تقنية الفحص البصري لمظهر علب الألمنيوم: تحليل شامل من التصوير البصري إلى التعلم العميق

تقنية الفحص البصري لمظهر علب الألمنيوم: تحليل شامل من التصوير البصري إلى التعلم العميق

1. مقدمة: التحديات التقنية وأهمية فحص مظهر علب الألمنيوم

مع التطور السريع لصناعة الأغذية والمشروبات، يتزايد الطلب على علب الألمنيوم كحاوية تغليف رئيسية. وتواجه علب الألمنيوم التقليدية، التي تُنتج بسرعات عالية (تصل إلى 15 علبة في الثانية)، مخاطر عيوب مظهرية متعددة، تشمل الخدوش، والانبعاجات، والتشوه، وانتفاخ جسم العلبة؛ وعيوب في الطباعة على قاع العلبة؛ وعدم انتظام طبقة المادة المانعة للتسرب على غطاء العلبة وتشوه لسان السحب. ولا تؤثر هذه العيوب على مظهر المنتج فحسب، بل قد تؤدي أيضًا إلى انسكاب المحتويات أو تلوثها، مما يُسبب مشاكل خطيرة تتعلق بالسلامة.

يواجه فحص مظهر علب الألمنيوم تحديات تقنية متعددة: فخصائص الانعكاس القوية لسطح المعدن قد تخفي العيوب الحقيقية؛ كما أن بنية السطح الأسطواني المنحني تجعل الصور عرضة للتشويه؛ وتتطلب خطوط الإنتاج عالية السرعة أن يتخذ نظام الكشف قراراته في غضون أجزاء من الثانية؛ ويتطلب تنوع أنواع العيوب خوارزميات ذات قدرة عالية على التكيف. تعاني طرق الفحص اليدوي التقليدية من انخفاض الكفاءة، والتحيز، والإرهاق، مما يجعلها عاجزة عن تلبية متطلبات الصناعة الحديثة. لذلك، أصبحت تقنية الفحص الآلي القائمة على رؤية الآلة خيارًا لا غنى عنه في هذا القطاع. فهي تحقق كشفًا سريعًا ودقيقًا لمظهر علب الألمنيوم من خلال الحصول على الصور ومعالجتها وتحليلها بدقة عالية.

ستقوم هذه المقالة بتحليل النظام التقني للفحص البصري لمظهر علب الألمنيوم بشكل منهجي، بما في ذلك تصميم نظام التصوير، وخوارزميات الكشف عن العيوب، وتطوير منصة البرمجيات، والتطبيقات الصناعية العملية، مما يوفر مرجعًا شاملاً للعاملين التقنيين في المجالات ذات الصلة.

2. تصميم أجهزة نظام الفحص البصري

2.1 تكوين نظام التصوير ومصدر الضوء

يُعدّ نظام التصوير أساس الفحص البصري، ويؤثر تصميمه بشكل مباشر على جودة الصورة. ونظرًا للبنية الخاصة لعلب الألمنيوم، يُعتمد عادةً تصميمٌ موزّع، حيث تُنشأ محطات فحص مستقلة متعددة، تتولى مسؤولية فحص قاع العلبة وجسمها وغطائها على التوالي. تستخدم محطة فحص قاع العلبة كاميرا مسح ضوئي عالية الدقة مزودة بمصدر ضوء حلقي، تتحكم بدقة في زاوية سقوط الضوء لتعزيز تباين الأحرف المطبوعة بالليزر. أما محطة فحص جسم العلبة، فتتكون من ثلاث مجموعات من وحدات دمج ثنائية وثلاثية الأبعاد تعمل بشكل متزامن، تحتوي كل وحدة منها على كاميرا مسح خطي وجهاز قياس ليزري خطي، مثبتة على مسافات 120 درجة لتحقيق مسح شامل لجسم العلبة.

يُعدّ تصميم مصدر الضوء أساسيًا لحل مشكلة انعكاس الضوء عن المعادن. ونظرًا لخصائص الانعكاس القوية لعلب المشروبات المصنوعة من الألومنيوم، تُستخدم مصادر ضوئية خاصة متنوعة على نطاق واسع: يستخدم مصدر الضوء الكروي المتكامل جدارًا داخليًا نصف كروي ذي تأثير تكاملي لعكس الضوء المنبعث من الأسفل بزاوية 360 درجة بشكل موحد، مما ينتج عنه صورة متجانسة للغاية لقاع العلبة المقعر؛ ويتكون نظام مصدر ضوء LED المركب من ضوء ثلاثي الحلقات بدون ظلال، وضوء قبة الشكل بدون ظلال، وضوء حلقي منخفض الزاوية، وضوء محوري. ومن خلال التحكم في دمج هذه المصادر الضوئية المركبة، يمكن الحصول على ملامح واضحة وصور عالية التباين لغطاء العلبة؛ ويتكون مصدر الضوء المخروطي المزدوج من مصدرين ضوئيين مخروطيين متمركزين، حيث يُضيء المصدر العلوي اللوحة المركزية، بينما يُضيء المصدر السفلي المنطقة المحيطة. ويُحسّن تداخل مجالات الضوء بشكل كبير من تجانس الإضاءة.

2.2 أجهزة التقاط الصور ومعالجتها

تتطلب خطوط الإنتاج عالية السرعة مواصفات دقيقة لأجهزة التقاط الصور. وتُستخدم الكاميرات الصناعية الذكية، مثل كاميرا Cognex In-Sight Micro 1400، على نطاق واسع نظرًا لصغر حجمها (30 مم × 30 مم × 60 مم) وقدراتها المعالجة الفائقة، مما يسمح باستخدامها في خطوط الإنتاج فائقة السرعة مع شغل مساحة صغيرة. وتحتوي هذه الكاميرات عادةً على خوارزميات رؤية آلية متطورة مدمجة، تدعم وظائف مثل التقييم، وفحص عيوب الأسطح، وقياس الأحجام، والتعرف الضوئي على الأحرف (OCR)، مما يُحسّن بشكل كبير من سرعة تطوير النظام.

تتمحور وحدة المعالجة عادةً حول حاسوب صناعي مزود بمعالج عالي الأداء وذاكرة كافية. عند نقل علبة المشروب إلى محطة التصوير، يتم تشغيل جهاز إرسال واستقبال كهروضوئي، يرسل إشارة إلى لوحة الإدخال/الإخراج الخاصة بالحاسوب الصناعي. يتحكم الحاسوب بعد ذلك في تشغيل مصدر الضوء، ويصدر أمرًا للكاميرا بالتقاط صورة. تُرسل الصورة الملتقطة إلى الحاسوب الصناعي عبر واجهة 1394 لتحليلها ومعالجتها.

3 خوارزميات اكتشاف العيوب والتنفيذ الفني

3.1 الكشف عن عيوب الأحرف في الجزء السفلي من العلبة

يواجه اكتشاف الأحرف المطبوعة على قاع العلبة تحديًا يتمثل في انخفاض التباين، نظرًا لتشابه مادة الأحرف المطبوعة بالليزر مع مادة قاع العلبة المعدني، مما يؤدي إلى ضعف خصائصها. وللتغلب على هذه المشكلة، أثبتت طريقة تعتمد على تجزئة دلالية بارزة فعاليتها. تستخدم شبكة Res18-UNet بنية ResNet18 كبنية أساسية للمشفّر، مع تضمين وحدة انتباه محسّنة لكتل ​​الميزات في كل مرحلة من مراحل تقليل حجم العينة. ومن خلال إجراء تجميع مكاني وإعادة معايرة قنوات خرائط الميزات، تتحسن قدرة النموذج على التركيز على منطقة الأحرف. يعتمد جزء فك التشفير استراتيجية زيادة حجم العينة التدريجية، مع إدخال آلية تعلم متبقية في كل وصلة تخطي، مما يخفف بشكل فعال من مشكلة تلاشي التدرج. ولمعالجة مشكلة عدم اتساق اتجاه الأحرف الناتج عن الدوران العشوائي للعلب، تُستخدم على نطاق واسع خوارزمية تصحيح الدوران القائمة على تحويل الإحداثيات القطبية. تعتمد هذه الخوارزمية أولاً على تحديد مركز منطقة الحرف من خلال تحليل المكونات المتصلة، ثم حساب الزاوية النسبية بين المركز ومركز الصورة، وبعد ذلك تُجري تحويلاً خطياً لتصحيح اتجاه الحرف. ويُستخدم هيكل شبكة عصبية تلافيفية خفيفة الوزن لتصنيف الأحرف المفردة. وتُقلل عمليات التلافيفية القابلة للفصل العميق من عدد المعلمات، بينما تُحسّن عمليات تبديل القنوات من إعادة استخدام الميزات، مما يُحقق سرعة معالجة تصل إلى 300 حرف في الثانية مع الحفاظ على دقة تصنيف تبلغ 99.5%.

3.2 الكشف عن عيوب هيكل العلبة

تشمل عيوب هيكل العلبة بشكل رئيسي الخدوش والانبعاجات والتشوهات. وتكمن صعوبة اكتشاف هذه العيوب في تشوه الصورة الناتج عن السطح الأسطواني المنحني وتداخل أنماط الخلفية المعقدة. تعمل طريقة تحسين صور عيوب هيكل العلبة، المدعومة بمعلومات العمق، على تحسين معدل اكتشاف العيوب المحدبة والمقعرة من خلال دمج البيانات متعددة الوسائط. تقوم هذه الطريقة أولاً بإنشاء نظام رؤية ثلاثي العدسات، ثم تُجري معايرة مشتركة باستخدام لوحة معايرة عالية الدقة، وتُنشئ علاقة ربط بين إحداثيات بكسل الصورة ثنائية الأبعاد وإحداثيات السحابة النقطية ثلاثية الأبعاد.

لمعالجة خصائص جمع البيانات للعلب الأسطوانية، يُقترح نموذج مُحسَّن للإسقاط الخلفي الأسطواني. يقوم هذا النموذج برسم بيانات السحابة النقطية على نظام إحداثيات أسطواني مُعَلم، مُزيلًا تشوه الإسقاط الناتج عن أخطاء التركيب من خلال إيجاد التوافق الأمثل بين السحابة النقطية والنموذج الأسطواني. في مرحلة تحسين الصورة، تُطبَّق استراتيجية دمج الميزات متعددة المقاييس، حيث تُجري دمجًا مُرجَّحًا لصور النسيج ثنائية الأبعاد وخرائط العمق بدقة مختلفة. تُبرز هذه الاستراتيجية ميزات انقطاع العمق لعيوب الانبعاج، وتُعزز ميزات تدرج الحواف لعيوب الخدوش.

تحسّن خوارزمية HPFST-YOLOv5 دقة الكشف في الخلفيات المعقدة من خلال بنية شبكة عصبية مبتكرة. صُممت آلية انتباه هجينة في العمود الفقري للشبكة، حيث دُمجت وحدة الانتباه الذاتي متعددة الرؤوس من Swin Transformer في طبقات استخلاص الميزات على مستويات مختلفة. يُستخدم انتباه النافذة المحلية في الشبكات الضحلة لالتقاط ميزات العيوب الدقيقة، بينما يُستخدم الانتباه العالمي في الشبكات العميقة لنمذجة التبعيات بعيدة المدى. ولمعالجة مشكلة تضاؤل ​​معلومات الحواف الناتج عن ضبابية الحركة، أُضيف دليل مرشح تمرير عالي إلى المدخلات. يستخلص مُعامل تفاضلي من الدرجة الأولى قابل للتدريب خريطة استجابة حافة العيب، والتي تُدخل بعد ذلك بالتوازي مع الصورة الأصلية إلى شبكة العمود الفقري.

3.3 الكشف عن عيوب غطاء/نهاية العلبة

يُعدّ هيكل غطاء العلبة معقدًا، إذ يتضمن أجزاءً وظيفية متعددة كاللوحة المركزية والحواف المحيطية ولوحة اللحام واللفافة، وقد يُظهر كل منها عيوبًا محددة. ولمعالجة هذه الخاصية، أثبتت استراتيجية الكشف الموضعي فعاليتها. يقترح بحثٌ من جامعة هونان تقسيم منطقة الكشف في غطاء العلبة إلى منطقتين: دائرية وحلقية. بالنسبة للمنطقة الدائرية، تُستخدم طريقة للكشف عن العيوب تعتمد على تحليل البقع، بينما يُستخدم للكشف عن العيوب في المنطقة الحلقية خوارزمية تعتمد على مطابقة المربعات الصغرى لمنحنى الإسقاط الرمادي الرأسي.

تُحدد خوارزمية تجميع معدل الإنتروبيا، بالاقتران مع قيود الشكل المسبقة، موقع طرف العلبة بدقة وتقسمه إلى مناطق قياس متعددة. تعتمد هذه الخوارزمية على تمثيل الصورة البياني، وتُحقق فصلًا دقيقًا لطرف العلبة عن الخلفية من خلال تحسين دالة الهدف. عند عدد مجموعات k=2، يتم فصل طرف العلبة عن الخلفية بدقة؛ ومع زيادة k، يتم استخراج اللوحة المركزية والحافة الخارجية ولوحة التماس والانحناء تدريجيًا. ولضمان موثوقية نتائج التجزئة، تُستخدم قيود الشكل المسبقة في المعالجة اللاحقة. وبناءً على خاصية كون طرف العلبة وجميع مناطق قياسه عبارة عن دوائر متحدة المركز أو حلقات، يتم حساب مركز طرف العلبة c(x,y) ونصف قطره r باستخدام خوارزمية مطابقة الدوائر.

في الكشف عن العيوب في منطقة اللوحة المركزية، يُظهر خوارزمية تجميع واختيار البكسلات الفائقة أداءً ممتازًا. أولًا، تُستخدم خوارزمية التجميع القائمة على معدل الإنتروبيا لتوليد عدد كبير من البكسلات الفائقة (Ni>6000). ثم، يُنشأ رسم بياني مُرجّح لتجاور المناطق، حيث يُمثّل كل بكسل فائق Si عقدة، لتجميع البكسلات الفائقة المتشابهة. يُحدّد مؤشر مُعيّن لتقييم التباين الرمادي المحلي لكل منطقة، وتُحدّد مناطق العيوب من خلال تحديد العتبة.

3.4 تقنيات معالجة الانعكاس وتحسين الصورة

يُعدّ الانعكاس القوي على سطح العلب المعدنية عاملًا رئيسيًا يُؤثر سلبًا على دقة الكشف. ولمعالجة هذه المشكلة، تقترح تقنية حاصلة على براءة اختراع طريقةً لكبح الانعكاس تعتمد على تحليل صور متعددة الإطارات بتدرج الرمادي. تقوم هذه الطريقة أولًا بالحصول على صور متعددة الإطارات بتدرج الرمادي لعلبة التغليف، ثم تُجري كشفًا للحواف على هذه الصور، وتستخدم المناطق المُشكّلة من الحواف المغلقة المكتشفة كمناطق مستهدفة؛ بعد ذلك، تحسب احتمالية أن تكون المنطقة المستهدفة منطقة عاكسة. تُحسب هذه الاحتمالية بناءً على متوسط ​​قيمة تدرج الرمادي، وأقصى قيمة له، وخصائص الانعكاس الشاملة لجميع البكسلات داخل المنطقة المستهدفة.

تُحدد عملية تحويل غاما التكيفية معامل غاما بناءً على احتمالية المنطقة العاكسة. لكل بكسل في المنطقة المستهدفة، تُحوّل قيمة التدرج الرمادي الأصلية المقابلة باستخدام تحويل غاما للحصول على أحدث قيمة تدرج رمادي، مما ينتج عنه صورة محسّنة للتدرج الرمادي لعلبة التغليف. يتكيف هذا التحويل مع ظروف الإضاءة والانعكاس المختلفة. في المناطق ذات الانعكاس القوي، يُعدّل معامل غاما وفقًا لذلك لتقليل تأثير الانعكاس على اكتشاف العيوب. يأخذ حساب خصائص الانعكاس الشاملة للمنطقة المستهدفة في الاعتبار عوامل متعددة، بما في ذلك المؤشر الأول (متوسط ​​تغير التدرج الرمادي)، والمؤشر الثاني (اتساق اتجاه التدرج)، والتشابه بين الإطارات المتعددة (اتساق المنطقة المستهدفة بين الإطارات المختلفة). من خلال التحليل الشامل لهذه المؤشرات، يستطيع النظام التمييز بدقة بين العيوب الحقيقية والعيوب الوهمية الناتجة عن الانعكاسات، مما يُحسّن دقة الاكتشاف بشكل ملحوظ.

4. منصة برمجيات نظام الكشف والتنفيذ

4.1 بنية البرمجيات وسير العمل

يعتمد نظام الفحص البصري لعلب المشروبات على تقنية المعالجة المتوازية متعددة الخيوط، حيث يتضمن خيط تحكم رئيسي، وخيطًا لالتقاط الصور، وخيطًا لمعالجة الخوارزميات، وخيطًا لإخراج النتائج. يتولى خيط التحكم الرئيسي مسؤولية تنسيق سير عمل كل وحدة، بينما يقوم خيط التقاط الصور بجمع البيانات من محطتين بشكل متزامن عبر إشارات تشغيل خارجية، ويقوم خيط معالجة الخوارزميات بتشغيل خوارزميات التعرف على الأحرف وكشف العيوب في آن واحد، أما خيط إخراج النتائج فيدمج نتائج الكشف ويتحكم في جهاز الفرز.

لضمان أداء النظام في الوقت الفعلي، تُستخدم آلية مقاطعة مؤقتة لتقييد دورة الكشف عن العلبة الواحدة بدقة، وتُستخدم تقنية تعيين الذاكرة لتحقيق تبادل سريع لبيانات الصور ذات السعة الكبيرة، وتُستخدم تقنية تسريع وحدة معالجة الرسومات لتحسين ونشر خوارزميات التعلم العميق. كما يدمج النظام وظيفة تعليم المعلمات، مما يسمح للمشغلين بضبط معلمات الكشف وفقًا لمواصفات المنتج، ويُنشئ وحدة قاعدة بيانات لتخزين نتائج الكشف ومعلومات المنتج، مما يوفر دعمًا للبيانات لتتبع الجودة.

يُسهّل برنامج الرؤية Maotong In-Sight عملية تطوير الأنظمة. يسمح تصميم خوارزمية جداول البيانات للمستخدمين بإنشاء خوارزميات نصية باستخدام جداول البيانات دون الحاجة إلى برمجة لغات متقدمة، مما يُتيح وظائف مثل التقييم والتعرف الضوئي على الأحرف (OCR)، ويُحسّن بشكل كبير من سرعة تطوير النظام. وبفضل أدوات معالجة الصور الذكية ووظائف قراءة الأحرف والتحقق منها في In-Sight Explorer، يُصبح من السهل تدريب الأحرف من الصور وإنشاء مكتبة أحرف.

4.2 تكامل النظام وتقييم الأداء

يدمج نظام فحص مظهر علب المشروبات المتكامل ثلاثة مكونات رئيسية: أجهزة كهروميكانيكية، ونظام تصوير، ووحدة معالجة. تُحقق الأجهزة الكهروميكانيكية التحكم الآلي في حركة علب المشروبات وفرزها، بما في ذلك منفذ الإدخال ونظام النقل ونظام الفرز؛ بينما يتولى نظام التصوير مسؤولية الحصول على صور عالية الجودة؛ أما وحدة المعالجة فتقوم بتحليل الصور الملتقطة ومعالجتها.

فيما يتعلق بتقييم الأداء، يحقق نظام كشف عيوب أغطية العلب، الذي طورته جامعة هونان، دقة كشف تتجاوز 96%، بمتوسط ​​زمن كشف يبلغ 18.6 مللي ثانية لكل غطاء علبة، ما يلبي احتياجات خطوط إنتاج صناعة المشروبات. وبفضل تقنية التعلم العميق، يحقق النظام نتائج جيدة في التعرف على العيوب بعد 10 دورات تدريبية بمعدل تعلم 0.0005، ما ينتج عنه معدل تصنيف ثنائي نهائي للعيوب بنسبة 99.7% وزمن تنفيذ للخوارزمية يبلغ 119 مللي ثانية. أما نظام كشف أطراف العلب، فيحقق دقة كشف تصل إلى 99.48% لمختلف أطراف العلب الدائرية.

5. التطبيقات الصناعية والآفاق المستقبلية

5.1 حالات التطبيق العملي

تم تطبيق نظام الفحص البصري لمظهر العلب بنجاح في العديد من التطبيقات الصناعية. وقد حققت أنظمة الرؤية الآلية من شركة كوجنيكس سرعة تصل إلى 72,000 علبة في الساعة ودقة 99.99% في الكشف عن الرموز الموجودة أسفل علب المشروبات، متجاوزةً بذلك العقبة التقنية التي تواجه زيادة سرعة الإنتاج في صناعة الأغذية والمشروبات.

يستخدم جهاز الرؤية الآلية للكشف عن أغطية العلب نظام نقل هوائي وامتصاص فراغي لتحقيق نقل مستقر وتحديد دقيق لموقع أغطية العلب. عند نقل غطاء العلبة إلى محطة التصوير، تُنشأ منطقة ضغط منخفض على سطح الناقل بواسطة مضخة تفريغ، فيُمتص غطاء العلبة بثبات على الناقل نتيجةً لفرق الضغط، ثم يُنقل على طول الناقل مدفوعًا بمحرك تيار متردد. يصنف نظام الفرز أغطية العلب بناءً على نتائج الفحص، وتُفصل الأغطية المعيبة عن الناقل باستخدام فاصل يعمل بنبضات هواء مضغوط.

5.2 التحديات التقنية واتجاهات التطوير

على الرغم من التقدم الكبير في التقنيات الحالية، لا يزال فحص مظهر العلبة يواجه بعض التحديات: فاكتشاف العيوب الصغيرة أمر صعب، وخاصة تحديد الخدوش الدقيقة على خلفيات معقدة؛ ولم يتم حل مشكلة التداخل الانعكاسي بشكل كامل، لا سيما بالنسبة للأسطح شديدة اللمعان؛ ويحتاج التوازن بين أداء الخوارزمية في الوقت الفعلي والدقة إلى مزيد من التحسين؛ كما أن قابلية النظام للتكيف محدودة، مما يتطلب تعديلات في المعلمات عند تغيير تصميم العلبة.

تشمل اتجاهات التطوير المستقبلية ما يلي: ستجمع تقنية دمج البيانات متعددة الوسائط بين البنية ثنائية الأبعاد والتشكل ثلاثي الأبعاد والمعلومات الطيفية لتوفير وصف أكثر شمولاً لميزات العيوب؛ وستعمل خوارزميات التعلم التكيفي على تحسين النموذج بشكل مستمر استنادًا إلى بيانات خط الإنتاج، مما يقلل من عبء عمل ضبط المعلمات يدويًا؛ ستضمن بنية الحوسبة المتطورة والحوسبة السحابية المدمجة الأداء في الوقت الفعلي مع استخدام البيانات الضخمة المستندة إلى السحابة لتدريب نماذج أكثر دقة؛ وسيؤدي تطوير شرائح الذكاء الاصطناعي المدمجة إلى دفع نظام الكشف نحو حجم أصغر واستهلاك أقل للطاقة. 6. الاستنتاج

تدمج تقنية الفحص البصري لعلب المشروبات إنجازات متقدمة في مجالات متعددة، بما في ذلك البصريات والميكانيكا والإلكترونيات ورؤية الكمبيوتر، وهي مؤشر مهم لمستوى الأتمتة الصناعية. بدءًا من تصميم نظام التصوير وحتى تحسين الخوارزميات، ومن اختيار الأجهزة إلى تطوير منصة البرامج، يؤثر كل رابط بشكل مباشر على أداء الكشف النهائي. حاليًا، تجاوزت طرق الكشف القائمة على التعلم العميق الخوارزميات التقليدية في العديد من الجوانب، ولكن في التطبيقات الصناعية العملية، عادةً ما يكون من الضروري الجمع بين مزايا طرق معالجة الصور التقليدية وتقنيات التعلم العميق لبناء نظام كشف هجين.

مع التطبيق المتعمق لاستراتيجية "صنع في الصين 2025" الوطنية، ستتطور تقنية فحص مظهر علب المشروبات نحو مزيد من الذكاء والكفاءة والموثوقية. وهذا لا يساعد مصنعي العلب على استخدام تقنية الذكاء الاصطناعي لتعزيز الإنتاج الذكي وخفض تكاليف العمالة فحسب، بل يتماشى أيضًا مع استراتيجية تطوير الصناعة التحويلية الوطنية، ما يحمل آثارًا عملية هامة. في المستقبل، ومع التقدم المستمر في تكنولوجيا الاستشعار ونظرية الخوارزميات وقدرات الحوسبة، ستلعب أنظمة الفحص البصري لعلب المشروبات دورًا أكثر أهمية في صناعة الأغذية والمشروبات، مما يضمن جودة المنتج.