طريقة اكتشاف عيوب سطوح الألومنيوم في الطيران تعتمد على الالتفاف متعدد المقاييس وآلية الانتباه

لماذا تهم الخدوش الصغيرة في المعدن بشدة

من أجنحة الطائرات إلى هيكل الهواتف الذكية، يجب أن تكون أجزاء الألومنيوم شبه كاملة. يمكن للخدوش المجهرية أو الفقاعات في الطلاء أو الحفر الصغيرة على السطح أن تتطور إلى شقوق تهدد السلامة، وتقلل من عمر المنتج، أو تتسبب في استدعاءات مكلفة. التفتيش البصري لكل جزء بيد إنسان بطيء ومعرض للأخطاء، وحتى العديد من الكاميرات الآلية لا تكتشف أصغر العيوب. تستكشف هذه الدراسة طريقة جديدة بالذكاء الاصطناعي يمكنها رصد عيوب صغيرة جداً على أسطح الألومنيوم بشكل أكثر موثوقية وبسرعات صناعية.

مخاطر خفية على المعدن الأملس

المقاطع والبروفايلات الألومنيومية هي القضبان والألواح الطويلة المستخدمة في هياكل الطائرات، والأجنحة، وخزانات الوقود، والعديد من البنى الأخرى. رغم مظهرها الأملس، قد تحتوي أسطحها على مجموعة واسعة من المشكلات: تسريبات في الطبقات الواقية، مناطق لا توصل الكهرباء بشكل صحيح، ملمسات شبيهة بقشر البرتقال، خدوش، بقع أوساخ، فقاعات في الطلاء، خطوط من رش الطلاء، حفر، وتسريبات عند الزوايا. غالباً ما تكون هذه العيوب بعرض بضعة بيكسلات فقط في صورة عالية الدقة ويمكن أن تمتزج مع الانعكاسات أو ضوضاء الخلفية. يواجه التفتيش التقليدي، سواء نفذه البشر أو أنظمة رؤية آلية قديمة، صعوبة في التمييز بين مثل هذه العلامات الدقيقة والملمس غير الضار، خاصة عندما تكون الإضاءة والخلفيات معقدة.

تعليم الكاميرا أن تنظر مرة واحدة، لكن بدقة

في السنوات الأخيرة، أصبحت أنظمة كشف الأجسام المعتمدة على التعلم العميق—وخاصة عائلة YOLO ("تنظر مرة واحدة فقط")—شائعة في المصانع لاكتشاف العيوب. نسخة حديثة، YOLOv11، سريعة ودقيقة بالفعل للعديد من المهام، لكنها لا تزال تميل إلى فقدان العيوب الصغيرة جداً على الألومنيوم. يبني المؤلفون على متغير YOLOv11n الخفيف ويعيدون تصميم طبقاته الداخلية ليعير اهتماماً أكبر للتفاصيل الدقيقة دون إبطاء النموذج كثيراً. يجمع نهجهم بين ثلاث أفكار رئيسية: طريقة أذكى لالتقاط الأنماط على عدة أحجام في آن واحد، وآلية لتمكين الشبكة من التركيز على البكسلات الأكثر معلوماتية، وطريقة أكثر عناية لتكبير الأنماط الصغيرة حتى لا تفقدها العملية أثناء المعالجة.

رؤية التفاصيل على مقاييس متعددة

الابتكار الأول هو وحدة استخراج الميزات المعاد تصميمها، المسماة C3k2-DWR-DRB، والتي تحل محل كتلة قياسية في YOLOv11n. ببساطة، تتيح هذه الكتلة للشبكة مشاهدة نفس رقعة الصورة بعدة "مستويات تكبير" في وقت واحد—قريب جداً للخدوش الدقيقة، وأوسع قليلاً لفقاعات الطلاء، وأوسع بعد لذلك للبقع أو التغيرات اللونية. تستخدم طبقات التفاف متمددة خاصة وتقنية تدمج عدة مسارات فلتر في مسار واحد فعال، بحيث يمكن للنموذج رؤية كل من القوام الدقيقة والأشكال الأكبر دون أن يصبح ثقيلاً أو بطيئاً. تركز الطبقات الضحلة على الخدوش الرفيعة، بينما تتبع الطبقات الأعمق العيوب الواسعة مثل بقع الزيت، مما يحسن من التعرف على العيوب الصغيرة والكبيرة ضمن نظام متكامل واحد.

مساعدة النموذج على الانتباه حيث يهم

بعد ذلك، يضيف الباحثون وحدة انتباه تسمى SimAM قرب نهاية الشبكة. بدلاً من إدخال العديد من المعلمات الجديدة، تقدر SimAM مدى أهمية كل منطقة صغيرة في خريطة الميزات عن طريق قياس مدى اختلافها عن محيطها. تُرفع قيمة المناطق البارزة—مثل الفقاعة الخفيفة أو حبة الأوساخ—بينما تُخفت المناطق الخلفية المتجانسة. هذا يجعل الكاشف أكثر حساسية للعيوب الحقيقية وأقل عرضة للتشتت بالانعكاسات أو القوام غير الضار، مما يقلل من حالات الفشل في الكشف والتنبيهات الكاذبة.

إعادة بناء الأنماط الصغيرة دون طمسها

العنصر الثالث الرئيسي هو عامل التكبير CARAFE، الذي يحل محل طرق "التمدد" الاعتيادية المستخدمة في العديد من الشبكات العصبية. يمكن للتقنيات القياسية، مثل جارة الأقرب أو الاستيفاء الثنائي، أن تمحو التفاصيل التي تهم أكثر للعيوب الصغيرة. بدلاً من ذلك، يتعلم CARAFE كيفية إعادة تجميع الميزات استناداً إلى السياق المحلي، محدداً عملياً كيف ينبغي تشكيل كل بكسل جديد من جيرانه. تخلق هذه الإعادة المبنية على المحتوى خرائط أكثر حدة ومعلوماتية للأهداف الصغيرة، مما يجعل الفقاعات والحفر والبُقَع أسهل على الكاشف أن يركز عليها.

وضع الطريقة على المحك

لتقييم نظامهم، استخدم المؤلفون مجموعة بيانات صناعية عامة لصور أسطح الألومنيوم من مسابقة على الإنترنت وأعادوا التحقق بعناية من جميع تسميات العيوب. كما وسعوا مجموعة البيانات بدورات صغيرة، وانعكاسات، وتغييرات مقياس حتى يرى النموذج العيوب في ظروف متنوعة. على هذا المعيار، حقق نموذج YOLOv11n المحسّن متوسط دقة متوسط (mAP) بنسبة 79.4% عند عتبة مستخدمة شائعاً واستدعاء (Recall) بنسبة 76.6%، ما يعني أنه يعثر على مزيد من العيوب الحقيقية مقارنةً بـ YOLOv11n الأصلي مع الحفاظ على صغر حجم النموذج. أظهر تحسناً قوياً خصوصاً على الأهداف الصغيرة و"الصغيرة للغاية" مثل فقاعات الطلاء ونقاط الأوساخ، وحافظ على سرعة زمنية حقيقية بحوالي 178 إطاراً في الثانية على بطاقة رسومية قوية.

ما يعنيه هذا للتكنولوجيا اليومية

لغير المتخصصين، الخلاصة أن المؤلفين بنوا "عين" أذكى وأخف للمصانع: نظام كاميرا وخوارزمية يمكنه ملاحظة عيوب تكاد تكون غير مرئية على أسطح الألومنيوم في الوقت الفعلي. من خلال الجمع الذكي بين التحليل متعدد المقاييس، والانتباه، والتكبير الحذر، يحسن أسلوبهم الدقة والموثوقية دون طلب موارد حوسبة هائلة. إذا ما اختُبر في ظروف أصعب في العالم الحقيقي وتكيف مع أجهزة منخفضة الطاقة، فقد يساعد هذا النهج على جعل الطائرات والمركبات والإلكترونيات وغيرها من المنتجات المعدنية أكثر أماناً وموثوقية، مع تقليل الهدر وتكاليف التفتيش.

الاستشهاد: Zhang, R., Cai, S., He, Z. et al. Aerospace aluminum surface defect detection method based on Multi-Scale Convolution and attention mechanism. Sci Rep 16, 6428 (2026). https://doi.org/10.1038/s41598-026-37293-5

الكلمات المفتاحية: عيوب سطح الألومنيوم, التفتيش الصناعي, كشف التعلم العميق, كشف الأجسام YOLO, مواد الطيران