إعادة وزن بتدرج الثقة وخوارزمية تعزيز الميزات الخفيفة لاكتشاف عيوب سطح الفولاذ

عيون أكثر حدة لجودة الفولاذ

من السيارات والجسور إلى الهواتف الذكية، تعتمد حياتنا العصرية على فولاذ نادر العيوب. قد تُضعف الخدوش الصغيرة أو الحفر أو الشوائب على سطح الفولاذ المنتجات أو تقصر من عمرها الافتراضي، ومع ذلك غالباً ما تكون هذه العيوب صغيرة للغاية ومنخفضة التباين بحيث تتجاهلها حتى الكاميرات والبرمجيات المتقدمة. تقدم هذه الورقة خوارزمية GRACE، وهي طريقة جديدة في رؤية الحاسوب تساعد أنظمة الفحص الآلي على اكتشاف هذه العيوب الدقيقة بشكل أكثر موثوقية وسرعة، بهدف تحسين كل من السلامة وكفاءة التصنيع.

لماذا يصعب اكتشاف العيوب الصغيرة

في مصانع الفولاذ ومصانع الإلكترونيات، تعتمد فرق مراقبة الجودة على كاميرات عالية السرعة وخوارزميات لمسح كل شريط من المعادن أثناء مروره. التحدي أن العديد من العيوب تكون ضئيلة وغير منتظمة الشكل وتكاد لا تبرز عن الأنماط المعقدة لسطح الفولاذ. الأنظمة التقليدية القائمة على قواعد تعتمد على عتبات مضبوطة يدوياً وميزات مصممة يدوياً، والتي قد تتأثر بسهولة بتغيرات الإضاءة أو الضوضاء أو ظروف الإنتاج. حسنت أنظمة التعلم العميق الوضع، لكنها ما تزال تواجه مشكلتين أساسيتين: أولاً، بعض أنواع العيوب تحدث نادراً مقارنة بغيرها، لذا يميل النموذج إلى التعلم من الأنماط الشائعة وتجاهل العيوب النادرة لكنها مهمة؛ ثانياً، غالباً ما تفقد الطبقات المبكرة في الشبكة التفاصيل الدقيقة للنسيج والحواف التي تميز العيب عن أنماط الخلفية غير الضارة.

استراتيجية تدريب أذكى

تُبنى خوارزمية GRACE على نموذج كشف الأجسام الحديث والسريع المسمى YOLO11s وتضيف تحسينين موجَّهين بعناية. الأول، المسمى أخذ عينات ديناميكي مع آلية أخذ عينات متوازنة بتدرج الثقة (DS-CBSM++), يغير طريقة تدريب النموذج بدلاً من كيفية رؤيته لكل صورة. أثناء التدريب، تراقب GRACE باستمرار مدى ثقة النموذج في كل نوع عيب وحجم إشارة التعلم، أو التدرج، لذلك النوع. تُؤخذ عينات لأنواع العيوب النادرة أو منخفضة الثقة، وللصور التي يجدها النموذج صعبة، بتكرار أعلى؛ بينما تُؤخذ العينات للحالات السهلة والمفرطة التمثيل بتكرار أقل. تساعد هذه إعادة الوزن التكيفية الشبكة على إيلاء اهتمام إضافي للعيوب الصعبة وغير الممثلة جيداً دون زيادة كبيرة في حجم النموذج أو تباطؤه أثناء التشغيل على أرض الواقع.

تعزيز تفاصيل خفيف الوزن

التحسين الثاني، شبكة تعزيز الميزات خفيفة الوزن (Lite-FEN)، يركز على تفاصيل الصورة حيث تظهر العيوب الصغيرة. يقوم بإرفاق وحدة انتباه مدمجة بطبقة ميزات مبكرة، حيث تكون الحواف والأنسجة أكثر وضوحاً. عبر عمليات انتباه بسيطة على القنوات والمكانيات، يعزز Lite-FEN الإشارات التي تشبه البنى ذات المغزى — مثل خطوط المتشققات أو الحفر الدقيقة — بينما يخفف من نسيج الخلفية غير ذي الصلة. والأهم أن هذا المعالجة الإضافية تضيف عدداً صغيراً فقط من المعاملات وتحافظ على انخفاض الحسابات، لذا يظل الكاشف سريعاً بما يكفي للفحص في الوقت الحقيقي على خطوط الإنتاج.

كشف أفضل عبر مجموعات البيانات

لاختبار GRACE، قيّم المؤلفون أداءه على ثلاث مجموعات بيانات عامة لعيوب سطح الفولاذ. على معيار NEU-DET المستخدم على نطاق واسع، حسّنت GRACE مقياس دقة رئيسي (متوسط الدقة المتوسط) مقارنةً بنموذج YOLO11s الأساسي، مع الحفاظ على سرعة وحجم نموذج يقاربان السابِق — حوالي 9.56 مليون معلمة وما يقرب من 60 صورة في الثانية عند الدقة القياسية. كانت التحسينات قوية بشكل خاص لأنواع العيوب الصغيرة ومنخفضة التباين مثل التشققات السطحية والأسطح المنخورة. أظهرت تجارب إضافية على مجموعتين أخريين، GC10-DET و X-SDD، أن مزايا GRACE لم تكن مرتبطة بمجموعة صور واحدة: استمرت في استرداد المزيد من العيوب الحقيقية وإنتاج تحديد مواقع أكثر حدة لحدود العيوب، حتى عندما تغيرت أنسجة الخلفية وأنواع العيوب.

ماذا يعني هذا للصناعة

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن GRACE يساعد أنظمة الفحص الآلي على رؤية العيوب الدقيقة والصعبة الاكتشاف بوضوح أكبر، دون الحاجة إلى حواسب أكبر أو إبطاء سرعات الإنتاج. من خلال توجيه التدريب نحو الأمثلة النادرة والصعبة وشحذ تركيز النموذج بلطف على النسيج الدقيق، يقلل GRACE من كل من العيوب الفائتة والإنذارات الكاذبة، لا سيما في الصور المعقدة والمشحونة بالضوضاء التي تشبه ظروف المصنع الحقيقية. وبينما تم اختبار الطريقة حتى الآن في وضع عدم الاتصال على مجموعات بيانات عامة، فإن تصميمها جاهز للتكامل في خطوط الإنتاج الحقيقية، حيث يمكن أن يجعل منتجات الفولاذ أكثر أماناً وموثوقية وأقل هدرًا في التصنيع.

الاستشهاد: Chen, L., Guo, C., Wu, X. et al. Confidence–gradient reweighting and lightweight feature enhancement algorithm for steel surface defect detection. Sci Rep 16, 5676 (2026). https://doi.org/10.1038/s41598-026-36543-w

الكلمات المفتاحية: عيوب سطح الفولاذ, الفحص البصري الآلي, كشف التعلم العميق, كشف الأجسام الصغيرة, مراقبة الجودة الصناعية