MFDH-Net: شبكة اكتشاف العيوب لدمج الميزات متعددة المستويات ورأس فك الارتباط عبر الاستشعار

لماذا تهم العيوب الصغيرة في المصانع الحديثة

من ألواح الفولاذ الرقيقة للغاية إلى لوحات الدوائر المطبوعة المكدسة بكثافة وواجهات سيارات لامعة، تعتمد المصانع اليوم على أسطح تكاد تكون مثالية. حتى صدع رفيع جداً أو بقعة تآكل صغيرة قد تقصر عمر المنتج، وتسبب استدعاءات، أو توقف خط الإنتاج. لسنوات كان العمال يحدقون في أجزاء متحركة سريعة لمحاولة رصد مثل هذه العيوب بالعين. تصف هذه الورقة MFDH‑Net، نظام ذكاء اصطناعي جديد يكتشف تلقائياً العيوب التي يصعب رؤيتها على الأسطح الصناعية، ويهدف إلى جعل الفحص أسرع وأكثر موثوقية وأسهل في التوسع.

تحدي رصد العيوب الطفيفة

العيوب الصناعية مخادعة. قد تشبه الخدوش والحفر والبقع تغييرات عادية في النسيج أو الإضاءة؛ بعضها صغير جداً، بينما يمتد بعضها الآخر عبر مناطق واسعة؛ وتظهر العديد منها مقابل خلفيات مزدحمة ومرتبكة. تكافح أنظمة الرؤية الحاسوبية التقليدية عندما تبدو أنواع مختلفة من العيوب متشابهة جداً، أو عندما تكون العيوب صغيرة وخافتة، أو عندما تأتي الأجسام في الصورة بأحجام متعددة. يركز المؤلفون على أسطح مثل صفائح الفولاذ ولوحات الدوائر المطبوعة وقطع هيكل السيارة، حيث تكون هذه المشكلات شديدة بشكل خاص. هدفهم تصميم كاشف قادر على فصل الأنماط «الطبيعية» عن تلك الشاذة فعلاً، حتى عندما تكون الفروق دقيقة وتحدث عبر نطاق واسع من المقاييس.

النظر عن قرب وعن بُعد في الوقت نفسه

تبدأ MFDH‑Net بهيكل خلفي جديد يسمى شبكة استخراج الميزات ثنائية المجال. تُبنى للنظر إلى كل صورة بطريقتين متممتين. فرع واحد، مستلهم من الشبكات العصبية الالتفافية الكلاسيكية، يركز على التفاصيل المحلية الدقيقة مثل الحواف والأنسجة الصغيرة. أما الفرع الآخر، المستلهم من نماذج Transformer، فيلتقط العلاقات بعيدة المدى عبر الصورة بأكملها، مما يساعد النظام على فهم السياق الأشمل حول العيب المشتبه به. هذه النظرتان لا تُحافظان منفصلتين: تتيح الشبكة مراراً وتكراراً لتفاعل الميزات المحلية والعالمية، بحيث يتم الحكم على خدش صغير ليس فقط من بكسلاته الفورية ولكن أيضاً من كيفية تباينه مع نمط السطح العام.

نسج المعلومات عبر المقاييس والمواقع

بعد استخراج الميزات، يجب على النموذج تسوية المعلومات من الهياكل الصغيرة والمتوسطة والكبيرة. يقدم المؤلفون شبكة تجميع ميزات متعددة المستويات التي تمرر الإشارات صعوداً وهبوطاً بين الطبقات بدلاً من اتجاه واحد فقط. يشجع هذا التصميم التفاعل العميق بين التفاصيل الدقيقة والأنماط عالية المستوى، مع أوزان متكيفة تخبر النموذج بمدى الثقة في كل مقياس. مكوّن آخر، وحدة دمج الدلالة المكانية، يوافق الميزات من دقات مختلفة بحيث يتطابق نطاق يمثل خدشاً في طبقة ما تماماً مع نفس النطاق في طبقة أخرى. يساعد هذا الاصطفاف الدقيق على منع الالتباس، مثل أن تسمي طبقة ما منطقة ما عيباً بينما تسميها أخرى خلفية.

رؤوس متخصصة لـ «ما» و«أين»

يتضمن تحديد العيب سؤالين مترابطين: ما نوع الخلل، وأين يقع بالضبط؟ تتعامل MFDH‑Net مع ذلك بواسطة رأس فك ارتباط واعٍ عابراً يفصل المعالجة إلى فروع مضبوطة للتصنيف («ما») والتحديد الدقيق للموقع («أين»). يبرز آلية انتباه إدراكي عابر العيوب الصغيرة أو الخافتة بشكل أكبر من خلال إعادة وزن المناطق المكانية وقنوات الميزات التي من المحتمل أن تحتوي عيوبا، مع تقليل أهمية التشويش في الخلفية. هذا مهم بشكل خاص للعيوب الدقيقية على لوحات الدوائر أو واجهات السيارات، التي قد تضيع خلاف ذلك وسط أنسجة وانعكاسات معقدة.

ما مدى فعالية النظام؟

اختبر الباحثون MFDH‑Net على عدة مجموعات بيانات عامة وحقيقية متطلبة: أسطح الفولاذ، لوحات الدوائر المطبوعة، مجموعة عيوب فولاذ متعددة الأنواع، وقطع هيكل السيارة المجمعة من خط إنتاج. عبر هذه المجموعات، حققت الشبكة دقة كشف عالية جداً، غالباً ما تجاوزت 94% في التعرف والتحديد الصحيح للعيوب، مع العمل أيضاً بسرعات الزمن الحقيقي بحوالي 52 إطاراً في الثانية. تُظهر دراسات الإزالة الدقيقة — حيث تُحذف مكونات فردية — أن كل جزء من التصميم، من استخراج الميزات ثنائي المجال إلى الدمج متعدد المستويات ورأس الكشف المتخصص، يسهم في مكاسب قابلة للقياس. بالمقارنة مع مجموعة من الكاشفات الشائعة، بما في ذلك النماذج الالتفافية الكلاسيكية والأنظمة الهجينة والجديدة القائمة على Transformer، قدّم MFDH‑Net توازناً أفضل باستمرار بين الدقة والسرعة.

ماذا يعني هذا للتصنيع الذكي

لغير المتخصصين، الخلاصة أن MFDH‑Net يقدم وسيلة آلية أكثر موثوقية لرصد العيوب الدقيقة التي قد يغفلها المفتشون البشر، دون إبطاء الإنتاج. من خلال الجمع بين تحليل التفاصيل المقربة ونظرة واسعة لكل سطح، ومن خلال ربط المعلومات عبر المقاييس والمهام بعناية، يمكن للنظام تحديد العيوب في منتجات متنوعة بثقة عالية. ومع أن النهج ما يزال يعتمد على بيانات تدريب معنونة قد تكون مكلفة الحصول عليها، فإنه يشير إلى أنظمة فحص مستقبلية تتكيف بسرعة مع مصانع ومنتجات جديدة. باختصار، تقرب هذه العمل الصناعة من اختبارات جودة الأسطح التي تضاهي عين الخبير البشري، لكنها أسرع وأكثر اتساقاً وأسهل في النشر على نطاق واسع.

الاستشهاد: Zhang, L., Yang, Z., Ma, Y. et al. MFDH-Net: defect detection network for multi-level feature fusion and cross-sensing decoupling head. Sci Rep 16, 9750 (2026). https://doi.org/10.1038/s41598-026-40568-6

الكلمات المفتاحية: اكتشاف عيوب صناعية, رؤية حاسوبية, التعلم العميق, فحص الجودة, التصنيع الذكي