- مهر ۷, ۱۴۰۵
- زمان مطالعه : 11دقیقه
در خطوط تولید فولاد، کیفیت سطح محصول فقط یک شاخص ظاهری نیست؛ عیوب سطحی میتوانند بر کیفیت محصول نهایی، قابلیت استفاده در فرآیندهای بعدی، میزان ضایعات و تصمیمهای کنترل کیفیت اثر مستقیم داشته باشند. در محیطهایی که حجم تولید بالاست، اتکا به بازرسی دستی بهتنهایی با محدودیتهایی مانند سرعت، خستگی اپراتور و تفاوت در قضاوت افراد روبهرو میشود. به همین دلیل، بازرسی بصری هوشمند مبتنی بر بینایی ماشین به یکی از کاربردهای مهم هوش مصنوعی در کنترل کیفیت صنعتی تبدیل شده است.
در چنین رویکردی، هدف صرفاً تشخیص وجود یک ناهنجاری در تصویر نیست. یک سامانه کاربردی باید بتواند نوع عیب را شناسایی کرده و موقعیت آن را روی سطح قطعه مشخص کند تا نتیجه برای فرآیند بازرسی و تصمیمگیری انسانی قابل استفاده باشد. این تفاوت، مرز میان یک مدل ساده طبقهبندی تصویر و یک سامانه تشخیص عیب مبتنی بر Object Detection را شکل میدهد.
وقتی «نوع عیب» به اندازه «وجود عیب» اهمیت دارد
سطح فولاد ممکن است الگوهای متفاوتی از ناهنجاری را نشان دهد و همه این الگوها ماهیت بصری یکسانی ندارند. برخی بهصورت خطوط و خراشهای کشیده ظاهر میشوند، برخی ساختاری شبکهای دارند و برخی دیگر خود را به شکل لکه، حفره یا تغییر در بافت سطح نشان میدهند.
در نمونههای مورد بررسی این پروژه، شش کلاس عیب سطحی در نظر گرفته شده است: ترکخوردگی شبکهای (Crazing)، ناخالصی (Inclusion)، لکههای سطحی (Patches)، سطح حفرهدار (Pitted Surface)، پوسته نوردشده (Rolled-in Scale) و خراش (Scratches).
این تنوع اهمیت موضوع را بیشتر میکند؛ زیرا سامانه باید میان الگوهایی تمایز ایجاد کند که ممکن است از نظر شکل، بافت، ابعاد و محل وقوع تفاوت قابل توجهی داشته باشند.
از مشاهده تصویر تا مکانیابی عیب
ارزش بینایی ماشین صنعتی زمانی بیشتر میشود که خروجی آن از یک پاسخ ساده «سالم یا معیوب» فراتر برود.سامانه میتواند تصویر سطح را دریافت کند، نواحی مشکوک را بررسی کند و برای تشخیصهای معتبر، کلاس عیب و محدوده مکانی آن روی تصویر را مشخص سازد. نمایش ناحیه تشخیصدادهشده روی تصویر باعث میشود نتیجه برای کاربر صنعتی قابل مشاهده و بررسی باشد و اپراتور بتواند رابطه میان تصمیم سیستم و ناحیه واقعی سطح را ببیند.
این قابلیت، زمینهای برای شکلگیری یک فرآیند بازرسی قابل مشاهده، قابل بازبینی و انسانمحور فراهم میکند؛ جایی که هوش مصنوعی نقش ابزار پشتیبان بازرسی را بر عهده دارد، نه یک جعبه سیاه که صرفاً یک نتیجه نهایی ارائه میدهد.
نقش بازخورد انسانی در بازرسی هوشمند
در محیط صنعتی، خروجی مدل نباید الزاماً پایان فرآیند تصمیمگیری باشد. امکان بررسی نتیجه توسط کارشناس یا اپراتور اهمیت زیادی دارد.برای مثال، کاربر میتواند یک تشخیص را تأیید کند، آن را بهعنوان False Positive مشخص کند یا در صورت نیاز کلاس تشخیص را اصلاح کند. چنین رویکردی ارتباط میان هوش مصنوعی و دانش عملیاتی انسان را حفظ میکند و امکان ثبت بازخورد درباره نتایج سیستم را فراهم میسازد.
این همان نقطهای است که یک مدل بینایی ماشین از یک آزمایش صرف فاصله میگیرد و به بخشی از یک جریان کاری صنعتی قابل استفاده نزدیک میشود.
چرا این کاربرد برای صنعت اهمیت دارد؟
هدف از بهکارگیری بینایی ماشین در کنترل کیفیت، صرفاً جایگزینکردن چشم انسان با دوربین نیست. ارزش اصلی در ایجاد یک لایه هوشمند برای مشاهده منظمتر، تشخیص سریعتر ناهنجاریهای بصری، مکانیابی عیب و پشتیبانی از تصمیم کارشناسان است.
در مقیاس صنعتی، چنین قابلیتی میتواند مبنایی برای توسعه سامانههای پیشرفتهتر کنترل کیفیت، تحلیل الگوهای عیب و یکپارچهسازی با فرآیندهای تولید و بازرسی باشد. البته عملکرد واقعی هر سامانه در یک خط تولید مشخص باید با تصاویر، شرایط تصویربرداری، نور، تجهیزات و معیارهای پذیرش همان محیط صنعتی اعتبارسنجی شود.
این پروژه بهصورت یک تجربه عملی از هوش مصنوعی صنعتی و بینایی ماشین برای بازرسی سطح فولاد توسعه یافته است و امکان مشاهده فرآیند تشخیص، مکانیابی عیب و بازبینی انسانی نتایج را فراهم میکند.
