تصميم تقنية خفيفة لكشف عيوب سطح المعدن لـ YOLOv7-tiny باستخدام خوارزمية خالية من المراسي

لماذا تهم الشوائب الصغيرة في المعدن

من هيكل السيارة إلى العوارض في ناطحة سحاب، توجد صفائح الفولاذ في كل مكان. ومع ذلك، يمكن للشقوق الشعرية أو الخدوش الباهتة أو الحفر الصغيرة على هذه الأسطح المعدنية أن تضعف الأجزاء بهدوء، وتقصّر عمرها الافتراضي، وتكبّد المصنّعين تكاليف. فحص كل سنتيمتر مربع بالعين بطيء ومعرض للأخطاء، لذلك تتجه المصانع إلى الذكاء الاصطناعي لتمييز العيوب تلقائياً بينما تمر الفولاذ عبر خطوط الإنتاج. تعرض هذه الورقة نظام رؤية حاسوبية أسرع وأخف وزناً مصمماً لرصد العيوب الصغيرة جداً والصعبة الرؤية على أسطح المعدن في الوقت الحقيقي.

كيف تراقب الكاميرات والبرمجيات الذكية الفولاذ

يعتمد فحص العيوب الحديث على الكاميرات الرقمية والتعلّم العميق: برمجيات تتعلم الأنماط مباشرة من الصور. عائلة شائعة من هذه الأنظمة تعرف باسم YOLO، اختصاراً لـ «You Only Look Once»، وهي تفحص الصورة في تمريرة واحدة وتحدد مربعات حول الأجسام ذات الاهتمام. يبني المؤلفون على نسخة مدمجة تسمى YOLOv7-tiny ويكيّفونها خصيصاً لفحص الفولاذ الصناعي. هدفهم الحفاظ على صغر النموذج وسرعته الكافيتين للعمل على أجهزة محدودة الموارد مع الاستمرار في كشف مجموعة واسعة من العيوب—من خطوط اللحام الرفيعة والتجاعيد إلى الحفر المستديرة والبقع—على شرائح وألواح فولاذية متحركة.

رؤية العيوب دون مربعات محددة مسبقاً

تعتمد إصدارات YOLO السابقة على «مربعات المراسي» وهي مجموعة أشكال معرفة مسبقاً يستخدمها النموذج كنقاط بداية للتخمين عن موقع الأجسام. وعلى الرغم من ملاءمتها، فإن هذه الأشكال الثابتة تكافح في الحالات القصوى، مثل الشقوق الطويلة الرقيقة جداً أو النُقَط الصغيرة للغاية، وقد تفشل ببساطة في اكتشافها. يتحول النظام الجديد إلى نهج «خالي من المراسي»: بدلاً من الانطلاق من مربعات ثابتة، يتعلم التركيز على مركز العيب ثم يتنبأ بمدى امتداد حافاته في أربعة اتجاهات. يُكسب هذا التغيير الكاشف مرونة أكبر ويجعله أكثر ملاءمة للأشكال والأحجام الغريبة التي تقدمها العيوب الحقيقية، خاصة في الصناعة الثقيلة.

إبراز الشوائب الباهتة

على العديد من أسطح الفولاذ، تكون العيوب أفتح أو أغمق بقليل من محيطها؛ يمكن أن تندمج مع حبيبات المعدن مثل بقعة في الضباب. لمساعدة الحاسوب على رؤية ما قد يفوته البشر، يطبق المؤلفون عملية مكوّنة من خطوتين لتعزيز التباين قبل الكشف. أولاً، يستخدمون تحويلاً لوغاريتميّاً يوسّع الفوارق في الأجزاء المضيئة من الصورة الرمادية—حيث تتجمع الفولاذ والعيوب غالباً—مع ضغط المناطق الأغمق. ثم يقومون بتمديد نطاق السطوع الناتج عبر المقياس الكامل. معاً، تُوضّح هاتان الخطوتان التركيبات الدقيقة المرتبطة بالعيوب مع إبقاء أنماط الخلفية مكبوتة، مما يمنح الكاشف إشارات بصرية أوضح للعمل عليها.

دماغ أصغر، تركيز أدق

للحفاظ على خفة النظام، يستبدل الباحثون النواة الأصلية لـ YOLOv7-tiny بشبكة أكثر إحكاماً تسمى MobileNetV3-large، صُممت أصلاً للهواتف الذكية والأجهزة المدمجة. يستخدم هذا «الدماغ» كتل بناء متخصصة لتقليل عدد العمليات الحسابية دون فقدان كبير في الدقة. وعلى ذلك يضيفون وحدة انتباه تتعلم إبراز المناطق المهمة—مثل العيوب الصغيرة—مع تجاهل الخلفية غير ذات الصلة. ثم تدمج بنية هرمية خاصة الميزات من مقاييس صورة مختلفة، بحيث يمكن للنظام تمييز العيوب الصغيرة والكبيرة في نفس الإطار. كما أعاد الفريق بعناية وسم مجموعتي بيانات علنيتين لصور العيوب لتصحيح العلامات المفقودة أو غير الدقيقة، مما ضمن أن يتعلم النظام من أمثلة أنظف.

كيف آداء النظام الجديد

اختُبِر الكاشف المحسّن على ثلاث مجموعات بيانات شائعة لعيوب المعادن تتدرج من أنماط بسيطة ومُصطنعة إلى شرائط فولاذية واقعية ومعقّدة. عبر هذه المعايير، زاد التصميم الجديد مقياس دقة رئيسي بحوالي ست نقاط مئوية في المتوسط مقارنة بنموذج YOLOv7-tiny القياسي، مع الاستمرار في معالجة أكثر من 90 صورة في الثانية—سرعة كافية للفحص في الوقت الحقيقي في العديد من المصانع. كما قارن بشكل إيجابي مع مجموعة من الكاشفات المتقدمة، محققاً دقة أعلى من عدة نماذج أثقل وأحدث عندما دُرِّبت جميعها على نفس بيانات عيوب الفولاذ المُنقّحة.

ماذا يعني هذا للمنتجات اليومية

بعبارات بسيطة، تُظهر الدراسة أنه من الممكن بناء نظام رؤية مدمج وفعّال يكتشف بثقة العيوب الصغيرة ذات الأشكال الغريبة على أسطح معدنية سريعة الحركة. من خلال الجمع بين إبراز أذكى للعيوب، وتنبؤ أكثر مرونة بالمربعات، وانتباه أفضل للتفاصيل الدقيقة، وتنظيف دقيق للبيانات، يقدم المؤلفون أداة يمكن أن تساعد صانعي الفولاذ على اكتشاف مزيد من المشكلات قبل أن تصل المنتجات إلى الطريق أو المصنع أو موقع البناء. النتيجة خطوة عملية نحو قطع معدنية أكثر أماناً وموثوقية—ونحو مصانع حيث تراقب الكاميرات الذكية الجودة بهدوء في الخلفية.

الاستشهاد: Huang, YC., Lin, JC. & Wu, YZ. Design of lightweight metal surface defect detection technology for YOLOv7-tiny using Anchor-Free algorithm. Sci Rep 16, 8601 (2026). https://doi.org/10.1038/s41598-026-39233-9

الكلمات المفتاحية: عيوب سطح المعدن, فحص بصري آلي, كشف الأشياء في الوقت الحقيقي, تعلم عميق خفيف الوزن, مراقبة جودة صناعية