Leveraging Unsupervised Learning for Cost-Effective Visual Anomaly Detection
تقدم هذه الورقة نظاماً فعالاً من حيث التكلفة للكشف البصري عن الشذوذ للمؤسسات الصغيرة والمتوسطة، والذي يستفيد من نماذج التعلم غير الخاضع للإشراف من Anomalib المنشورة عبر OpenVINO على أجهزة Raspberry Pi منخفضة التكلفة، محققاً دقة عالية (F1 > 0.95) مع حد أدنى من بيانات التدريب (10 صور) واستدلال سريع (90 ثانية).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تدير مصنعاً صغيراً يصنع تروساً للآلات. تقليدياً، ستحتاج إلى فريق من الخبراء المكلفين مع كاميرات عالية التقنية وحواسيب فائقة القدرة لرصد سن مكسور واحد في الترس. إذا غفل المفتش البشري عن عيب ما، فسيتم شحن القطعة المعيبة. وإذا شعر المفتش بالتعب، فسيقع في الأخطاء. إن هذا الأمر مكلف وبطيء.
تقترح هذه الورقة حلاً "صديقاً للميزانية": نظاماً يمكنه رصد هذه العيوب باستخدام كمبيوتر صغير ورخيص (Raspberry Pi، والذي يكلف تقريباً سعر منصة ألعاب فيديو) وكاميرا عادية.
إليك كيف فعلوا ذلك، مشروحاً ببساة:
خدعة "الذاكرة" (التعلم غير الخاضع للإشراف)
عادةً، لتعليم الكمبيوتر كيفية رصد ترس مكسور، عليك أن تريه آلاف الصور لتروس مكسورة. ولكن في المصنع، التروس المكسورة نادرة، ولا تريد الانتظار طويلاً لجمعها.
بدلاً من ذلك، استخدم الباحثون خدعة ذكية تسمى التعلم غير الخاضع للإشراف (Unsupervised Learning).
- التشبيه: تخيل أنك حارس أمن حفظ شكل المكتب "المثالي" تماماً. لا تحتاج لرؤية كرسي مكسور لتعرف أنه مكسور؛ أنت فقط تعرف أن أي شيء لا يشبه المكتب المثالي هو أمر مريب.
- كيف يعمل: لم يتم عرض سوى 10 إلى 20 صورة لتروس مثالية وطبيعية على النظام. لقد تعلم النظام كيف يبدو الشكل "الطبيعي". بعد ذلك، عندما يرى صورة جديدة، يقارنها بذاكرته عن الشكل "الطبيعي". إذا بدت الصورة الجديدة غريبة (مثل سن مفقود أو بقعة لامعة في مكان يجب أن يكون باهتاً)، يقوم النظام بوضع علامة عليها كحالة شاذة.
الأجهزة: "الدماغ" بحجم الجيب
لم يستخدموا خوادم ضخمة. بل استخدموا Raspberry Pi 4، وهو كمبيوتر صغير ميسور التكلفة يستخدمه الهواة غالباً.
- لجعل "الدماغ" سريعاً بما يكفي للعمل على هذا الجهاز الصغير، استخدموا مجموعة أدوات خاصة تسمى OpenVINO. فكر في الأمر كضغط حقيبة سفر ثقيلة وضخمة وتحويلها إلى حقيبة ظهر صغيرة وخفيفة الوزن ليسهل حملها، دون فقدان الملابس المهمة بداخلها.
الاختبار: هل يمكن أن ينجح الأمر حقاً؟
اختبروا هذا النظام على أجزاء من علبة تروس في مختبر. لقد صنعوا مشاكل "وهمية" لمعرفة ما إذا كان النظام سيكتشفها:
- أسنان مفقودة في الترس.
- أجزاء إضافية تُركت على الصينية.
- معدن لامع في مكان يجب أن يكون فيه باهتاً (فقدان طبقة الطلاء).
- إضاءة سيئة أو ميلان بسيط في الصينية.
النتائج:
- السرعة: استطاع النظام التعلم من 10 صور فقط، ثم فحص صورة جديدة في حوالي 90 ثانية إجمالاً (التدريب + الفحص).
- الدقة: حقق درجة شبه مثالية (أكثر من 95%) في رصد العيوب. كما استطاع رسم "خريطة حرارية" (مثل الصورة الحرارية) توضح بالضبط مكان المشكلة، وإعطاء درجة ثقة (مثلاً: "أنا متأكد بنسبة 83% أن هذا الجزء مكسور").
العقبة: ليس مثالياً بعد
رغم أن هذا النظام رخيص وسريع، إلا أن الورقة تعترف بوجود بعض القيود:
- "الحارس المرتبك": إذا تغيرت الإضاءة بشكل جذري أو مالت الصينية، فقد يرتبك النظام أحياناً. قد يعتقد أن قطعة جيدة سليمة هي قطعة مكسورة لمجرد أن الظلال تبدو غريبة.
- "العداء البطيء": رغم أن 90 ثانية تعتبر سريعة بالنسبة للكمبيوتر للتعلم، إلا أنها بطيئة جداً لخط إنتاج عالي السرعة حيث تمر القطع في أجزاء من الثانية.
- "حد الذاكرة": عانى الكمبيوتر الصغير إذا حاولوا تغذيته بصور تدريبية كثيرة (أكثر من 20 صورة). كان يتعطل، تماماً مثل هاتف ينفد منه الذاكرة إذا حاولت فتح تطبيقات كثيرة في وقت واحد.
الخلاصة
تثبت هذه الورقة أنك لست بحاجة إلى مليون دولار لبناء نظام فحص بصري. يمكنك بناء "حارس ذكي" لمصنع صغير باستخدام كمبيوتر بقيمة 50 دولاراً وبضع صور لمنتجات جيدة. إنه يعمل بشكل رائع لرصد العيوب الواضحة، لكنه لا يزال بحاجة لأن يصبح أسرع وأذكى في تجاهل أمور مثل الإضاءة السيئة قبل أن يتمكن من استبدال المفتشين البشر في خطوط التجميع سريعة الحركة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.