YOLO-DCF: التقطير المزدوج والاندماج المدرك للسياق لاكتشاف العيوب

عيون أكثر حدة لعيوب المصانع

من الهواتف الذكية إلى السيارات، تتطلب المنتجات الحديثة أسطحاً معدنية ولوحات دوائر كهربائية خالية من العيوب. ومع ذلك، قد تمر شقوق أو بقع صغيرة على هذه السطوح دون أن يلاحظها المفتشون البشريون وحتى تخدع العديد من أنظمة الحاسوب. تقدم هذه الدراسة أداة ذكاء اصطناعي جديدة تسمى YOLO-DCF، صُممت لرصد هذه العيوب الصغيرة والصعبة الرصد بسرعة وموثوقية على خطوط التصنيع الحقيقية.

لماذا تشكل العيوب الصغيرة مشكلة كبيرة

نادراً ما تبدو الأسطح الصناعية نظيفة وبسيطة. تُظهر شرائح الصلب خطوطاً وملمساً، وتكون اللوحات المطبوعة مزدحمة بخطوط دقيقة ومكونات. تأتي العيوب بأشكال وأحجام متعددة، من خدوش باهتة إلى ثقوب مفقودة، وغالباً ما تندمج مع خلفيات مزدحمة أو ضوضائية. قد تفشل تقنيات معالجة الصور التقليدية في كشف العيوب الطفيفة، بينما تحتاج العديد من نماذج التعلم العميق إلى مجموعات بيانات موسومة ضخمة وقد تواجه صعوبة عندما تتغير الإضاءة أو المواد أو أنماط العيوب في أرض المصنع.

طريقة أذكى لقراءة الصورة كاملة

يبني YOLO-DCF على عائلة كاشف الوقت الحقيقي الشهيرة ويعيد تشكيل طريقة فهم النموذج للسياق في الصورة. جزء جديد، يُسمى وحدة الاندماج الموجهة بالسياق، ينظر أولاً على طول الاتجاهين الأفقي والعمودي لالتقاط التخطيط الأوسع للخطوط والمناطق الشائعة في شرائح الصلب واللوحات. ثم يدمج هذه الرؤية الأوسع مع التفاصيل المحلية الدقيقة بحيث تُفسر العلامات الصغيرة بالنسبة لسياقها، مما يقلل الالتباس الناتج عن نمط الخلفية ويحسن فرص الكشف عن العيوب ذات التباين المنخفض.

التكبير على عدة مقاييس في آن واحد

ابتكار رئيسي آخر هو كتلة البقايا متعددة المقاييس التي تتيح للشبكة فحص كل منطقة عبر عدة عدسات افتراضية في نفس الوقت. تركز المسارات المتوازية في النموذج على النسيج المحلي الكثيف، والأشكال متوسطة الحجم، والبُنى الأكبر، بينما تعيد خطوة إعادة التكوين لاحقاً دمج هذه المسارات في شكل أبسط للاستخدام السريع. يساعد هذا التصميم النظام على التعرف على الشقوق الرفيعة والبقع الأكبر دون أن يصبح ثقيلاً للغاية للتشغيل في الوقت الحقيقي، مما يحافظ على صغر حجم النموذج كافياً للنشر على عتاد صناعي نموذجي.

تعليم نموذج صغير ليعمل كنسخة كبيرة

للحفاظ على كفاءة النظام، يستخدم المؤلفون استراتيجية التقطير المزدوج، حيث توجه نسخة أقوى من نفس الشبكة نسخة أخف وزناً. بدلاً من نسخ التنبؤات النهائية فقط، يتعلم نموذج التلميذ كيف يربط المعلم المناطق المختلفة في الصورة ببعضها وكيف يوزع الاهتمام عبر قنوات السمات. من خلال مطابقة العلاقات المكانية بين الكتل والتركيز داخل كل قناة، يحافظ النموذج الأصغر على الكثير من قدرة المعلم على إبراز العيوب الصغيرة والمحلية مع البقاء أسرع وأكثر اقتصاداً في التشغيل.

اختبار الطريقة عملياً

قيّم الباحثون YOLO-DCF على مجموعتي بيانات مرجعية مستخدمتين على نطاق واسع: صور أسطح الصلب مع ستة أنواع من العيوب ومجموعة من صور اللوحات الصناعية التركيبية مع ست فئات من الأخطاء. على كلتيهما، حقق النظام الجديد درجات كشف أعلى من خط أساس قوي مع إضافة عدد متواضع فقط من المعاملات. أظهر مكاسب خصوصاً في العيوب الدقيقة وذات التباين المنخفض مثل التشقق في الصلب والدوائر القصيرة على اللوحات. وأشارت اختبارات مع طمس الحركة والضوضاء إلى أن الطريقة أكثر متانة لمشكلات التصوير الصناعية الشائعة، محافظة على دقة الكشف عندما تصبح الصور مشوشة أو محببة.

ماذا يعني هذا للمصانع الحقيقية

لغير المتخصصين، الخلاصة هي أن YOLO-DCF يقدم مجموعة من العيون الأكثر عناية والواعية بالسياق للفحص الآلي. من خلال الجمع بين فهم المشهد الأوسع، والتركيز متعدد المقاييس، ونقل المعرفة الفعال، يمكنه تمييز العيوب الحقيقية عن القوام غير الضار بشكل أفضل مع الاستمرار في العمل بسرعات الوقت الحقيقي. هذا التوازن بين الدقة والسرعة وحجم النموذج يجعله مرشحاً واعداً للنشر على خطوط الإنتاج حيث لكل من العيوب الفائتة والإنذارات الكاذبة تكاليف عالية.

الاستشهاد: Xing, H., Yang, Z. YOLO-DCF: dual distillation and context-aware fusion for defect detection. Sci Rep 16, 15897 (2026). https://doi.org/10.1038/s41598-026-46602-x

الكلمات المفتاحية: اكتشاف عيوب صناعية, فحص السطوح, رؤية حاسوبية, التعلم العميق, مراقبة الجودة