DEENet: نموذج مشفّر ثنائي من نوع CNN–Transformer مع تعزيز الحواف لاكتشاف عيوب سطح الصلب

لماذا تهم العيوب الصغيرة في الصلب

من السيارات والجسور إلى الأجهزة المنزلية، يعتمد نمط الحياة الحديث بشكل هادئ على الصلب. ومع ذلك، يمكن أن تقوض موثوقية كل هذه المنتجات عيوب صغيرة للغاية يصعب اكتشافها حتى تحت المجهر. تقدم هذه الدراسة DEENet، نظام رؤية حاسوبية جديد قادر على العثور تلقائياً على عيوب سطحية طفيفة على شرائط الصلب بدقة وكفاءة أعلى من الأدوات الحالية، مما يساعد المصانع على رصد المشكلات مبكراً، تحسين السلامة، وتقليل الهدر.

تحدي رؤية العيوب الصغيرة

تتعرض أسطح الصلب لأنواع كثيرة من العيوب أثناء الإنتاج: بقع متقشرة، حفر، شقوق دقيقة، احتجاز مواد غريبة وخدوش. يعتمد التفتيش التقليدي على العاملين البشريين أو مرشحات صورة بسيطة، وهي عمليات بطيئة وغير ثابتة وسهلة الالتباس بسبب خلفيات المصانع الصاخبة. يمكن لخوارزميات الكشف الحديثة «المرّة الواحدة» مثل عائلة YOLO مسح الصورة في تمريرة واحدة، لكنها لا تزال تفوت العيوب الصغيرة جداً أو ذات التباين المنخفض وغالباً ما تمحو حواف المناطق المتضررة. عندما تكون الحدود بين الصلب السليم والتالف غامضة، تسيء أجهزة الكشف تقدير الحجم والموقع، مما يؤدي إلى تفويت عيوب أو إنذارات كاذبة.

مزج طريقتين للرؤية

يتعامل DEENet مع هذه المشكلة عبر دمج طريقتين مكملتين للنظر إلى الصورة. أحد الفروع هو شبكة عصبية تلافيفية تقليدية (CNN) جيدة في التقاط الملمس المحلي الدقيق، مثل الحفر الصغيرة أو الخدوش الرفيعة. الفرع الآخر هو شبكة مبنية على Transformer، التي تقسم الصورة إلى رقع وتتفوق في التقاط السياق الأوسع—كيف ترتبط الأنماط عبر الشريط الكامل من الصلب. في DEENet، يعمل هذان الفرعا كـ «عينين» توأمين: إحداهما تركز على التفاصيل، والأخرى على المشهد العام. ثم يقوم وحدة اندماج ثنائية القناة مخصصة بخلط مخرجاتهما، بحيث يُوصف كل جزء من الصورة بملمسه المحلي ودوره في المشهد العام. هذا التبادل يجعل النظام أكثر حساسية للعيوب الصغيرة والمتكدسة التي تميل النماذج القديمة إلى تجاهلها.

توضيح محيط التلف

حتى مع ميزات غنية، قد يواجه الكاشفون صعوبة في رسم حدود حادة حول العيوب، خاصة عندما تتلاشى تدريجياً في الخلفية. للتعامل مع ذلك، صمّم الباحثون وحدة تعزيز الحواف المسمّاة C2f_EEM، التي تركز تحديداً على تغيرات الشدة عند الحدود بين المناطق المتضررة وغير المتضررة. تمرّر الميزات عبر عدة مرشحات بأحجام مختلفة لالتقاط البنى من الشقوق الرفيعة إلى البقع الأعرض، ثم تستخدم نوعاً من المقارنة قبل/بعد لتأكيد التحولات الحادة. تبرز هذه العملية المحتوى «عالي التردد» حيث توجد الحواف، مما يجعل الشقوق والحفر تبرز بوضوح أكبر، وتقوم بذلك بحسابات خفيفة مناسبة للاستخدام في الوقت الفعلي على خطوط الإنتاج.

اختبار النظام

قيّم الباحثون DEENet على معيار شائع لعيوب شرائط الصلب يتضمن ستة أنواع عيوب شائعة، لكل منها مئات صور العيّنات. بالمقارنة مع كاشفات قائمة على YOLO ونماذج أحدث بأسلوب Transformer، يحقق DEENet متوسط دقة أعلى—مقياس ملخّص لمدى صحة ومكان الاكتشافات—يصل إلى 81.4%. كانت المكاسب قوية بشكل خاص للفئة الأصعب، التشقّق الشبكي (crazing)، التي تبدو كشبكة دقيقة من الشقوق وتتميز عادة بتباين منخفض جداً. لم يكتفِ DEENet بالعثور على المزيد من هذه العيوب المعقدة بل رسم أيضاً مربعات أوضح حولها، مع الحفاظ على حسابات إجمالية منخفضة بما يكفي للنشر العملي. تُظهر اختبارات إضافية على مجموعة بيانات صناعية أخرى وعلى صور أُضيفت إليها ضوضاء وتغيرات إضاءة أن النموذج يبقى دقيقاً حتى عندما تسوء الظروف.

ماذا يعني هذا للمنتجات اليومية

بعبارات بسيطة، تُظهر الدراسة أن إعطاء نظام رؤية آلي نظرتين مكملتين لنفس سطح الصلب—وتعليمه تعزيز الحواف—يمكن أن يجعل كشف العيوب أذكى وأكثر موثوقية. قد تساعد قدرة DEENet المحسّنة على اكتشاف العيوب الصغيرة والخافتة ورسم حدودها بدقة مصانع الصلب على اكتشاف المشكلات مبكراً، تقليل الخردة، وتقديم مواد أكثر اتساقاً لكل شيء من ناطحات السحاب إلى الهواتف الذكية. وبينما يشير الباحثون إلى حاجة إلى عمل إضافي لتقليص النموذج لأجهزة منخفضة الطاقة ولتجربته في مصانع أكثر تنوعاً، فإن نتائجهم تشكّل خطوة نحو رقابة جودة أكثر أماناً وكفاءةً وأتمتةً في الصناعة الثقيلة.

الاستشهاد: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

الكلمات المفتاحية: عيوب الصلب, رؤية الحاسوب, التعلّم العميق, تفتيش الجودة, الأتمتة الصناعية