جدول المحتويات
لبدء مشروع لكشف العيوب بالرؤية الحاسوبية، اختر محطة واحدة وبضعة عيوب تكلّف مالًا، وجهّز إضاءة وكاميرا تُظهران هذه العيوب بوضوح، واجمع صورًا من الإنتاج الفعلي. ثم درّب نموذجًا بسيطًا، وقارنه بالمفتشين على قطع لم يرها من قبل، ولا تربطه بخط الإنتاج إلا بعد ذلك.
أهم النقاط
- الإضاءة والدقة تحددان ما تستطيع الكاميرا رؤيته. ويجب أن يغطي العيب 3 إلى 4 بكسلات على الأقل لكشفه بوضوح (Vision Doctor).
- تتعلم نماذج كشف الشذوذ من صور خالية من العيوب فقط، وهو ما يناسب الخطوط التي تندر فيها العيوب. وقد بلغ PatchCore قيمة AUROC على مستوى الصورة تصل إلى 99.6% على معيار MVTec AD (Roth et al., 2022).
- يمكن للنماذج الموجَّهة أن تعمل بعدد قليل من العيوب: فقد تعلّمت طريقة قائمة على التجزئة كشف الشقوق السطحية من نحو 25 إلى 30 عينة معيبة (Tabernik et al., 2019).
- الفحص البشري هو المرجع الذي يجب التفوق عليه، وهو ليس مثاليًا. ففي دراسة لمختبرات Sandia، رفض المفتشون 85% من القطع المعيبة و35% من القطع السليمة (See et al., 2015).
- تحقّق من النموذج على قطع ودفعات وأيام لم يرها من قبل، وحدّد عتبة الإنذار انطلاقًا من كلفة الرفض الخاطئ وكلفة العيب الذي يفلت من الفحص.
ماذا تقدّم الرؤية الحاسوبية للفحص؟
تنظر كاميرا وإضاءة ونموذج إلى كل قطعة، أو إلى كل مقطع من شريط مستمر، وتُخرج قرارًا. ويمكن أن يأخذ هذا الخرج أربعة أشكال، والاختيار بينها يحدد حجم عمل الوسم المطلوب.
| النهج | الخرج | وسوم التدريب | يناسب | ما يجب الانتباه إليه |
|---|---|---|---|---|
| تصنيف الصور | سليم أو غير سليم، أو فئة العيب، لكل صورة | وسم واحد لكل صورة | قطعة واحدة في كل صورة بزاوية ثابتة | لا يحدد مكان العيب |
| كشف الأجسام | إطار وفئة لكل عيب | إطار حول كل عيب | تحديد موضع العيوب المنفصلة وعدّها | يتطلب أمثلة موسومة لكل نوع من العيوب |
| التجزئة | قناع على مستوى البكسل لكل عيب | أقنعة على مستوى البكسل | قياس حجم العيب أو مساحته مقارنة بالمواصفة | الوسم بطيء |
| كشف الشذوذ | درجة شذوذ وخريطة حرارية | صور خالية من العيوب فقط | العيوب النادرة أو غير المعروفة، والخطوط الجديدة | يشير إلى أي تغيير، ولا يسمّي العيب |
الأساليب الثلاثة الأولى موجَّهة: يتعلم النموذج من صور وسمها شخص ما. أما كشف الشذوذ فيتعلم شكل القطعة السليمة ويقيس مدى ابتعاد كل صورة جديدة عنها، على غرار أساليب كشف الشذوذ المستخدمة على بيانات المستشعرات.
ينظر الفحص بالرؤية إلى السطح النهائي. فإذا تشكّل العيب في مرحلة سابقة من العملية ولم يكن مرئيًا، فإن الجودة التنبؤية القائمة على بيانات العملية هي الأداة الأنسب، ويمكن الجمع بين الاثنين.
لماذا لا نترك الأمر للمفتشين؟
الفحص البصري عمل شاق على البشر. ففي دراسة لمختبرات Sandia الوطنية، فحص 82 مفتشًا 140 قطعة بحثًا عن ثمانية أنواع من العيوب. ورفضوا بشكل صحيح 85% من القطع المعيبة، ورفضوا خطأً 35% من القطع المقبولة. ويشير المؤلفون إلى أن معدل الكشف هذا لم يكن أعلى بكثير من متوسط صناعي يبلغ 80%، ويصفون الفحص بأنه مهمة ذات عبء عمل كبير يغلب عليه الجهد الذهني والمجهود (See et al., 2015).
ينتج عن ذلك درسان. لا يحتاج نظام الرؤية إلى أن يكون مثاليًا ليكون مفيدًا، بل يكفي أن يتفوق على الفحص الحالي على قطعكم. كما أن قرارات المفتشين ليست مرجعًا مثاليًا هي الأخرى، لذا يجب التحقق من الوسوم المستخدمة في التدريب.
ابدأ بفهرس العيوب لا بالنموذج
قبل شراء كاميرا، دوّن ما يلي:
- العيوب المهمة: الاسم والصورة وكلفة وصول كل عيب إلى الزبون.
- حدود القبول: الحجم أو العمق أو الموضع الذي يصبح عنده الخدش سببًا للرفض. فالحالات الحدّية هي مصدر معظم الخلافات لاحقًا.
- مكان ظهور العيب: أي وجه من القطعة، وفي أي محطة، وقبل أي عملية أو بعدها.
- سرعة الخط والمناولة: عدد القطع في الدقيقة، وهل تتوقف القطعة، وكيف تُقدَّم للكاميرا.
تفرّق MVTec بين نوعين من العيوب. فالشذوذ البنيوي يظهر على شكل خدوش أو انبعاجات أو تلوث، أما الشذوذ المنطقي فينتهك قيودًا أساسية، مثل وجود جسم مسموح به في مكان خاطئ أو غياب قطعة مطلوبة (MVTec LOCO AD). تحقّقوا من نوع العيوب في فهرسكم: فالمشبك المفقود والسطح المخدوش قد يحتاجان إلى طريقتين مختلفتين، بل قد يكفي فحص بسيط قائم على القواعد للأول.
لماذا تهم الإضاءة والكاميرا أكثر من النموذج؟
لا يستطيع النموذج أن يجد عيبًا لا تُظهره الصورة. وتُختار الإضاءة بحسب خصائص السطح المحددة التي يجب إبرازها (Opto Engineering).
| تقنية الإضاءة | طريقة عملها | ما تُظهره |
|---|---|---|
| الحقل الساطع (إضاءة أمامية) | يدخل الضوء المنعكس عن السطح المستوي إلى العدسة | تظهر الخدوش والعيوب داكنة على خلفية فاتحة |
| الحقل المظلم (ضوء بزاوية منخفضة) | لا يصل إلى العدسة إلا الضوء الذي يشتته السطح | تظهر عدم انتظامات السطح فاتحة على خلفية داكنة |
| الإضاءة الخلفية | مصدر الضوء خلف القطعة | محيط القطع المعتمة؛ والشوائب مثل فقاعات الهواء في البلاستيك الشفاف |
| القبة (إضاءة منتشرة) | ضوء متجانس من زوايا عديدة، كما في يوم غائم | القطع المنحنية أو المعقدة دون انعكاسات مزعجة |
| الإضاءة المحورية | ضوء على محور الكاميرا، عموديًا على القطعة | العيوب على الأسطح شديدة الانعكاس |
المصدر: Opto Engineering.
ثم حدّد الدقة المطلوبة. يذكر Vision Doctor أن البقعة يجب أن تغطي 3 إلى 4 بكسلات على الأقل لكشف بصري واضح، ويمكن أن تكون أصغر فقط مع تباين جيد. ومثاله: صورة بعرض 64 مم على 640 بكسلًا تعطي 0.1 مم لكل بكسل، فيكون أصغر تفصيل يمكن رؤيته بموثوقية نحو 0.3 مم (Vision Doctor). انطلق من أصغر عيب يستوجب الرفض ومن مجال الرؤية الذي تحتاجه.
اعزل المحطة عن ضوء النهار وإنارة الورشة. فأي تغيير في الإضاءة أو في ضبط تركيز العدسة أو في موضع الكاميرا يغيّر أيضًا ما يراه النموذج.
كشف الشذوذ أم نموذج موجَّه؟
كشف الشذوذ يناسب الحالات التي تكون فيها العيوب نادرة أو متنوعة. فمعيار MVTec AD، الذي يضم أكثر من 5,000 صورة موزعة على 15 فئة من الأجسام والأنسجة، لا يوفر للتدريب إلا صورًا خالية من العيوب (MVTec AD). وقد صُمّم PatchCore لمشكلة «البداية الباردة» هذه، فهو يحتفظ ببنك ذاكرة من الخصائص المستخرجة من الصور السليمة، وبلغ على هذا المعيار قيمة AUROC على مستوى الصورة تصل إلى 99.6% (Roth et al., 2022). وتضم مكتبة Anomalib مفتوحة المصدر، المرخّصة بـ Apache-2.0، طريقة PatchCore وطرقًا أخرى. أما الحدّ فهو أن النموذج يشير إلى كل جديد، بما في ذلك تشطيب سطح من مورّد جديد، ولا يخبرك بنوع العيب الذي وجده.
النماذج الموجَّهة تناسب الحالات التي تملك فيها أمثلة لكل نوع من العيوب أو تستطيع جمعها، وتحتاج إلى تسمية العيب أو قياسه. وقد بيّن Tabernik وزملاؤه أن نموذجًا قائمًا على التجزئة تعلّم كشف الشقوق السطحية من نحو 25 إلى 30 عينة تدريب معيبة، «بدلًا من المئات أو الآلاف» (Tabernik et al., 2019). وبيّن عمل لاحق أن وسومًا على مستوى الصورة في معظمها، مع عدد قليل من الأقنعة على مستوى البكسل، يمكن أن تقترب من أداء الإشراف الكامل بكلفة وسم أقل (Božič et al., 2021).
ومن الخطوات العملية البدء بكشف الشذوذ لفصل القطع السليمة عن المشكوك فيها، ثم مراجعة المشكوك فيها مع المفتشين، واستخدام هذه الصور المراجَعة لاحقًا لتدريب نموذج موجَّه.
كم صورة ووسمًا نحتاج؟
مجموعات بيانات العيوب الحقيقية غير متوازنة. فمجموعة KolektorSDD2، التي جُمعت لمسألة فحص صناعي، تضم 3,335 صورة منها 356 صورة معيبة (ViCoS Lab). وعلى الأرجح سيكون في خطكم عيوب أقل من ذلك، لذا اجمعوا الصور السليمة باستمرار واحتفظوا بكل قطعة مرفوضة.
غطّوا التنوع الذي ستواجهونه أثناء التشغيل: كل متغير من المنتج، وكل دفعة مادة، وكل وردية، وكل موضع للكاميرا. وقوموا بالوسم داخل شبكتكم بأداة مستضافة ذاتيًا مثل CVAT، التي تُعدّ نسختها المجتمعية مفتوحة المصدر وتدعم الإطارات والمضلعات والأقنعة.
تحقّقوا من الوسوم. فقد قدّرت دراسة شملت عشرًا من أكثر مجموعات بيانات الرؤية واللغة والصوت استخدامًا متوسطًا لا يقل عن 3.3% من أخطاء الوسم في مجموعات الاختبار (Northcutt et al., 2021). اطلبوا من مفتشَين اثنين وسم العينة نفسها من الصور الحدّية، وحُلّوا الخلافات بالرجوع إلى حدود القبول المكتوبة.
لا تدرّبوا نموذج إنتاج على مجموعات بيانات عامة. فمجموعتا MVTec AD وKolektorSDD2 منشورتان بترخيص غير تجاري، وتذكر Ultralytics أن ترخيص Enterprise License مطلوب لاستخدام نماذج YOLO الخاصة بها دون نشر مشروعكم كمصدر مفتوح (Ultralytics). تحقّقوا من ترخيص كل مجموعة بيانات ومكتبة ونموذج مدرَّب مسبقًا قبل النشر.
كيف نتحقق من النظام قبل الاعتماد عليه؟
التقسيم حسب المجموعة لا حسب الصورة. تتشابه صور القطعة الواحدة أو الدفعة الواحدة أو اليوم الواحد، والتقسيم العشوائي يضع نسخًا شبه متطابقة في مجموعتي التدريب والاختبار معًا. وتوصي scikit-learn بالتحقق المتقاطع حسب المجموعات عندما تأتي البيانات من أشخاص أو تجارب أو أجهزة قياس مختلفة، بحيث تأتي عينات الاختبار من مجموعات غائبة عن التدريب (scikit-learn). احجزوا دفعات أو أيامًا كاملة، واختبروا على فترة لاحقة.
احسبوا ما يهم على الخط: العيوب المكتشفة، والقطع السليمة المرفوضة خطأً، والعيوب التي أفلتت، لكل نوع من العيوب.
حدّدوا العتبة انطلاقًا من الكلفة. القاعدة الافتراضية 0.5 «بالتأكيد ليست مثالية لمعظم حالات الاستخدام»، ولا يجوز أبدًا ضبط العتبة على بيانات التدريب (scikit-learn). فشق غير مكتشف في قطعة تعمل تحت الضغط وبقعة شكلية لا يستحقان العتبة نفسها.
التشغيل في وضع الظل (shadow mode). دعوا النظام يقيّم كل قطعة لعدة أسابيع بينما يواصل المفتشون اتخاذ القرار، ثم قارنوا. ويتناول دليلنا حول الانتقال من المشروع التجريبي إلى التعميم في المصنع مرحلة الاعتماد النهائي.
أين يجب أن يعمل النموذج؟
يجب أن تصدر قرارات الفحص ضمن زمن الدورة، لذلك تعمل النماذج غالبًا بجوار الكاميرا على حاسوب صناعي؛ ويتناول مقالنا حول الذكاء الاصطناعي الطرفي (edge) في أرضية المصنع خيارات العتاد. وتذكر Anomalib أن معظم نماذجها يمكن تصديرها إلى OpenVINO لاستدلال مُسرَّع على عتاد Intel (Anomalib).
ثم يجب أن تذهب النتيجة إلى مكان ما: آلية طرد القطع المرفوضة، أو المتحكم المنطقي القابل للبرمجة (PLC)، أو سجل القطعة في نظام MES. ويشرح دليلنا حول توزيع الأدوار بين MES وERP والذكاء الاصطناعي أين تُحفظ نتائج الفحص.
بعد التشغيل، سينجرف النموذج عندما يتغير مورّد أو أداة أو عدسة أو إضاءة. واصلوا تسجيل الصور وقرارات المفتشين، واتبعوا المنهجية الموضحة في مراقبة انجراف النماذج.
كيف نبدأ خطوة بخطوة؟
- اختيار محطة واحدة وعيبين أو ثلاثة يمكن تحديد كلفتها.
- كتابة فهرس العيوب مع الصور وحدود القبول.
- اختبار الإضاءة والدقة على قطع سليمة ومعيبة معروفة حتى يظهر كل عيب بوضوح.
- جمع صور الإنتاج لعدة أسابيع، عبر المتغيرات والدفعات والورديات.
- البدء بكشف الشذوذ إذا كانت العيوب نادرة، وإضافة نموذج موجَّه عند توفر عدد كافٍ من العيوب المراجَعة.
- التحقق على دفعات وأيام محجوزة وتقديم تقرير بالعيوب المكتشفة والرفض الخاطئ والعيوب التي أفلتت.
- تحديد العتبة مع مسؤولي الجودة والإنتاج.
- التشغيل في وضع الظل، ثم الربط بالخط، مع مسؤول محدد يراجع الأداء كل شهر.
ما رأيناه في KABAS AI
تذكر صفحة حلول الصناعة التحويلية لدينا مراقبة الجودة والفحص الآلي وكشف العيوب ضمن حالات الاستخدام التي نعالجها، كما تذكر خدمة الاستشارات الرؤية الحاسوبية ضمن مجالات خبرتنا. ويغطي فريق علوم البيانات المسار من جمع البيانات وإعدادها إلى النماذج التنبؤية وخطوط MLOps التي تُبقي النماذج تحت المراقبة أثناء الإنتاج.
نصيحتنا العملية: خصّصوا الأسابيع الأولى لفهرس العيوب والإضاءة وجمع الصور، لا لاختيار شبكة عصبية. واتفقوا على كلفة الرفض الخاطئ وكلفة العيب الذي يفلت قبل أي تدريب. واحتفظوا بالصور والنماذج على خوادمكم الخاصة، لأن صور قطعكم وعيوبها تكشف طريقة تصنيع منتجكم. وقبل البدء، يساعد تقييم الجاهزية للذكاء الاصطناعي على التحقق من جاهزية البيانات والفرق.
المصادر
- See et al., Visual inspection reliability for precision manufactured parts, Human Factors, 2015 (Sandia National Laboratories)
- Roth et al., Towards Total Recall in Industrial Anomaly Detection, CVPR 2022 (arXiv 2106.08265)
- MVTec, MVTec AD dataset
- MVTec, MVTec LOCO AD dataset
- Tabernik et al., Segmentation-Based Deep-Learning Approach for Surface-Defect Detection, Journal of Intelligent Manufacturing, 2019 (arXiv 1903.08536)
- Božič, Tabernik and Skočaj, Mixed supervision for surface-defect detection: from weakly to fully supervised learning, Computers in Industry, 2021 (arXiv 2104.06064)
- ViCoS Lab, Kolektor Surface-Defect Dataset 2 (KolektorSDD2)
- Northcutt, Athalye and Mueller, Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks, NeurIPS 2021 (arXiv 2103.14749)
- Opto Engineering, Illumination geometries and techniques
- Vision Doctor, Resolution of sensors
- Anomalib, open-source anomaly detection library (GitHub)
- CVAT, Computer Vision Annotation Tool
- Ultralytics, Licensing
- scikit-learn, Cross-validation: evaluating estimator performance
- scikit-learn, Tuning the decision threshold for class prediction
الأسئلة الشائعة
هل يمكن للرؤية الحاسوبية أن تحل محل مفتشي الفحص البصري؟
ليس من اليوم الأول. يعمل نظام الرؤية أولًا إلى جانب المفتشين، الذين يواصلون اتخاذ قرار القبول أو الرفض بينما تُقارن نتائج النموذج بقراراتهم. كما يحدد المفتشون فهرس العيوب، ويَسِمون الصور، ويراجعون القطع التي يشير إليها النموذج، لذلك تبقى خبرتهم محورية حتى بعد تشغيل النظام.
هل نحتاج إلى التعلم العميق، أم تكفي الرؤية الآلية القائمة على القواعد؟
إذا أمكن وصف العيب بقياس، مثل ثقب مفقود أو بُعد خارج التفاوت أو ملصق غائب، فقد تكفي أدوات قائمة على القواعد تقيس الحواف والمساحات والتباين، وهي أسهل في التحقق. ويفيد التعلم العميق عندما تتغير العيوب في شكلها ومظهرها، مثل الخدوش والشقوق والبقع وعيوب الملمس على الأسطح الطبيعية أو المسبوكة.
كم صورة للعيوب نحتاج للبدء؟
يتوقف ذلك على الطريقة. تُدرَّب نماذج كشف الشذوذ على صور خالية من العيوب، ولا تحتاج إلى صور معيبة إلا لاختبارها. أما النماذج الموجَّهة فتحتاج إلى أمثلة موسومة لكل نوع من العيوب: فقد تعلّمت طريقة منشورة كشف الشقوق السطحية من نحو 25 إلى 30 عينة معيبة، لكن معظم خطوط الإنتاج تحتاج إلى أكثر من ذلك لتغطية جميع أنواع العيوب ومتغيرات القطع وظروف الإضاءة.
هل يمكن استخدام مجموعات بيانات عامة مثل MVTec AD لتدريب نموذجنا؟
استخدموها للتعلم ولمقارنة الطرق، لا لتدريب نموذج إنتاج. فمجموعتا MVTec AD وKolektorSDD2 منشورتان بترخيص غير تجاري، كما أن قطعهما وكاميراتهما وإضاءتهما تختلف عن قطعكم وكاميراتكم وإضاءتكم. ويجب تدريب نموذج خطكم والتحقق منه على صور من محطتكم أنتم.
هل يحتاج نظام الرؤية إلى GPU على خط الإنتاج؟
ليس بالضرورة. يمكن لبعض نماذج الفحص أن تعمل على حاسوب صناعي دون GPU مخصص، وتتيح مكتبات مثل Anomalib تصدير النماذج إلى OpenVINO للعتاد من Intel. والعوامل الحاسمة هي سرعة الخط وحجم الصور وعدد الكاميرات، لذا قيسوا زمن الاستدلال لكل صورة على العتاد المستهدف خلال المشروع التجريبي.



