شبكة انتباه معززة بالانتشار متعدد المقاييس للكشف عن عيوب سطح الصلب في إنتاج البوليسيليكون

لماذا صار للأخطاء الدقيقة في الصلب أهمية كبيرة فجأة

وراء كل لوحة شمسية لامعة تقف غابة من الأبراج الفولاذية التي تصفّي البوليسيليكون، المادة فائقة النقاء التي تشكل قلب الخلايا الشمسية الحديثة. إذا تشكلت شقوق أو حفر مجهرية في هذه الأبراج، فقد تضعف المعدن تدريجيًا حتى يؤدي ذلك إلى فشل كارثي يوقف الإنتاج — أو، والأسوأ من ذلك، يعرض سلامة العمال للخطر. تُقدّم هذه المقالة نظامًا جديدًا قائمًا على الذكاء الاصطناعي يمكنه اكتشاف مثل هذه العيوب بسرعة وبشكل موثوق، حتى عندما تكون شبه غير مرئية بالعين المجردة، مما يوفر مسارًا لصناعة شمسية أكثر أمانًا وكفاءة.

مصانع الطاقة الشمسية ونقاط الضعف المخفية فيها

تعمل أبراج تقطير البوليسيليكون في ظروف قاسية: درجات حرارة تقارب 1000–1200 °م، أبخرة مخرشة، انعكاسات قوية، وخلفيات بصرية معقّدة. على أسطحها الفولاذية قد تظهر أنواع متعددة من العيوب — شقوق دقيقة شبيهة بالشعر، حفر صغيرة، ترسبات سيليكون، خدوش، عيوب في اللحام، وبقع شوائب. يختلف كل منها في الحجم والشكل والملمس، وكثير منها يندمج مع الخلفية. تعتمد طرق التفتيش التقليدية بدرجة كبيرة على خبراء بشريين أو أدوات رؤية حاسوبية قياسية، وكلاهما يواجه صعوبة في تمييز العيوب الخافتة وغير المنتظمة من مشاهد صاخبة في الوقت الحقيقي. ومع تزايد حجم إنتاج الخلايا الشمسية، يصبح ذلك عنق زجاجة خطيرًا في مراقبة الجودة وسلامة المصانع.

عين أذكى للعيوب الصعبة

يقترح الباحثون MSEOD-DDFusionNet، نظام تعلم عميق مصمَّم خصيصًا لهذا السياق الصناعي القاسي. بدلًا من الاعتماد على شبكة أحادية شاملة، يبنون خطًا مكوّنًا من أربع وحدات متعاونة، كل وحدة تحلّ ضعفًا رئيسيًا في الكاشفات الحالية. أولًا، مرحلة دمج المميزات تحافظ على التفاصيل الدقيقة عبر مقاييس متعددة، حتى لا تُطمس العيوب الضعيفة عندما تُضغط الصور داخل الشبكة. بعد ذلك، تتيح مرحلة الالتفاف الديناميكي للنظام إعادة تشكيل مرشحاتها أثناء التشغيل، مما يساعدها على مطابقة الخطوط الغريبة للشقوق والحفر والترسبات الحقيقية. الوحدة الثالثة تفصل مهمة قمع الضوضاء عن مهمة تضخيم الإشارات الضعيفة، بحيث تُقوَّى أنماط العيوب الهشة بدلًا من محوها. أخيرًا، تدريب قائم على الانتشار يعلّم النظام التحمّل أمام ضوضاء واقعية مثل الوهج والطمس والآثار الحرارية، فيتعلم كيفية تنظيف الميزات المفسدة دون أن يمحو العيوب نفسها.

من صور الطائرات بدون طيار إلى قرارات موثوقة

لاختبار نهجهم، أنشأ الفريق مجموعة بيانات صناعية جديدة أطلقوا عليها اسم DDTE، مبنية من 6252 صورة عالية الدقة التقطتها طائرة دون طيار تحوم على بعد عدة أمتار من المعدات العاملة. وصف الخبراء ستة أنواع حرجة من العيوب بصناديق تحديد دقيقة وراجعوا عمل بعضهم البعض لضمان اتفاق عالٍ. قورن النظام الجديد بعد ذلك بنماذج كشف الأشياء الشائعة مثل عائلة YOLO وعدة طرق قائمة على الترانسفورمر، ليس فقط على DDTE ولكن أيضًا على مجموعات بيانات عامة لعيوب الصلب وحتى مجالات غير ذات صلة مثل الصور اليومية (PASCAL VOC) ومجهرية خلايا الدم (BCCD). عبر هذه الاختبارات المتنوعة، وجد MSEOD-DDFusionNet المزيد من العيوب باستمرار، وموّضعها بدقة أعلى، وعمل بسرعة أكبر من أقوى الأسس، مع استخدام عدد معاملات أقل من العديد من المنافسين.

ماذا تقول الأرقام عن الأداء

على مجموعة البيانات الأساسية DDTE، حقق النظام الجديد متوسط دقة قصوى 82.6% عند حد كشف قياسي (mAP50) و61.6% عبر عتبات أكثر صرامة، متجاوزًا معيار YOLO القوي بينما يعمل قرب 200 إطار في الثانية. أظهر مكاسب خاصة في الفئات الصعبة مثل الحفر وعيوب اللحام، حيث تشوش الأشكال المعقدة والإضاءة طرقًا أخرى غالبًا. على مجموعات بيانات فولاذ إضافية، حسّن بشكل حاد التعرف على العيوب غير المنتظمة مثل الشقوق والاحتباسات. وحتى عند نقله إلى مشاهد يومية وصور طبية، حافظ نفس الهيكل على دقة وسرعة عاليتين، ما يشير إلى أن مبادئ التصميم — التعامل الأفضل مع التفاصيل متعددة المقاييس، التكيّف مع الأشكال، ونمذجة الضوضاء المتينة — مفيدة على نطاق أوسع، وليس فقط في مصانع البوليسيليكون.

ماذا يعني هذا للصناعة وما بعدها

بالنسبة لغير المتخصص، الخلاصة أن المؤلفين بنوا مجموعة "عيون" أكثر انتباهاً، وأكثر قابلة للتكيّف، وأكثر صلابة للآلات. من خلال هندسة كيفية حفاظ الشبكة على التفاصيل الدقيقة، وتتبع الأشكال الغريبة، وتعلّم تجاهل الضوضاء المضللة، يحققون دقة قريبة من أحدث ما توصلت إليه الأبحاث مع إبقاء النظام خفيفًا بما يكفي للنشر في الوقت الحقيقي على أرضيات المصانع. عمليًا، يعني هذا أن أبراج الصلب في مصانع المواد الشمسية يمكن تفتيشها بسرعة وموثوقية أكبر، مما يقلّل خطر الأعطال غير المتوقعة ويحسّن جودة المنتج. يمكن تطبيق نفس الأفكار على سياقات حرجة أخرى — من خطوط الأنابيب إلى الجسور والفحوصات الطبية — حيث قد يكون الفرق بين نظام آمن وآخر خطرًا مخفيًا في عيوب لا يتجاوز حجمها بضعة بكسلات.

الاستشهاد: Duan, Y., He, L., Wang, Z. et al. Multiscale diffusion-enhanced attention network for steel surface defect detection in Polysilicon Production. Sci Rep 16, 5307 (2026). https://doi.org/10.1038/s41598-026-35913-8

الكلمات المفتاحية: عيوب سطح الصلب, إنتاج البوليسيليكون, التفتيش الصناعي, اكتشاف التعلم العميق, رؤية الحاسوب