تطوير خوارزميات الرؤية الحاسوبية لتحديد عيوب التصنيع بدقة تصل إلى 97% لصالح شركة Cerulean

ملخص المشروع

ساعدت ساينس سوفت شركة Cerulean على استبدال نموذج ذكاء اصطناعي (AI) غير موثوق بحل جاهز للاستخدام في بيئة إنتاج فعلية قائم على تقنية الرؤية الحاسوبية، يحقق دقة فحص تصل إلى 97%، ويعالج صور أكياس النيكوتين بسرعة تفوق الحل السابق بمعدل 6 أضعاف.

نبذة عن شركة Cerulean

Cerulean هي شركة بريطانية تتمتع بأكثر من 80 عامًا من الخبرة، ولديها حضور عالمي لافت في مجال تصنيع معدات الاختبار والقياس الدقيقة لصناعة التبغ. وتساعد حلول Cerulean الشركات المُصنِّعة على ضمان جودة المنتجات والامتثال لمعايير الصناعة الصارمة. وباعتبارها من روّاد الابتكار في مجالها، تستكشف Cerulean باستمرار إمكانات توظيف تقنيات الذكاء الاصطناعي (AI) والرؤية الحاسوبية لرفع كفاءة ودقة فحص المنتجات.

ركَّز أحد مشروعات البحث والتطوير (R&D) في الشركة على أتمتة الفحص البصري وقياس أبعاد أكياس النيكوتين. وكان الهدف من هذه المبادرة تطوير نظام قادر على رصد مكونات الأكياس وحساب الأبعاد الرئيسية لها تلقائيًا (مثل عرض الكيس، وارتفاعه، وسماكة اللحامات العرضية، وانحراف اللحامات الطولية) من الصور الملتقطة بواسطة كاميرات المسح الصناعية. إذ تضمن الأبعاد الدقيقة للأكياس تعبئتها بإحكام، وتمنع التسرب الناتج عن اللحامات غير الصحيحة، كما أن رصد الانحرافات يتيح اكتشاف عدم المحاذاة وعيوب التصنيع مبكرًا. وفي غياب هذه القياسات الدقيقة، قد تمر العيوب دون اكتشاف، ما يؤدي إلى إهدار المواد وظهور مشكلات تنظيمية وشكاوى من العملاء.

قبل التعاون مع ساينس سوفت، تعاقدت Cerulean مع مورد تقني آخر لإنشاء نموذج تعلّم الآلة (ML) الأوَّلي لتحليل صور الأكياس، إلا أن النموذج أثبت عدم موثوقيته في بيئات الإنتاج الفعلية؛ إذ كان غالبًا يعجز عن تحديد المكونات الرئيسية للكيس، خصوصًا عند ضعف وضوح اللحامات أو تغيّر اتجاه الكيس. ونتيجة لذلك، تعذّر حساب قيم عرض اللحامات (الحد الأقصى، والحد الأدنى، والمتوسط، والوسيط)، وكذلك انحراف اللحامات الطولية، وهي عناصر أساسية لمراقبة الجودة. إضافة إلى ذلك، كانت سرعة معالجة النموذج غير كافية، إذ كان يستغرق نحو 12 ثانية لكل صورة، وهو معدل بطيء جدًا مقارنة بسرعة الناقل في أرضية المصنع.

بناءً على تعاونها السابق مع ساينس سوفت في مشروعات أخرى لعلم البيانات، لجأت Cerulean إلى فريقنا مرة أخرى لتطوير نموذج موثوق وعالي الأداء يحقق الدقة والسرعة المطلوبة في بيئة العمل الواقعية.

تصميم وتدريب نموذج تعلّم الآلة (ML) لتحقيق دقة عالية في تحديد عيوب التصنيع

كلّفت ساينس سوفت أحد كبار علماء البيانات لديها بقيادة المشروع، الذي بدأ عمله بتحليل أنماط البيانات الحالية ودراسة الحالات الاستثنائية لفهم متطلبات العمل وخصائص البيانات. وقد تبيّن أن الصور الملتقطة على خط الإنتاج تتفاوت في الجودة والتكوين، إذ كانت الأكياس تظهر مقلوبة أو بإضاءة غير متساوية أو خارج الإطار جزئيًا نتيجة توقيت التقاط الكاميرا للصور أو حركة الناقل. وفي بعض الحالات، كانت حواف اللحامات غير واضحة أو محجوبة بالظلال. كانت هذه التفاوتات، التي تُعد شائعة في التصوير الصناعي عالي السرعة، سببًا في زيادة معدلات الفشل في النموذج السابق، إذ عجز عن التعميم على مختلف الحالات، وكثيرًا ما أخطأ في تصنيف الأكياس أو فشل في اكتشاف اللحامات بالكامل.

أنشأ خبير ساينس سوفت مسارًا للمعالجة المسبقة، قابلًا للتكرار، ويهدف إلى توحيد صيغة المدخلات مع الحفاظ على جميع الاختلافات الواقعية. وقد شمل ذلك توحيد اتجاه الأكياس، وتوحيد مقياس الصور، وتحديد المناطق ذات الأهمية لضمان تركيز النموذج على المناطق ذات الصلة.

صمم خبيرنا تكوينًا ثنائيًا يعتمد على نموذج كشف الأجسام YOLO القائم على الشبكات العصبية التلافيفية (CNN) ونموذج التجزئة SAM القائم على شبكات Transformer العصبية، وقد اختارهما خبيرنا لقدراتهما التكميلية وكفاءتهما في التعامل مع خصائص صور الإنتاج. أتاحت سرعة وقوة نموذج YOLO تحديد موقع الأكياس على الناقل بسرعة، بينما أتاح نموذج SAM، بعد ضبطه جيدًا، التجزئة التفصيلية اللازمة لاستخراج القياسات بدقة عالية.

لتحقيق أعلى دقة ممكنة، عمل خبير ساينس سوفت على تدريب وضبط وتقييم النموذج بشكل تدريجي. وقد شملت مجموعة التدريب جميع صور الإنتاج المتاحة، بما في ذلك الصور منخفضة التباين، والصور ذات التدوير الجزئي، وتلك التي تظهر فيها اللحامات جزئيًا. كما وضعت علامات لإبراز مدى وضوح اللحامات، ما مكَّن النموذج من تعلّم أنماط اللحامات الكاملة والجزئية. إضافة إلى ذلك، عمل خبيرنا على ضبط وتحسين معلمات النموذج فائقة الضبط (hyperparameters) (مثل جدول معدل التعلّم، وعدد العينات في كل دفعة، وحدود الثقة) لتحقيق التوازن بين دقة وسرعة الكشف.

في كل تكرار تدريبي، كان عالم البيانات يُقيِّم أداء النموذج باستخدام مؤشرات قياسية مثل معامل التقاطع والاتحاد (IoU) لتقييم مدى تطابق المربعات والأقنعة المتوقعة مع المناطق الفعلية للأكياس واللحامات. كما حلَّل خبيرنا أخطاء النموذج بدقة، وحدَّد أنماط التصنيف الخاطئ الشائعة (مثل عدم اكتشاف اللحامات في المناطق منخفضة التباين أو ظهور نتائج خاطئة بالقرب من الانعكاسات)، ثم عمل على ضبط وتحسين إعدادات النموذج أو إثراء بيانات التدريب لإصلاح هذه المشكلات.

أبرز النتائج التي حصلت عليها شركة Cerulean

• تطوير نموذج رؤية حاسوبية جديد يحقق دقة تبلغ 97% في تجزئة وقياس الأكياس آليًا بالكامل، وتسليمه في غضون شهرين فقط من بدء المشروع.
• تسريع معالجة الصور بمعدل 6 أضعاف، إذ انخفض زمن المعالجة من 12 ثانية إلى أقل من ثانيتين لكل صورة مقارنة بالنموذج السابق.
• تمكين الشركة من الحفاظ على دقة النموذج بمرور الوقت بفضل إجراءات الصيانة وإعادة التدريب الموثقة من ساينس سوفت.
• تعزيز سمعة Cerulean في مجالات الابتكار والدقة والموثوقية.

التقنيات والأدوات

Python, YOLO, SAM.