أتمتة السلامة الصناعية في الوقت الحقيقي باستخدام بنى YOLO مستفيدة من نطاقات لونية متنوعة

عيون أذكى على أرض المصنع

يمكن أن تتحول العيوب الخفية في وصلات اللحام المعدنية إلى مخاطر صامتة تصيب آلات قوية أو جسورًا أو أنابيب. تقليديًا، يقوم مفتشون مدرَّبون بفحص لحامات متوهجة بعناية بحثًا عن تشققات أو فجوات صغيرة قبل أن تتسبب في حوادث. تستعرض هذه الورقة كيف يمكن للذكاء الاصطناعي أن يتحمل جزءًا كبيرًا من هذه المراقبة، باستخدام برمجيات تعرف على الصور سريعة لفحص اللحامات في الوقت الحقيقي، حتى بينما تمر الأجزاء على حزام ناقل. من خلال مقارنة عدة إصدارات من كاشف شائع اسمه YOLO واختبار كيف تؤثر طرق تمثيل الألوان المختلفة على قدرته البصرية، يبيّن الباحثون مسارًا نحو مصانع أكثر أمانًا وكفاءة.

لماذا يصعب اكتشاف اللحامات الرديئة

في خط إنتاج مزدحم، تختلف اللحامات في الشكل واللمعان وتشوش الخلفية. قد تحتوي صورة واحدة على عدة لحامات وعيوب، ما يجعل التصنيف البسيط للصور («جيدة» أو «رديئة» بشكل عام) غير كافٍ. بدلًا من ذلك، يجب على النظام أن يجد ويصنف مناطق المشكلة المحددة على طول الوصلة. يركّز المؤلفون على ثلاث فئات عملية—لحام جيد، لحام سيء، وعيب واضح—لأن كل فئة تتطلب استجابة مختلفة، من قبول الجزء إلى إعادة العمل الفورية. يستخدمون مجموعة بيانات متاحة علنًا تحتوي على أكثر من ستة آلاف صورة لحام معلمة، لضمان تدريب واختبار الذكاء الاصطناعي على مدى واقعي من الأسطح وظروف الإضاءة وأنواع العيوب.

تعليم الآلات أن تنظر مرة وتقرر

تركز الدراسة على عائلة نماذج كشف الأشياء YOLO («أنت تنظر مرة واحدة فقط»)، المعروفة بمسح الصورة في مرور واحد ورسم مربعات حول ما تجد. يقارن الباحثون ثلاثة أجيال: YOLOv3 وYOLOv5 وآخرها YOLOv8. يحسّن كل إصدار السرعة والدقة عبر شبكات أعمق واستراتيجيات تدريب أكثر ذكاءً. لمحاكاة تحديات الإضاءة في المصانع الحقيقية بشكل أفضل، يحول الفريق كل صورة لحام إلى أربعة فضاءات لونية مختلفة—RGB (الأحمر–الأخضر–الأزرق المألوف)، HSV، LAB، وYCbCr—ويدرِّب نماذج منفصلة على كلٍ منها. تتيح لهم هذه المقاربة متعددة الأطياف طرح سؤال محدد: هل يساعد تغيير ترميز اللون الذكاء الاصطناعي على رؤية العيوب بوضوح أكبر؟

الألوان والسرعة والدقة في التطبيق

عبر جميع التجارب، يبرز نمط واضح: النموذج الأحدث، YOLOv8، يتفوق على سابقاته. عند تدريبه على صور RGB القياسية، يحقق YOLOv8 متوسط دقة معيارية مُطَبَّعَة (mAP@0.5) قيمتها 0.592، وهو أعلى بشكل ملحوظ من YOLOv3 وYOLOv5 في نفس الظروف. عمليًا، يعني هذا أنه أفضل في العثور على مناطق اللحام وتسمية حالتها بشكل صحيح. كما أن النموذج سريع للغاية، حيث يعالج نحو 138 صورة في الثانية على بطاقة رسومية حديثة—وهو أعلى بكثير من 30 إطارًا في الثانية المستخدم غالبًا كمعيار للوقت الحقيقي. ضمن فضاءات اللون، يقدم RGB نتائج أقوى باستمرار لجميع إصدارات YOLO الثلاثة، بينما تتأخر HSV وLAB وYCbCr. قد تبرز تلك التمثيلات البديلة ميزات بصرية معينة، لكن في هذا السياق لا تتجاوز بساطة ومحتوى المعلومات في RGB.

من اختبارات المختبر إلى حافة المصنع

لإثبات الجدوى في العالم الحقيقي، ينشر المؤلفون نموذجًا مبسَّطًا من YOLOv8 على جهاز حافة مبني على Raspberry Pi متصل بحزام ناقل وكاميرا. بينما تتحرك الأجزاء الملحومة تحت العدسة، يلتقط النظام الإطارات، وينظفها عبر معالجة أولية أساسية، ويجري الكشف محليًا، مصنفًا كل لحام كجيد أو سيء أو معيب. تُسجل النتائج في قاعدة بيانات وتُعرض على لوحة معلومات للمفتشين، الذين يمكنهم رؤية علامات العيوب الحية واتجاهات الجودة على المدى الطويل. بالإضافة إلى ذلك، يمكن للإطار توليد توصيات، مثل اقتراح تعديلات على سرعة اللحام أو الجهد الكهربائي، أو التنبيه عندما قد تكون صيانة المعدات لازمة استنادًا إلى تكرار العيوب.

ما يعنيه هذا لتصنيع أكثر أمانًا

بالنسبة لغير المتخصص، النتيجة الأساسية واضحة: تُظهر هذه الدراسة أن نموذج ذكاء اصطناعي حديث وخفيف الوزن يمكنه بشكل موثوق وسريع جدًا رصد اللحامات الخطرة في ظروف صناعية حقيقية، خصوصًا عند استخدام صور كاميرا RGB عادية. يثبت YOLOv8 أنه دقيق بما يكفي لتمييز اللحامات الرديئة بوضوح وسريع بما يكفي لمواكبة خطوط الإنتاج عالية السرعة، وكل ذلك أثناء التشغيل على أجهزة متواضعة قريبة من الآلات. يجادل المؤلفون بأن هذا النوع من التفتيش الآلي الواعي للألوان يمكن أن يقلل الأخطاء البشرية، ويكشف المشكلات مبكرًا، ويدعم تصنيعًا أكثر أمانًا وثباتًا. قد تجعل التحسينات المستقبلية—مثل بيانات تدريب أغنى ومعالجة أفضل للعيوب الأكثر دقة—من هؤلاء المفتشين الرقميين جزءًا يوميًا من سلامة الصناعة.

الاستشهاد: Pati, N., Sharma, A., Gourisaria, M.K. et al. A real-time industrial safety automation using YOLO architectures leveraging diverse chromatic domains. Sci Rep 16, 7253 (2026). https://doi.org/10.1038/s41598-026-37869-1

الكلمات المفتاحية: كشف عيوب اللحام, أتمتة السلامة الصناعية, YOLOv8, رؤية حاسوبية في الوقت الحقيقي, ذكاء اصطناعي على الحافة