EME‑YOLOv11 المحسّن لاكتشاف عيوب المستقطب في الوقت الحقيقي

لماذا تهم العيوب الصغيرة في الشاشات إلى هذا الحد

تعتمد كل شاشة هاتف ذكي أو لابتوب أو تلفزيون على غشاء بصري رقيق يُسمى المستقطب للتحكّم في مرور الضوء عبر العرض. إذا احتوى هذا الغشاء على بقع صغيرة أو لطخات أو خدوش، فقد يتدهور جودة الصورة وقد تُهدر اللوحات بأكملها. اليوم، لا تزال معظم المصانع تعتمد بشكل كبير على مفتّشين بشريين أو على طرق معالجة صور قديمة لاكتشاف هذه العيوب، وهي عملية بطيئة ومتعبة وليست دائمًا موثوقة. تقدم هذه الدراسة نظام ذكاء اصطناعي أذكى وأسرع — يسمى EME‑YOLOv11 — مصمم لاكتشاف هذه العيوب في الوقت الحقيقي أثناء مرور اللوحات على خط الإنتاج.

من عين الإنسان إلى عين الآلة

في صناعة شاشات الكريستال السائل (LCD)، يُعد المستقطب مكوّناً أساسياً يؤثر بقوة على السطوع والتباين وزاوية الرؤية. العيوب الشائعة — مثل الفقاعات واللطخات والجسيمات الغريبة أو آثار الأدوات — قد تكون عرضها جزءًا من المليمتر فقط، ومع ذلك يمكن أن تقلل من قيمة الشاشة أو تجعلها غير صالحة للاستخدام. كان التفتيش التقليدي يعتمد على فحص العمال للوح بصريًا، لكن البشر يجدون صعوبة في ملاحظة العيوب الضعيفة أو الدقيقة لفترات طويلة، وتتباين أحكامهم بحسب الخبرة والتعب. حسّنت أنظمة رؤية الآلة المبكرة هذا الوضع باستخدام كاميرات وقواعد مصممة يدويًا لقياس الأشكال والأنسجة أو مستويات الرمادي. ومع ذلك، تنهار هذه الطرق القائمة على القواعد عندما تتغير أشكال العيوب أو يكون التباين منخفضًا أو تكون الخلفيات معقدة — وكلها حالات شائعة مع أفلام المستقطب.

ترك الشبكات العصبية لتتعلم ما يهم

غيّر التعلّم العميق، وخصوصًا الشبكات العصبية الالتفافية، طريقة فهم الحواسيب للصور من خلال تعلم ميزات مفيدة مباشرة من البيانات بدلًا من الاعتماد على قواعد مصممة يدويًا. ضمن هذا المجال، أصبحت عائلة نماذج YOLO ("تنظر مرة واحدة فقط") حجر الزاوية للكشف في الوقت الحقيقي عن الأجسام، موازنة بين السرعة والدقة في إطار واحد من النهاية إلى النهاية. يبني الباحثون على نموذج YOLOv11 الحديث، المُعدّ أصلاً للكشف السريع، ويكيّفونه خصيصًا لتفتيش المستقطبات. هدفهم هو زيادة حساسية النموذج للعيوب الدقيقة، والحفاظ على خفته بما يكفي للنشر الصناعي، ومعالجة الصور بسرعة تكفي لمواكبة خطوط الإنتاج المتحركة.

تشديد الحواف والتركيز على التفاصيل الدقيقة

يركّز التحسين الرئيسي الأول على كيفية رؤية الشبكة للحواف والأنماط المكانية. استبدل المؤلفون كتلة قياسية في العمود الفقري لـ YOLOv11 بوحدة جديدة تعمل بفرعين متوازيين: يستخدم أحد الفروع عامل سوبل — مرشح حافة كلاسيكي وكفء — لتأكيد التغيرات الحادة في الشدة، في حين يستخدم الفرع الآخر عمليات التفاف عادية للحفاظ على القوام والهياكل الأوسع. من خلال دمج هذين المنظورين وتمريرهما للأمام، يصبح النظام أفضل في تمييز الحدود الخافتة للبقع والآثار التي قد تندمج مع الخلفية. تعيد وحدة ثانية صياغة كيفية نظر الشبكة إلى التفاصيل على مقاييس مختلفة. بدلًا من التجميع (pooling) الذي قد يمحو الاختلافات الدقيقة، استخدم المؤلفون التفافًا مُتوسّعًا (dilated convolutions) مع مسافات مُختارة بعناية. هذا يتيح للنموذج التقاط كل من الميزات المحلية الصغيرة والسياق الأوسع دون زيادة هائلة في عدد المعاملات، مما يساعده على التعرف على العيوب الصغيرة وغير المنتظمة وكذلك العيوب الأكبر.

قرارات أسرع برأس كشف أخف وزنًا

في نهاية الشبكة، يحوّل "الرأس" المعاد تصميمه خرائط الميزات إلى تنبؤات ملموسة حول مكان وجود العيوب ونوعها. يُعيد المؤلفون تنظيم هذا الجزء إلى ثلاث مستويات دقة — دقيقة للعيوب الصغيرة، متوسطة للعيوب الاعتيادية، وخشنة للعيوب الأكبر — ويستبدلون الالتفافات القياسية بتفافات مجمعة (grouped convolutions) التي تقسم الحسابات إلى أجزاء أصغر ومتوازية. كما يفصل الرأس التصنيف (نوع العيب) عن تحسين المربع (الموقع الدقيق). تقلل هذه التركيبة عدد العمليات وحجم النموذج بينما تحسّن الدقة في الوقت نفسه. في الاختبارات على مجموعة بيانات حقيقية من مصنع تضم نحو 4000 صورة لمستقطبات، تفوّق EME‑YOLOv11 المحسّن ليس فقط على YOLOv11 الأصلي بل أيضًا على مكتشفات شائعة أخرى من مرحلة واحدة وتلك المبنية على المحولات، محققًا دقة واستدعاء أعلى مع عمليات نقطية عائمة ومعاملات أقل.

ماذا يعني هذا للشاشات التي نستخدمها يوميًا

ببساطة، يعد EME‑YOLOv11 مجموعة "عيون آلية" أذكى وأكثر كفاءة لتفتيش المستقطبات. من خلال تشديد الحواف، والحفاظ على التفاصيل الدقيقة، وتبسيط طبقات اتخاذ القرار، يلتقط مزيدًا من العيوب الحقيقية بينما يظل سريعًا بما يكفي للاستخدام في المصانع الحقيقية. على الرغم من أن الاختبارات الحالية أُجريت على بطاقة رسومية عالية الأداء، فإن التصميم المدمج يشير إلى إمكانية النشر مستقبلاً على أجهزة مضمّنة تُركّب مباشرة على خطوط الإنتاج. إذا تم اعتماد مثل هذه الأنظمة على نطاق واسع، يمكن للمصنّعين تقليل هدر اللوحات، واستقرار الجودة، وخفض التكاليف — وكل ذلك ينعكس في نهاية المطاف على موثوقية ومظهر الشاشات التي يستخدمها الناس يوميًا.

الاستشهاد: Liu, R., Jing, C., Zhang, T. et al. The enhanced EME-YOLOv11 for real-time polarizer defect detection. Sci Rep 16, 7414 (2026). https://doi.org/10.1038/s41598-026-37884-2

الكلمات المفتاحية: عيوب المستقطب, التفتيش الصناعي, التعلّم العميق, الكشف عن الأشياء بنموذج YOLO, رؤية الآلة