خوارزمية YOLOv11 خفيفة محسنة لاكتشاف عيوب سطح اللحام

لماذا تهم العيوب الصغيرة في اللحامات

من الجسور والسفن إلى ناطحات السحاب والأنابيب، تعتمد العديد من الهياكل المعدنية على الوصلات الملحومة لتظل آمنة وقوية. ومع ذلك، قد تخفي أسطح هذه اللحامات عيوبًا صغيرة—مثل المسام، أو الشقوق، أو بقايا الخبث—التي قد تتطور إلى فشل خطير إذا تُركت دون ملاحظة. فحص كل لحام يدويًا بطيء ومكلف ومعرض للأخطاء البشرية، خاصة في المصانع المزدحمة. تقدم هذه الورقة نظام رؤية حاسوبية أسرع وأكثر اقتصادية، أُطلق عليه اسم YOLO-Air، مصمم لاكتشاف عيوب سطح اللحام تلقائيًا وفي الوقت الحقيقي، حتى على أجهزة صناعية محدودة الموارد.

قيود أدوات الفحص التقليدية

لسنوات، اعتمد فحص اللحام على طرق اختبار فيزيائية مثل الأشعة السينية والموجات فوق الصوتية ومساحيق مغناطيسية والتيارات الدوامية. يمكن لهذه التقنيات كشف العيوب الداخلية والسطحية، لكنها تأتي مع مقايضات: مخاطر إشعاع ومتطلبات حماية للتصوير الشعاعي، واعتماد كبير على المشغل في الموجات فوق الصوتية، وقيود مادية لاختبارات المغناطيسية والتيارات الدوامية. كما تكافح هذه الأساليب مع الأجسام ذات الأشكال المعقدة ومع التغيرات البيئية مثل الإضاءة ودرجة الحرارة أو تلوث السطح. ومع تزايد الطلب الصناعي على رقابة جودة سريعة ومستمرة، لم تعد هذه الأدوات القديمة كافية بمفردها.

صعود الكاميرات الذكية للفحوصات

جعل التقدم الأخير في التعلم العميق من الممكن اكتشاف العيوب مباشرة من الصور، باستخدام خوارزميات طُورت في الأصل للتعرف على الأشياء اليومية. من بين هذه الخوارزميات، تُعد كاشفات المرحلة الواحدة مثل عائلة YOLO جذابة للمصانع لأنها تجمع بين دقة جيدة وسرعة عالية. ومع ذلك، تقدم صور اللحام تحديات غير اعتيادية: خلفيات مليئة بالصدأ والبقع والطلاءات؛ عيوب صغيرة جدًا ومكتظة؛ وأنواع متعددة من العيوب تختلف في الشكل والملمس. النماذج الجاهزة إما تفوِّت العيوب الطفيفة، أو تخلط الضوضاء مع التلف الحقيقي، أو تكون ثقيلة جدًا بحيث يصعب نشرها على بطاقات رسومية متواضعة أو أجهزة مدمجة.

عقل أنحف لرؤية أوضح

يبني المؤلفون على نموذج YOLOv11 الأحدث ويشكِّلونه إلى YOLO-Air، نسخة مُصممة لاكتشاف عيوب سطح اللحام بكفاءة. يبدأون بإعادة تصميم العمود الفقري للشبكة، الجزء الذي يستوعب الصورة في البداية. يجمع كتلة استخراج الميزات الجديدة بين فكرتين: آلية "الشبح" التي تعيد استخدام تحولات بسيطة لتوليد خريطة ميزات إضافية بتكلفة منخفضة، وآلية مرشح ديناميكي تتكيف مع كل إدخال، فتؤكد على الأنماط المرتبطة بالعيوب الحقيقية وتقلل من أهمية تفاصيل الخلفية المشتتة. يمنح ذلك النموذج فهمًا أغنى للعيوب بأحجام وأشكال مختلفة دون زيادة العبء الحسابي.

تسريع تدفق المعلومات

بعد ذلك، يخفف الفريق منتصف الشبكة، المعروف بالـ neck، المسؤول عن مزج المعلومات الخشنة والعامة مع التفاصيل الدقيقة والمحلية. يستبدلون العمليات الأثقل بعمليات تلافيف مجمعة وممزوجة (grouped and shuffled convolutions) تشجع القنوات على تبادل المعلومات بينما تقلل الحسابات غير الضرورية. كما يعيدون تصميم كتلة التجميع لتبسيط طريقة دمج الميزات على المقاييس المختلفة. معًا، تقلل هذه التغييرات التكرار في ما يجب على النموذج معالجته، مما يسمح له بتتبع العيوب الصغيرة الموزعة عبر سطح ملحوم ضوضوي مع الاستمرار في العمل بسرعة عالية.

طبقة مخرجات خفيفة للاستخدام في الوقت الحقيقي

أخيرًا، يبسط المؤلفون رأس الكشف—الجزء من النظام الذي يحول الميزات الداخلية إلى صناديق محيطة وقرارات حول العيوب. بدلًا من تطبيق تلافيف كاملة على كل قناة، يستخدمون مخططًا جزئيًا يعالج مجموعة فرعية من القنوات ويمرِّر الباقي دون تغيير. يقلل ذلك من حصة كبيرة من معاملات النموذج والعمليات العائمة، مع الحفاظ على المعلومات الأساسية اللازمة لتحديد موضع العيوب وتصنيفها. النتيجة هي كاشف مضغوط وسريع الاستجابة، مما يجعله مناسبًا للمراقبة المباشرة في خطوط الإنتاج حيث تهم كل مللي ثانية.

مدى أداء النظام الجديد

لتقييم YOLO-Air، اختبر الباحثون النموذج على مجموعتي بيانات عامة لعيوب السطح المعدني: إحداهما تركز على اللحامات والأخرى على عيوب شرائح الصلب العامة. مقابل مجموعة من نماذج الكشف الكلاسيكية والحديثة—بما في ذلك عدة نسخ من YOLO وتصاميم معتمدة على المحول (transformer)—يقدم YOLO-Air أفضل توازن بين الدقة والسرعة وحجم النموذج. على صور اللحام، يُحسِّن جودة الاكتشاف بحوالي نقطة مئوية واحدة مقارنةً بخط الأساس YOLOv11 بينما يقلل عدد المعاملات بأكثر من 17 بالمئة والعبء الحسابي بنحو ثلث. كما يحافظ على مئات الإطارات في الثانية من السريان، مما يلبي بسهولة احتياجات الوقت الحقيقي. وتؤكد الاختبارات الإحصائية أن هذه المكاسب ليست نتيجة صدفة.

ماذا يعني هذا للصناعة

من الناحية العملية، يبيّن YOLO-Air أنه من الممكن بناء نظام فحص للحامات ذكي واقتصادي، قادر على العمل على بطاقات رسومية شائعة أو معالجات مدمجة دون التضحية بالموثوقية. عبر التمييز الأفضل بين العيوب الحقيقية والضوضاء السطحية غير الضارة والقدرة على التقاط عيوب صغيرة جدًا، قد يقلل من المشكلات الفائتة والإصلاحات غير الضرورية على حد سواء. وعلى الرغم من أن النموذج لم يُنشر بعد على نطاق واسع في المصانع، فإن الدراسة تقترح مسارًا واضحًا نحو مفحصات مدمجة قائمة على الكاميرات تحرس جودة الهياكل الملحومة الحرجة بصورة مستمرة.

الاستشهاد: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

الكلمات المفتاحية: كشف عيوب اللحام, الرؤية الصناعية, التعلم العميق الخفيف, كشف الكائنات YOLO, أتمتة فحص الجودة