تقنية الفحص البصري: من معالجة الصور التقليدية إلى التعلم العميق – إحداث ثورة في مراقبة الجودة الصناعية
مع تدفق آلاف العلب عبر خط الإنتاج كل دقيقة، كيف نضمن خلو كل واحدة منها من أي عيب؟ تعمل تقنية الفحص البصري بهدوء على تحسين ضمان جودة المشروبات التي نستهلكها.
في صناعة الأغذية والمشروبات الحديثة، تُعدّ العلب من أكثر أنواع التغليف شيوعاً، وتؤثر جودتها بشكل مباشر على إحكام إغلاق المنتج وسلامته. يُعدّ فحص الجودة اليدوي التقليدي غير فعّال وعرضة لعدم اكتشاف العيوب، مما أدى إلى ظهور تقنية فحص الرؤية الآلية.
اعتمدت الأنظمة المبكرة بشكل أساسي على خوارزميات معالجة الصور التقليدية، حيث كانت تحلل صور المناطق الرئيسية مثل فتحة العلبة وقاعها وجدارها الداخلي لتحديد العيوب. ومع التقدم التكنولوجي، ولا سيما تطوير التعلم العميق، تحسنت دقة وكفاءة الفحص البصري للعلب بشكل ملحوظ.
1. عيوب العلب الشائعة وتحديات الكشف عنها
يمكن أن تحتوي العلب على مجموعة متنوعة من العيوب أثناء عملية الإنتاج، بما في ذلك الشقوق والتشوه والحواف غير المستوية عند فتحة العلبة؛ بقع زيتية ونشارة معدنية على الجدار السفلي والداخلي؛ والخدوش والخدوش والتشوه وأخطاء الطباعة وعدم تساوي سمك المادة على جسم العلبة.
لا تؤثر هذه العيوب على المظهر الجمالي فحسب، بل يمكن أن تؤدي أيضًا إلى انخفاض أداء الإحكام، مما يهدد جودة المنتج وسلامة المستهلك.
يواجه نظام الكشف تحديات متعددة: فخصائص انعكاس سطح العلبة قد تحجب العيوب الحقيقية. تتطلب خطوط الإنتاج عالية السرعة أن يتمتع نظام الكشف بقدرات معالجة فورية (مثل العمل بسرعة 10 علب/ثانية) مع الحفاظ على دقة عالية (معدل دقة 99.89%). إضافةً إلى ذلك، يُعد تصوير السطح المنحني لجسم العلبة الأسطواني وتحديد العيوب الدقيقة على خلفيات معقدة من التحديات التقنية التي يجب معالجتها.
2. مكونات الأجهزة وتحسين التصوير لنظام الكشف
يُعدّ تكوين الأجهزة لنظام الفحص البصري للعلبة أساسًا بالغ الأهمية. إذ يُمكن لنظام إضاءة مناسب أن يُقلّل الانعكاسات بفعالية ويُبرز خصائص العيوب. يجمع نظام مصدر ضوء LED المركب الذي طوّره كانغشيدا بين ضوء ثلاثي الحلقات بدون ظلال، وضوء قبة بدون ظلال، وضوء حلقي بزاوية منخفضة، وضوء محوري لتلبية احتياجات الكشف عن الأجزاء المختلفة. أما بالنسبة لالتقاط الصور، فتتطلب مناطق الفحص المختلفة استراتيجيات مختلفة.
• غالبًا ما يستخدم فحص القاع كاميرا مسح ضوئي عالية الدقة مزودة بإضاءة حلقية.
• يمكن استخدام كاميرا المسح الخطي أو ثلاث مجموعات من وحدات اكتساب الصور ثنائية وثلاثية الأبعاد التي يتم تشغيلها بشكل متزامن، والمثبتة على فترات 120 درجة لتحقيق مسح شامل.
للكشف عن الأنماط المطبوعة على السطح الخارجي للعلبة، يمكن استخدام محرك سيرفو عالي الدقة لتدوير العلبة بسرعة ثابتة، بالإضافة إلى كاميرا مسح خطي بتقسيم شعاع موشوري للحصول على صور عالية الجودة للأسطح المنحنية. يوفر اختيار الأجهزة المناسبة وتحسين التصوير أساسًا بياناتيًا عالي الجودة لمعالجة الخوارزمية اللاحقة.
3. تطبيق تقنيات معالجة الصور التقليدية في الكشف
قبل الانتشار الواسع للتعلم العميق، لعبت خوارزميات معالجة الصور التقليدية دورًا هامًا في فحص علب المشروبات. وعادةً ما تُصمم هذه الأساليب وتُحسّن لأنواع محددة من العيوب.
بالنسبة لمنطقة فتحة العلبة، بعد فصلها باستخدام طريقة OTSU لأقصى تباين بين الفئات، يمكن تحليل محيطها لاستخلاص السمات، ثم استخدام خوارزمية القطع الناقص للمربعات الصغرى لمطابقة المنحنى الإهليلجي المستهدف. ومن خلال تقسيم القطع الناقص وأخذ عينات منه، وحساب خريطة تحليل اللامركزية والانحراف، يمكن معالجة مختلف العيوب في فتحة العلبة بكفاءة.
تعتمد عملية الكشف عن العيوب في قاع العلبة بشكل أساسي على طريقة تدرج هوف لتقسيم منطقة الكشف إلى عدة مناطق دائرية متحدة المركز. وبناءً على طريقة تحليل البكسلات المتصلة للصورة الثنائية، يتم الكشف عن العيوب النقطية والخطية والسطحية بشكل منفصل.
بالنسبة لعيوب الجدار الداخلي، نظرًا لأن المناطق الوسطى والسفلية يتم ضغطها أثناء التصوير الرأسي، فإن خوارزمية الكشف تحتاج أولاً إلى حل مشكلة ضغط الصورة من خلال تحويل الإحداثيات القطبية، ثم تحديد موقع العيوب من خلال تحليل المكونات المتصلة.
فيما يتعلق بالتعرف على الأحرف، يمكن لطريقة عتبة إنتروبيا أريموتو ثنائية الأبعاد أن تتعامل بشكل فعال مع مشاكل تجزئة الأحرف ذات التباين المنخفض، كما أن تعقيدها الحسابي منخفض، مما يلبي متطلبات الوقت الحقيقي.
4. التطورات الرائدة للتعلم العميق في اكتشاف العيوب
في السنوات الأخيرة، ساهمت تقنية التعلم العميق بشكل كبير في تحسين دقة وقدرة أنظمة الكشف عن عيوب علب المشروبات على التعميم. وقد أظهرت أنظمة الكشف القائمة على خوارزمية FCOS (الشبكة التلافيفية الكاملة أحادية المرحلة) وخوارزمية HRNet (الشبكة عالية الدقة) مزايا ملحوظة.
تُبسط خوارزمية FCOS، باعتبارها خوارزمية للكشف عن الأجسام بدون نقاط ارتكاز، عملية الكشف، وتتجنب تعقيدات تصميم مربعات الارتكاز، وتُحقق أداءً ممتازًا في الكشف عن الأجسام الصغيرة. يُمكن لشبكة HRNet الحفاظ على تمثيل عالي الدقة، حيث تُمثل الميزات بدقة مختلفة من خلال بنية متعددة الفروع متوازية، مما يجعلها مناسبة بشكل خاص لمهام الكشف عن العيوب الصناعية. تشمل التحسينات التي أُدخلت على شبكة HRNet الأصلية إدخال آليات انتباه لتعزيز الحساسية للمناطق المعيبة، وتحسين استراتيجيات دمج الميزات، وتصميم وحدات خفيفة الوزن لتقليل التعقيد الحسابي. تُظهر التجارب أن طريقة التعلم العميق هذه تُحقق دقة متوسطة (mAP) تبلغ 0.889 في مهمة الكشف عن عيوب العلب، متفوقةً بذلك على العديد من الطرق التقليدية.
بالنسبة لعيوب هيكل العلبة، يحقق نموذج HPFST-YOLOv5، من خلال إدخال آلية انتباه هجينة ودليل مرشح تمرير عالي، دقة التعرف بنسبة 93.9٪ للعيوب مثل الانبعاجات والخدوش والتشوهات مع الحفاظ على سرعة معالجة تبلغ 28 إطارًا في الثانية.
بالنسبة للأحرف ذات التباين المنخفض التي تم تمييزها بالليزر، فإن شبكة التجزئة الدلالية Res18-UNet، بالإضافة إلى آلية الانتباه المتعدد، تعزز بشكل فعال قدرة النموذج على التركيز على مناطق الأحرف.
5. اعتبارات تنفيذ النظام والنشر الصناعي
يتطلب تحويل نموذج الخوارزمية إلى نظام كشف عملي دراسة شاملة لتصميم بنية الأجهزة والبرامج. يمكن لبنية موزعة نشر محطتي عمل كشف مستقلتين، إحداهما للكشف عن عيوب الجزء السفلي من العلبة والأخرى للتعرف على عيوب مظهر جسم العلبة.
ينبغي أن تعتمد بنية البرنامج تقنية المعالجة المتوازية متعددة الخيوط، وذلك بتصميم خيط تحكم رئيسي، وخيط لالتقاط الصور، وخيط لمعالجة الخوارزميات، وخيط لإخراج النتائج. وتُستخدم تقنية ربط الذاكرة لتحقيق تبادل سريع لبيانات الصور ذات السعة الكبيرة، كما تُستخدم تقنية تسريع وحدة معالجة الرسومات لتحسين نشر خوارزميات التعلم العميق.
يُعدّ الأداء الفوري مؤشرًا أساسيًا لأنظمة الفحص الصناعي. تعمل آلية مقاطعة مؤقتة على تقييد دورة فحص كل علبة بدقة لضمان مواكبة النظام لسرعة خط الإنتاج. إضافةً إلى ذلك، ينبغي أن يتضمن النظام وظيفة تعليم المعلمات، مما يسمح للمشغلين بضبط معلمات الفحص وفقًا لمواصفات المنتج، وإنشاء وحدة قاعدة بيانات لتخزين نتائج الفحص ومعلومات المنتج، مما يوفر دعمًا للبيانات اللازمة لتتبع الجودة.
في بيئة إنتاج حقيقية، يحتاج النظام أيضاً إلى قدرات مقاومة للتداخل للتعامل مع تغيرات الإضاءة والتشويش الخلفي في بيئة المصنع. تضمن آليات التكرار في الأجهزة وتحمل أعطال البرامج استقرار تشغيل النظام، بينما تسهل بنية البرامج المعيارية صيانة النظام وتحديثاته.
6. اتجاهات وتحديات التنمية المستقبلية
لا تزال تقنية الفحص البصري تواجه العديد من التحديات وفرص التطوير. ولا يزال الانعكاس عاملاً مهماً يؤثر على دقة الكشف؛ وقد توفر خوارزميات تحسين الصور الحديثة، مثل تحويل غاما التكيفي القائم على صور رمادية متعددة الإطارات، حلولاً لهذه المشكلة.
سيُتيح المزيد من البحث في هياكل الشبكات خفيفة الوزن لتحسين سرعة الاستدلال وتقليل متطلبات الأجهزة، تطبيقًا أوسع لهذه التقنية في المؤسسات الصغيرة والمتوسطة. كما يُعدّ التكامل العميق لنظام الكشف مع نظام التحكم في خط الإنتاج لتحقيق الرفض التلقائي للمنتجات المعيبة اتجاهًا تطويريًا هامًا.
قد تتطور أنظمة الفحص البصري لعلب المشروبات مستقبلاً نحو التكامل متعدد الوظائف، لتشمل تقييم شدة العيوب والتنبؤ بالجودة، بالإضافة إلى كشف العيوب الشائعة. وفي الوقت نفسه، يمكن توسيع نطاق هذه التقنية لتشمل كشف العيوب في أنواع أخرى من المنتجات الصناعية، مثل العلب المعدنية والزجاجات البلاستيكية، مما يسهم في تطوير التصنيع الذكي والثورة الصناعية الرابعة.
مع تسارع وتيرة الذكاء الصناعي، انتقلت تقنية الفحص البصري لعلب المشروبات من المختبر إلى التطبيق العملي. وقد أحرزت فرق البحث المحلية تقدماً ملحوظاً في هذا المجال؛ فعلى سبيل المثال، حقق النظام الذي طورته جامعة قوانغدونغ للتكنولوجيا دقة بلغت 99.89% وسرعة كشف تصل إلى 10 علب في الثانية.
في المستقبل، ومع التحسين المستمر لخوارزميات التعلم العميق والتطورات في أداء الأجهزة، ستلعب تقنية الفحص البصري دورًا هامًا في نطاق أوسع من سيناريوهات فحص الجودة الصناعية. ولن يقتصر دورها على تحسين جودة المنتج فحسب، بل ستساهم أيضًا في خفض تكاليف الإنتاج للشركات، مما يتيح للمستهلكين في نهاية المطاف الاستمتاع بمشروبات أكثر أمانًا وموثوقية.
