إطار عمل هجيني قابل للتفسير للرعاية المُعتمدة بالذكاء الاصطناعي للتنبؤ المتقدم بعيوب سطح الصلب

لماذا يجب أن تهمك العيوب الصغيرة في الصلب

من السيارات والسفن إلى ناطحات السحاب والروبوتات، تُبنى العديد من الأشياء التي نعتمد عليها يومياً من صفائح فولاذية مسطحة. إذا تسللت شقوق صغيرة أو حفر أو خدوش دون أن يلاحظها المصنع، فقد تُضعف هذه الهياكل، وتقصّر عمر المنتجات، وتزيد التكاليف. تصف هذه الورقة نوعًا جديدًا من أنظمة الذكاء الاصطناعي يعمل كمفتش شديد الانتباه، يكتشف ويشرح عيوب السطح الفولاذي الدقيقة بدقة أعلى من الأدوات الحالية، وفي الوقت نفسه يكون سريعًا بما يكفي للاستخدام على خطوط الإنتاج الحقيقية.

كيف يتم فحص الصلب اليوم — ولماذا هذا غير كافٍ

يعتمد الفحص التقليدي للصلب على العمال البشر أو قواعد معالجة صور بسيطة. يفقد البشر تركيزهم بسرعة وقد يتغاضون عن عيوب باهتة أو غير منتظمة. وتتعثر الأنظمة القائمة على القواعد كلما تغيرت الإضاءة أو المادة أو شكل العيب حتى لو كان التغيير طفيفًا، وهو أمر شائع في المصانع الواقعية. في السنوات الأخيرة تم تدريب نماذج التعلّم العميق، وخصوصًا عائلة كاشفات الأشياء YOLO، للعثور تلقائيًا على العيوب. لكن هذه الأنظمة أحادية المرحلة تحاول أداء مهمتين مختلفتين في آن واحد: رسم صناديق حول العيوب وتحديد نوع كل منها. عندما تكون العيوب صغيرة أو ذات أشكال غريبة أو تبدو مشابهة لخلفية الصلب، فإن هذا النهج المزدوج يميل إما إلى تفويت العيوب أو الخلط بين فئاتها.

تقسيم المهمة إلى جزئين لرؤية أوضح

يقترح المؤلفون إطار عمل هجيني للمساعدة الحاسوبية (CAD) يفصل عمدًا بين العثور على العيوب وتسميتها. أولاً، يركز كاشف محسّن يُدعى Fusion YOLO فقط على الإجابة بنعم أو لا لكل منطقة: هل هناك نوع من العيب هنا؟ يجمع هذا الكاشف بين ثلاثة نماذج مبنية على YOLO محسّنة، بما في ذلك تصميم مخصص يسمى DCBS-YOLO، ويدمج اقتراحاتها باستخدام تقنية تُعدّل الصناديق المتداخلة بدلاً من استبعادها. يسمح ذلك للنظام برسم محيطات أكثر موثوقية حول المناطق المشبوهة، خاصة عندما تكون العيوب صغيرة أو ذات أشكال غريبة أو باهتة مقابل الخلفية.

تعليم النظام رؤية التفاصيل والصورة الكاملة معًا

بمجرد تحديد المناطق المحتملة للعيوب، تتولى مرحلة ثانية قرار نوع كل عيب — على سبيل المثال علامة تشقّق تشبه التشقق السطحي "crazing"، أو حفرة، أو رقعة، أو خدش. يستخدم الإطار هنا مزيجًا من عدة شبكات عصبية التلافيفية (CNNs)، التي تتقن التقاط القوام الدقيقة، ومحول رؤية (Vision Transformer) الذي يتفوق في إدراك الأنماط الأكبر والعلاقات بعيدة المدى عبر الصورة. تُدمج خرائط الميزات الخاصة بهم بحيث تُؤخذ التفاصيل المحلية والسياق العام في الاعتبار معًا. يقلل هذا الترتيب بشكل حاد من حالات الخلط بين أنواع العيوب التي تبدو متشابهة للبشر والآلات على حد سواء. عبر مجموعات مختلفة من شبكات CNN، حقق أفضل ثلاثة نماذج إلى جانب المحول، مدرَّبة بشكل متكامل، درجات تصنيف شبه مثالية على مجموعات البيانات القياسية.

تنقية الصورة وضبط النماذج تلقائيًا

لمنح الذكاء الاصطناعي أفضل فرصة للنجاح، صمم المؤلفون خط معالجة مسبق ينعش صور الصلب بلطف. عن طريق ضبط السطوع والتباين، وتقليل الضوضاء، وتوضيح الحواف — مع الحفاظ بعناية على جودة الصورة الكلية — تجعل العملية العيوب الباهتة أكثر بروزًا دون صناعة تحفّز اصطناعية. بالإضافة إلى ذلك، يقوم سير عمل قائم على ممارسات MLOps بالبحث تلقائيًا عبر إعدادات تدريب عديدة، مثل معدلات التعلم وأحجام الدُفعات، لإيجاد التوليفات الأكثر فعالية لكل من الكشف والتصنيف. تقلل هذه الأتمتة من طرق المحاولة والخطأ وتضمن أن النماذج النهائية قريبة من أفضل أداء ممكن للمهمة.

فتح الصندوق الأسود بتفسيرات بصرية

نظرًا لأن المستخدمين الصناعيين يجب أن يثقوا بالنظام قبل وضعه على خط الإنتاج، يتضمن الإطار أدوات ذكاء اصطناعي قابلة للتفسير. بعد تسمية العيب، تنتج طريقة تسمى Grad-CAM خريطة حرارية تبرز الأجزاء من الصورة التي أثّرت أكثر على القرار. تُظهر هذه التراكبات الملونة للمفتشين بالضبط أين "نظر" الذكاء الاصطناعي عندما صنّف شيئًا كشق أو حفرة. في الحالات التي يفشل فيها مرحلة الكشف الأولى في العثور على عيب، يمكن لمرحلة التصنيف وخرائطها الحرارية أن تكشف عن مناطق مريبة، فتعمل كشبكة أمان وتساعد المهندسين على فهم نقاط العمى المتبقية.

ماذا تعني النتائج للمصانع الواقعية

عند اختباره على مجموعتي بيانات شائعتين لعيوب الصلب، تفوق الإطار الجديد على نماذج YOLO القياسية وعدد من الأنظمة البحثية الحديثة، محققًا دقة كشف وتصنيف عالية مع تعميم جيد على أنواع جديدة من العيوب. وعلى الرغم من أن التصميم ثنائي المرحلة يتطلب موارد حسابية أكبر ويقارب فقط سرعة الزمن الحقيقي المثالية، فإنه يقترب بالفعل من معدلات الإطارات المطلوبة في العديد من خطوط الإنتاج. يجادل المؤلفون بأنه مع مزيد من الهندسة يمكن أن يتحول هذا النهج إلى مساعد تفتيش عملي: قادر على التقاط عيوب أكثر دقة، وشرح مبرراته، ومساعدة المصنعين على تقديم منتجات فولاذية أكثر أمانًا وموثوقية.

الاستشهاد: Moon, C., Al-antari, M.A. & Gu, Y.H. Explainable hybrid AI CAD framework for advanced prediction of steel surface defects. Sci Rep 16, 10796 (2026). https://doi.org/10.1038/s41598-025-34320-9

الكلمات المفتاحية: تفتيش سطح الصلب, كشف العيوب, التعلّم العميق, رؤية حاسوبية, الذكاء الاصطناعي القابل للتفسير