كشف العيوب في الوقت الفعلي على خطوط التجميع عالية السرعة باستخدام معماريات YOLOv8 المخصصة

في عصر الثورة الصناعية الرابعة، لا يوجد هامش للخطأ فعليًا على خطوط التجميع عالية السرعة. غالبًا ما تواجه أنظمة الرؤية القائمة على القواعد التقليدية صعوبة في التعامل مع العيوب المعقدة مثل الشقوق المجهرية، أو التغيرات الطفيفة في اللون، أو سوء المحاذاة، خاصة عندما تتجاوز سرعة الخط 100 وحدة في الدقيقة. لقد أحدث دمج التعلم العميق ثورة في هذا المشهد، وتعتبر حاليًا معمارية "You Only Look Once" الإصدار 8 (YOLOv8) المعيار الذهبي لتحقيق التوازن بين الدقة وسرعة الاستدلال. تستكشف هذه المقالة كيفية تكييف معماريات YOLOv8 المخصصة لكشف العيوب في الوقت الفعلي، مما يضمن شحنًا خاليًا من العيوب مع الحفاظ على معدل الإنتاج.

تحديات الفحص عالي السرعة

غالبًا ما تتضمن خطوط أنابيب كشف الكائنات التقليدية مراحل متسلسلة متعددة: اكتساب الصور، والمعالجة المسبقة، واستخراج الميزات، والتصنيف. على خط عالي السرعة، يمكن أن يؤدي التأخير الزمني الناتج عن هذا الخط إلى تفويت العيوب أو الحاجة إلى إبطاء الخط. تعالج معماريات YOLOv8 المخصصة هذا الأمر من خلال توحيد هذه المراحل في نموذج قابل للاشتقاق بالكامل من البداية إلى النهاية. ومع ذلك، فإن المعيار الافتراضي الذي توفره Ultralytics غالبًا ما يكون ثقيلاً جدًا لأجهزة الحافة أو أنه مُحسّن لكشف الكائنات العامة بدلاً من الفروق الدقيقة المحددة للأجزاء الصناعية.

تكمن التحدي الجوهري في تحسين النموذج للكائنات الصغيرة وفئات العيوب النادرة. قد يتم ضبط نموذج YOLOv8 القياسي للسيارات أو المشاة، لكن خط التصنيع يتطلب كشف خدش يبلغ قطره 2 ملم على سطح معدني. هذا يستلزم تعديلات معمارية، تحديدًا في أقسام العمود الفقري (Backbone) والرأس (Head)، لالتقاط التفاصيل الدقيقة دون التضحية بمعدل الاستدلال في الوقت الفعلي المطلوب لسرعة حزام الناقل.

تخصيص المعمارية للفروق الدقيقة الصناعية

لتحقيق الأداء الأمثل، يجب علينا تجاوز الافتراضات القياسية لـ ultralytics. يتضمن التخصيص عادةً تعديل ملف التكوين YAML لتعديل مضاعفات العمق والعرض، وتغيير صناديق المراس (Anchor Boxes) لتناسب النسب العرضية المحددة لمنتجاتك، ودمج متغير من شبكات تجميع المسارات (PANet) الذي يؤكد على دمج الميزات على مستويات الدقة المنخفضة.

على سبيل المثال، إذا كانت عيوبك صغيرة للغاية، فقد تقوم بإضافة رأس كشف مخصص لطبقة P2 (التي تتوافق مع خرائط الميزات ذات أعلى دقة). يضيف هذا طبقة من التكلفة الحسابية ولكنه يحسن بشكل كبير من الاستدعاء (Recall) للشذوذات الصغيرة. يوضح المثال التالي كيفية تعريف تكوين YOLOv8 مخصص يتضمن رأس كشف متخصص للكائنات الصغيرة:

# custom_industrial_yolov8.yaml
# القاعدة: ultralytics/cfg/models/8/yolov8.yaml

nc: 5  # عدد الفئات (0: لا عيب، 1-4: أنواع عيوب محددة)

# زيادة العمق لاستخراج ميزات أفضل على النسيج المعقد
depth_multiple: 1.0
width_multiple: 0.75

# الأعمدة الفقارية المخصصة
backbone:
  [[-1, 1, C2f, [256, 3, False]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 1], 1, C2f, [512, 512]],
   [-1, 1, Conv, [1024, 3, 2]],
   [[-1, 1], 1, C2f, [1024, 1024]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 1], 1, C2f, [512, 512]]]

# الرؤوس مع طبقة P2 إضافية للكشف عن العيوب الصغيرة
head:
  [[[-1, 1, Conv, [128, 1, 1]],
    [-2, 1, Upsample, [1, 2, 'nearest']],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [256]],
    [-1, 1, Conv, [256, 3, 2]],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [512]],
    [-1, 1, Conv, [512, 3, 2]],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [1024]]
  ],
  [[-1, 1, Conv, [128, 1, 1]],
    [-2, 1, Upsample, [1, 2, 'nearest']],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [256]],
    [-1, 1, Conv, [256, 3, 2]],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [512]]
  ],
  [[-1, 1, Conv, [128, 1, 1]],
    [-2, 1, Upsample, [1, 2, 'nearest']],
    [[-1, -3], 1, Concat, [1]],
    [-1, 1, C2f, [256]]
  ]]

التحسين المتمحور حول البيانات واستراتيجيات التدريب

لا تشكل التعديلات المعمارية سوى نصف المعركة؛ حيث يعتمد كشف العيوب الصناعية بشكل كبير على جودة البيانات. مجموعات بيانات العيوب غير متوازنة بطبيعتها، حيث تتفوق عينات "لا عيب" بشكل كبير على عينات "عيب حرج". للتعامل مع ذلك، نستخدم استراتيجيات تعزيز متقدمة أثناء التدريب. تقنيات مثل تعزيز الموزاييك (Mosaic) مفيدة للسياق، ولكن لخطوط السرعة العالية، يجب أن نركز على تعزيز النسخ واللصق للعيوب النادرة والتعزيزات الهندسية الصارمة مثل التدوير والتكبير لمحاكاة الاتجاهات المتنوعة للأجزاء على الحزام.

عند التدريب، نستخدم واجهة برمجة التطبيقات (API) بلغة Python الخاصة بـ ultralytics لتحميل النموذج المخصص وتطبيق هذه الإعدادات:

from ultralytics import YOLO

# تحميل تكوين النموذج المخصص
model = YOLO('custom_industrial_yolov8.yaml')

# التدريب مع معاملات فرعية محددة محسنة للكائنات الصغيرة
results = model.train(
    data='industrial_defect_dataset.yaml',
    epochs=100,
    batch=16,
    imgsz=640,  # زد إلى 1280 إذا سمحت الأجهزة بذلك للحصول على دقة أفضل للكائنات الصغيرة
    patience=50,
    workers=8,
    # تمكين تعزيز النسخ واللصق للعيوب النادرة
    augment=True,
    # استخدام معدل تعلم أصغر للضبط الدقيق إذا كان العمود الفقري مُدربًا مسبقًا
    lr0=0.001
)

النشر على أجهزة الحافة

الاختبار النهائي للمعمارية المخصصة هو نشرها في بيئة إنتاجية. غالبًا ما تعتمد خطوط التجميع عالية السرعة على معالجات NVIDIA Jetson Orin أو أجهزة حافة GPU مماثلة لتقليل زمن الوصول. بعد التدريب، يجب تحويل النموذج إلى تنسيق TensorRT أو OpenVINO. تتضمن هذه العملية عملية التكميم (Quantization)، وعادة ما تقلل الدقة من FP32 إلى FP16 أو INT8، مما قد يقلل حجم النموذج بمقدار 4 أضعاف مع فقدان ضئيل في الدقة بينما يضاعف سرعة الاستدلال.

يجب أن يتكامل خط أنابيب النشر مع وحدة التحكم المنطقية القابلة للبرمجة (PLC) عبر TCP/IP أو ROS. عندما يكشف النموذج عن عيب، يجب أن يتجاوز درجة الثقة عتبة صارمة (على سبيل المثال، 0.85) قبل تفعيل آلية الرفض. يضمن الاستدلال منخفض زمن الوصول لـ YOLOv8، والذي يحقق عادةً 30-60 إطارًا في الثانية على الأجهزة الطرفية، أن النظام يمكنه مجاراة أحزمة الناقل التي تتحرك بسرعة تزيد عن متر واحد في الثانية.

الخلاصة

يعد تنفيذ كشف العيوب في الوقت الفعلي باستخدام معماريات YOLOv8 المخصصة استراتيجية قوية لتحديث عمليات التصنيع. من خلال تخصيص العمود الفقري لالتقاط الميزات الصغيرة، وتعزيز البيانات لمعالجة عدم التوازن في الفئات، والتحسين للنشر على الحافة، يمكن للمطورين إنشاء أنظمة قوية تقلل بشكل كبير من الهدر وتحسن مراقبة الجودة. تسمح مرونة YOLOv8 بالتكرار المستمر، مما يجعلها الخيار المثالي للاحتياجات المتطورة للفحص الصناعي. مع تقدم تكنولوجيا الرؤية الحاسوبية، ستستمر الحدود بين الفحص الآلي والبشري في التلاشي، مع قيادة الذكاء الاصطناعي لضمان الدقة.