التعلّم التبايني يعزّز MobileMamba للكشف الفوري عن عيوب صناعية على أجهزة الحافة

عيون أذكى لمصانع المعادن

من السيارات والطائرات إلى الجسور والأجهزة المنزلية، يعتمد العالم الحديث على أجزاء معدنية لا يجوز أن تتشقق أو تتقشر أو تتآكل. اليوم، لا تزال العديد من المصانع تعتمد على حواسب ضخمة أو حتى مفتّشين بشريين لاكتشاف عيوب دقيقة على خطوط إنتاج سريعة الحركة. تقدم هذه الورقة نوعًا جديدًا من أنظمة الذكاء الاصطناعي المدمجة القادرة على رصد عيوب صغيرة جدًا على الأسطح المعدنية بسرعة ودقة، حتى عند التشغيل على أجهزة منخفضة الطاقة المُركَّبة مباشرة بجانب الآلات التي تصنع هذه الأجزاء.

لماذا التشققات الصغيرة مشكلة كبيرة

تمر الصفائح والبروفيلات المعدنية بمراحل اللحام والصب والقطع قبل أن تصبح منتجات نهائية. على طول الطريق قد تتكوّن بها تشققات أو فجوات أو خدوش وعيوب سطحية أخرى. يمكن أن تقصّر العيوب غير المكتشفة عمر الجزء أو تؤدي إلى فشل خطير. بدأت أنظمة الرؤية الحاسوبية المستندة إلى التعلم العميق بأتمتة هذه المهمة، لكن العديد من الطرق الأكثر دقة بطيئة أو ثقيلة للغاية لتعمل على أجهزة الحافة الصغيرة والرخيصة التي تفضّلها المصانع. أما النماذج السريعة الموجودة فغالبًا ما تواجه صعوبة مع العيوب الصغيرة جدًا أو منخفضة التباين ويمكن خداعها بالخلفيات المزعجة أو المنقوشة.

مفتّش رقمي أخفّ وأكثر دقّة

يعرض المؤلفون MobileMamba، شبكة كشف خفيفة جديدة مصممة خصيصًا لفحص المعادن الصناعية. تبني على عائلة نماذج الكشف الشهيرة YOLO لكنها تستبدل أجزاء أساسية من البنية بمكوّنات أكثر كفاءة وقادرة على رؤية الصورة كاملة بشكل أفضل. الفكرة المركزية هي استخدام تقنية نمذجة تتابعية حديثة تُدعى Mamba، التي تستطيع التقاط أنماط ذات مدى طويل في الصورة بحساب أقل بكثير من الشبكات المعتمدة على الانتباه. محاطة بكتلة بنائية نحيفة تستخدم الالتفافات العمقية (depthwise convolutions)، تتعلم MobileMamba الجمع بين التفاصيل المحلية الدقيقة، مثل تشقّق شعري، والسياق الأوسع عبر الصفيحة المعدنية، كل ذلك مع الحفاظ على صغر حجم النموذج وطلباته الطاقية المنخفضة.

تعليم النموذج على ما يهم حقًا

تسيطر مناطق الخلوّ من العيوب على صور الفحص الحقيقية، لذا قد يتحيّز النموذج بسهولة لوسم كل شيء بأنه "سليم". لمواجهة ذلك، يضيف الباحثون هدفًا تدريبيًا مساعدًا قائمًا على التعلّم التبايني. أثناء التدريب، يقارن النظام باستمرار أنماط الميزات من مناطق العيوب (المقدّمة) بتلك الموجودة في الخلفيات النظيفة، كما يميز بين صناديق العيب الصحيحة والتنبؤات الخاطئة. والأهم أنه لا يعامل كل أمثلة الخلفية على قدم المساواة: يجد تلقائيًا العينات السلبية «الصعبة»—قطع خلفية تبدو أكثر تشابهًا مع العيوب—ويجبر النموذج على إيلاء اهتمام إضافي للتفريق بينها. تُستخدم هذه الخسارة الإضافية فقط أثناء التعلم وتختفي أثناء التشغيل، لذا فهي لا تبطئ الاستخدام في الزمن الحقيقي.

إثبات الأداء على بيانات مصانع حقيقية

اختبر الفريق منهجهم على ثلاث مجموعات بيانات صناعية مستخدمة على نطاق واسع لأسطح الصلب والألومنيوم تحتوي أنواعًا مختلفة من العيوب مثل الشقوق والشوائب والحفّات المدحرجة. بالمقارنة مع عدة كاشفات خفيفة حديثة، حقق الأسلوب الجديد نتائج كشف أعلى باستمرار مع استخدام عدد أقل من المعاملات وحساب أقل. على جميع المجموعات الثلاث، زاد الدقّة بحوالي ثلاث نقاط مئوية مقارنةً بنماذج YOLO المدمجة المماثلة. ثم بنى المؤلفون نسخة أصغر حتى "نانوية" من MobileMamba ونشروها على لوحة حافة رخيصة NVIDIA Jetson Nano. حتى مع تقليل أحجام الصور، حققت هذه النسخة سرعات فحص في الزمن الحقيقي لا تقل عن 25 إطارًا في الثانية بينما تفوّقت على كاشفات موجهة للحافة الأخرى من حيث الدقّة.

ماذا يعني هذا للمصانع الحقيقية

لغير المتخصصين، النتيجة الرئيسية واضحة: يقدم هذا العمل مفتش ذكاء اصطناعي سريع وكفء بما يكفي لأجهزة حاسب صناعية صغيرة، ومع ذلك حساس بما يكفي لالتقاط عيوب دقيقة يصعب رؤيتها على الأسطح المعدنية. من خلال إعادة تصميم طريقة جمع الشبكة للمعلومات عبر الصورة ومن خلال تدريبه على التركيز على أكثر الخلفيات تشابهًا مع العيوب، يُظهر المؤلفون أن على المصانع لا أن تختار بين السرعة والموثوقية. مع تحسينات إضافية مثل ضغط أذكى ودمج الصور العادية مع مشاهد حرارية أو أشعة سينية، يمكن لمناهج مثل MobileMamba أن تسهم في توفير رقابة جودة أكثر أمانًا واتساقًا لمدى واسع من خطوط التصنيع.

الاستشهاد: Huang, J., Ariffin, S.A., Yang, Q. et al. Contrastive learning enhanced MobileMamba for real time industrial defect detection on edge devices. Sci Rep 16, 5096 (2026). https://doi.org/10.1038/s41598-026-35515-4

الكلمات المفتاحية: كشف عيوب المعادن, الذكاء الاصطناعي على الحافة, فحص صناعي, شبكات عصبية خفيفة الوزن, التعلّم التبايني