تحول رئيسي عند حدوث ظروف الإضاءة، أو زوايا الكاميرات، أو تغير معايرة الاستشعار، وتشمل الحلول الحالية إضفاء الطابع العشوائي على النطاق أثناء التدريب، والزيادة على شبكة الإنترنت مع التشوهات الفلكية، وقلة.

الاحتياجات من الموارد الحاسوبية

وفي حين أن الاختبار يمكن أن يكون سريعاً، فإن نماذج التجزؤ العميق تتطلب وحدات قوية من القطاع العام (12-24 GB VRAM) وكثيراً ما تكون أياماً متعددة بالنسبة لمجموعات البيانات الكبيرة، وبالنسبة لمصنعي المواد الصغيرة إلى المتوسط، فإن التكلفة الأولية للمعدات والغطاء السحابي يمكن أن تكون حاجزاً، إذ أن تُدرِّب المعارف نموذجاً أصغر من نوع " الدراسة " لتقليل حجم النموذج بمقدار 10x مع الحد الأدنى من الخسارة،

الترجمة الشفوية والثقة

ويُبرز المفتشون الصناعيون الذين يُستخدمون في نظم " الصندوق الأسود " ، وتقنيات تفسيرية مثل " غرام - كام " (رسم خرائط لتفعيل الصفات المُرجَّحة) التي تُبرز أهم ما يُسهم في قرار التجزئة، وهذا يساعد المهندسين على التحقق من أن النموذج يركز على العيوب وليس على القطع الأثرية غير ذات الصلة (مثل العلامات الطاردة، والمواصفات الترابية)().

توجيهات المستقبل: نظم التفتيش على الجيل التالي

القليل من الشبح و التعليم من الصفر

ولن تتطلب النماذج المستقبلية سوى مثال واحد أو بضعة أمثلة على عيب جديد لبدء تجزئته بصورة موثوقة، فالشبكات البدائية والهيكلات السيامية التي تم تدريبها على مهام التعلم المميت تظهر الوعود.() أما التجزئة التي لا يمكن أن تجزأ فيها النموذج فصلا غير مرئي من عيوب يستند إلى وصف نصي، فهي على الأفق مع نماذج من نوع الرؤية مثل برنامج تطبيقات المناخ.

توحيد البيانات

ويمكن أن ينتج توليد البيانات الاصطناعية باستخدام شبكة ستيلغان أو نماذج ديفوسيون أو أجهزة الصنع الفيزيائي صوراً تدريبية غير محدودة وشروحة تماماً عن عيوب نادرة، ويحسن الجمع بين البيانات الحقيقية والاصطناعية تعميم النماذج، ويتمثل التحدي الرئيسي في ضمان أن يكون التوزيع التركيبي مطابقاً للمشكلة الحقيقية في التوزيع - وهي مشكلة يجري التصدي لها بمواءمة النطاقات الخصم.

الفصل الثالث دال

ومع أن أجهزة الاستشعار من طراز 3D (LiDAR، الضوء المنظم) ستصبح أرخص، فإن تقسيم السحاب من 3D نقطة من السطح المادي (مثلاً للوحات الجسم الآلية) سيصبح معياراً، كما أن هياكل التعلم العميق مثل بوينت - نت ++ أو فوكسيليت المكيفة لكشف العيوب يمكن أن تجزأ الشذوذات الأرضية مثل الأسنان أو التلاعب مباشرة في الفضاء من 3D.

Edge-AI and Federated Learning

ويزيل نشر نماذج التجزئة مباشرة على الكاميرات الذكية أو أجهزة الحواف الحاجة إلى تيار الصور العالية الاستبانة إلى خادم مركزي. ويتيح التعلم الموحد للمصانع المتعددة التدريب التعاوني على نموذج عالمي دون تقاسم صور العيوب الملكية، مع الحفاظ على الملكية الفكرية، مع تحسين القدرة النموذجية على العمل عبر المواقع.

External resource:] For an overview of edge deployment tools, see ] TensorFlow Lite segmentation examples.

الخلاصة: مؤسسة موثوقة لضمان الجودة الآلية

وقد انتقلت عملية تقسيم الصور العميقة القائمة على التعلم من مختبرات البحوث إلى طابقات المصنع، مما أدى إلى تحسينات قابلة للقياس في دقة الكشف عن العيوب وسرعة حدوثها واتساقها، وفي حين أن التحديات لا تزال قائمة، وحجم النطاقات، وإمكانية الترجمة الشفوية - وهي سرعة وتيرة الابتكار في البنيانات، واستراتيجيات التدريب، ومعدات الحافة تكفل استمرار تقلص هذه الحواجز، أما بالنسبة للتفتيش على المواد الهندسية، فإن اعتماد التجزئة العميقة ليس مجرد تحديث تكنولوجي؛ بل هو خيار لازم بالنسبة للصناعات التي لا يمكن أن تكون فيها إخفاق المادي.

External resource:] The ]Max Planck Institute for Informatics segmentation page ] offers curated research on state-of-the-art methods.