شبكة التلافيف متعددة المقاييس مع التوسيع التدريجي للكشف اللحظي عن الأجسام البارزة لعيوب سطح الشريط الفولاذي

لماذا تهم العيوب الصغيرة في الفولاذ

من هياكل السيارات إلى الجسور، تخرج أشرطة فولاذية طويلة من خطوط الإنتاج يومياً. حتى الحفر أو الخدوش الصغيرة على هذه الأشرطة قد تضعف المنتج النهائي أو تجبر على إعادة العمل بتكلفة عالية. فحص كل سنتيمتر بالعين مستحيل عند السرعات الصناعية، لذا تعتمد المصانع على الرؤية الحاسوبية. تقدم هذه الدراسة طريقة تحليل صور جديدة تكتشف عيوب السطح على الشريط الفولاذي بسرعة وموثوقية كافيتين لمواكبة خطوط الإنتاج الحقيقية.

رؤية ما يبرز

يركز المؤلفون على مهمة تسمى كشف الأجسام البارزة، التي تطلب من الحاسوب إبراز المناطق المرئية الأكثر بروزاً في الصورة. على شريط الفولاذ، تكون تلك المناطق عادة عيوب مثل بقع أو رقع أو خدوش. الطرق السابقة القائمة على التعلم العميق تؤدي هذه المهمة بشكل أفضل من المرشحات المصممة يدوياً، لكن كثيراً منها بطيء أو ضخم جداً للاستخدام في الوقت الحقيقي. وتعاني طرق أخرى عندما تختلف أحجام العيوب أو تظهر تحت إضاءات مختلفة، وهو أمر شائع في بيئات المصانع المزدحمة.

النظر إلى التفاصيل والصورة الأكبر

لمعالجة هذه المشكلات، صمم الباحثون شبكة جديدة تسمى MSFNet-PD. في جوهرها، تقسم الصورة المدخلة إلى عدة طبقات من الميزات، كل منها يلتقط مستوى مختلفاً من التفاصيل. الفكرة الأساسية هي الدمج متعدد المقاييس: ينظر النموذج إلى النسيجات المحلية الدقيقة والأشكال الأوسع في الوقت نفسه، ثم يمزج هذه المعلومات. يساعد ذلك في تمييز خدش باهت عن نسيج طبيعي والتعرف على رقع غير منتظمة لا تتبع نمط الفولاذ المعتاد. بدلاً من استخدام كتل انتباهاً ثقيلة، يعتمد التصميم على وصلات مبسطة تحافظ على خفة الحساب.

التوسع التدريجي للرؤية

الفكرة الثانية هي التوسيع التدريجي. ببساطة، يبدأ النموذج بفحص جيران بكسل صغار ثم يوسع مجال رؤيته تدريجياً مع تعمق الميزات عبر الشبكة. هذا الزيادة المرحلية في "مجال الرؤية" تمكّن النظام من إدراك العيوب الصغيرة والكبيرة دون طمس الحواف المهمة. من خلال ترتيب هذه المرشحات الموسعة بعناية، تلتقط الشبكة الخدوش الطويلة الرفيعة والضمور الصغيرة والبقع الواسعة مع الحفاظ على حدود واضحة بين المناطق التالفة وغير التالفة.

سريع بما يكفي لخط الإنتاج

اختبر الفريق MSFNet-PD على مجموعة بيانات عامة لصور شريط الفولاذ تتضمن ثلاثة أنواع رئيسية من العيوب. قارنوها مع مجموعة واسعة من النماذج القائمة، من أنظمة دقيقة وثقيلة إلى أخرى خفيفة جداً ومهيأة للسرعة. يحقق نهجهم توازناً قوياً: فهو يضاهي أو ينافس العديد من الأساليب الدقيقة بينما يعمل أسرع بكثير من معظمها، معالجة آلاف الصور في الثانية على معالج رسومي حديث. تُظهر التجارب الدقيقة أن دمج أحجام توسع متعددة ودمج الميزات على مقاييس مختلفة أمران حاسمان لهذا التوازن بين السرعة والدقة.

ما يعنيه هذا للصناعة

بالنسبة لغير المتخصصين، الخلاصة أن الدراسة تقدم "عقل كاميرا" أكثر ذكاءً لخطوط فحص الفولاذ. يمكن لـ MSFNet-PD مسح الأشرطة المعدنية المتحركة في الوقت الحقيقي، وإبراز العيوب المحتملة بحواف واضحة، والقيام بذلك باستخدام قدرة حاسوبية متواضعة. بينما يشير المؤلفون إلى أن هناك حاجة لمزيد من الاختبارات على مواد ومصانع أخرى، توضح نتائجهم أن التصاميم الخفيفة متعددة المقاييس هذه يمكن أن تساعد المصنعين في اكتشاف العيوب مبكراً وبموثوقية أكبر، مما يحسن السلامة ويقلل الهدر دون إبطاء الإنتاج.

الاستشهاد: Zhang, Z., Zou, Y., Liu, X. et al. Multi-scale fusion convolution network with progressive dilation for real-time salient object detection of surface defects on strip steel. Sci Rep 16, 15387 (2026). https://doi.org/10.1038/s41598-026-43386-y

الكلمات المفتاحية: عيوب شريط الفولاذ, كشف الأجسام البارزة, الفحص في الوقت الحقيقي, التعلم العميق, الرؤية الصناعية