إطار خفيف لاكتشاف عيوب الميكروهيكل المعدني عبر أولويات مهيكلة وانتباه مدرك للطاقة تحت تداخل قوي لحدود الحبيبات

لماذا تهم الشوائب الصغيرة في الفولاذ

من تروس السيارات إلى أنابيب الضغط العالي، تعتمد آلات يومية كثيرة على مادة عمل شائعة: فولاذ منخفض الكربون غالبًا ما يُصنَّف AISI 1020. قبل أن يثق المهندسون بهذا الفولاذ، يفحصون شرائح مصقولة ومحمّرة تحت المجهر لتقييم البنية الداخلية للمعدن. لكن إذا كانت سطح العينة نفسها ملطخًا أو مخدوشًا أو غير مستوٍ، يمكن أن تتنكر هذه عيوب التحضير كمشكلات مادية حقيقية. تقدم الورقة أداة ذكاء اصطناعي خفيفة الوزن يمكنها اكتشاف هذه العيوب الطفيفة بسرعة وبثبات، حتى عندما تكاد تختفي في خلفية مشغولة بنمط الحبيبات المجهري.

تحدي رؤية العيوب الضعيفة

تحت تكبير عالٍ، يبدو الفولاذ كفسيفساء من مناطق صغيرة تُسمى الحبيبات، تفصل بينها شبكات معقدة من حدود الحبيبات. تشكل هذه الحدود نسيجًا كثيفًا وعالي التباين يطغى بسهولة على الإشارات الضعيفة الناجمة عن عيوب التحضير مثل بقع الماء، أو بقايا سائل النقش، أو الأسطح غير المتساوية قليلاً. تفترض نماذج رؤية الحاسوب القياسية، بما في ذلك كواشف YOLO الشائعة، أن الأجسام تبرز بوضوح عن محيطها. في الميكروهيكل، غالبًا ما يكون العكس صحيح: الخلفية قوية ومنظمة، بينما تكون العيوب ضعيفة وغير منتظمة في الشكل والحجم. ومع تكرار ضغط الصور داخل شبكة عميقة، تُسوى تلك الإشارات الضعيفة بسهولة، مما يؤدي إلى فشل الكشف أو الخلط بين النسيج غير الضار والعيوب الحقيقية.

إطار كشف مُفصّل لعلم الميكروهيكل

لمعالجة ذلك، بنى المؤلفون RSS‑YOLOv10، فرعًا مخصصًا من كاشف الوقت الحقيقي YOLOv10 الأحدث، مُعدّ خصيصًا لصور الفولاذ الميكروسكوبية. بدأوا من أصغر نسخة "نانو" من YOLOv10 للحفاظ على صغر حجم النموذج وتجنب الإفراط في التخصيص لأنماط الحبيبات المعقدة. فوق ذلك، أعادوا تصميم كتل رئيسية في مُستخرج الميزات ومراحل دمج الميزات في الشبكة بحيث يمكن للنظام التعامل مع تباينات قصوى في حجم العيوب، من حفر صغيرة إلى بقع واسعة، من دون أن يثقل الحسابات. كما حافظوا على استراتيجية التدريب الشامل من طرف إلى طرف لليولوv10، والتي تتجنب خطوة ما بعد المعالجة المستهلكة للوقت وتناسب الفحص الصناعي السريع.

كيف تعمل المكونات الجديدة معًا

قلب RSS‑YOLOv10 هو وحدة جديدة تُسمى RepHMA، تحل محل البُنى القياسية في الشبكة الخلفية. تعالج RepHMA كل بقعة من الصورة عبر عدة فروعات متوازية "تنظر" إلى أحجام أحياء مختلفة، ثم تدمجها في بلوك واحد وفعّال للاستخدام أثناء الكشف الفعلي. تساعد هذه الرؤية متعددة المقاييس النموذج على التقاط كل من البقع الدقيقة والمناطق الضبابية الأكبر. مكوّن ثانٍ، آلية الانتباه SimAM، يعمل كمرشح يقارن كل منطقة صغيرة بمحيطها ويعزز تلك التي تختلف بقوة عن خلفية الحبيبات المتكررة. والأهم، أن SimAM يفعل ذلك دون إضافة معلمات قابلة للتدريب، محافظًا على بساطة النموذج وخفّته. أخيرًا، يعيد قسم "الرقبة النحيفة" SlimNeck تصميم دمج المعلومات من مستويات دقة مختلفة باستخدام عمليات التلافيف المختارة بعناية التي تحافظ على التفاصيل المفيدة مع تقليل العمليات الحسابية المكررة.

البناء والاختبار على بيانات فولاذ حقيقية

وبما أن مجموعات صور الميكروهيكل الحالية عادةً ما تركز على عينات مثالية وخالية من العيوب، بنى الفريق مجموعة قياسية خاصة به تسمى 20 S‑PDD. تحتوي على أكثر من 1200 صورة ميكروسكوبية لعشرين فولاذًا مُحضّرًا في المختبر، مع ثلاثة أنواع من عيوب التحضير موضحة بعناية من قبل خبراء: بقع ماء، وبقايا سائل تآكلي، ومناطق سطح غير مستوِ. درّب المؤلفون وقَيّموا RSS‑YOLOv10 على هذه المجموعة وقارنوها مع الإصدار الأساسي YOLOv10n وعدّة كواشف معروفة، بما في ذلك Faster R‑CNN وSSD وYOLOv5 وYOLOv8 ونموذج قائم على المحول في الزمن الحقيقي. كما اختبروا الطريقة على مجموعة بيانات عامة منفصلة لعيوب أسطح الفولاذ على نطاق أكبر ليروا مدى تعميمها إلى ما وراء الصور الميكروسكوبية.

ماذا تظهر النتائج

على مجموعة 20 S‑PDD الميكروهيكلية، حقق RSS‑YOLOv10 دقة أعلى واستدعاء ودقة كشف إجمالية أفضل من جميع النماذج المقارنة، رافعًا متوسط الدقة المنقطعة بحوالي أربع نقاط مئوية فوق أساس YOLOv10n بينما استخدم عددًا أقل من العمليات الحسابية العائمة. كان فعالًا بشكل خاص في التمييز بين البقع وبقايا المواد التآكلية وخلفية نسيج الحبيبات، مما قلل من العيوب الفائتة والإنذارات الكاذبة على حد سواء. على مجموعة NEU‑DET المنفصلة لأسطح الفولاذ، تفوّق النموذج مرة أخرى على الأساس، مُظهِرًا أن اختيارات التصميم الأساسية متينة تجاه أنواع مختلفة من الصور المعدنية المهيكلة. تؤكد تصوّرات "خرائط الحرارة" الداخلية للنموذج أنه يركّز بشكل محكم على العيوب الفعلية مع تجاهل حدود الحبيبات إلى حد كبير.

لماذا هذا مهم للممارسة اليومية

لمختبرات الميكروهيكل ومهندسي مراقبة الجودة، يقدم الإطار المقترح وسيلة لفحص العينات المُحضّرة تلقائيًا بحثًا عن عيوب التحضير قبل تحليل أعمق لبنية الفولاذ الحقيقية. وبما أن RSS‑YOLOv10 مدمج وفعال، يمكن تشغيله في الوقت الحقيقي على أجهزة مكتبية عادية أو أجهزة مضمنة، مما يجعله عمليًا للاستخدام الروتيني جنبًا إلى جنب مع الميكروسكوبات الحالية. ورغم أن العمل الحالي يركز على درجة فولاذ واحدة ومجموعة محدودة من العينات، فإن النهج يفتح طريقًا نحو فحوصات مؤتمتة أوسع لجودة الميكروهيكل، مما يقلل إجهاد الإنسان وعدم التجانس ويَحمي القياسات اللاحقة التي تقوم عليها قرارات هندسية حرجة للسلامة.

الاستشهاد: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

الكلمات المفتاحية: كشف عيوب الميكروهيكل المعدني, الهيكل الدقيق للفولاذ, تفتيش التعلم العميق, الميكروسكوب الآلي, كشف الأجسام YOLO