💻 computer science

From Full Boards to Tiny Defects: Scale-Aware Tile Inference with Topology-Aware Merging for High-Resolution PCB Defect Detection

تعالج هذه الورقة مشكلة انهيار الدقة والآثار الحدودية في كشف عيوب لوحات الدوائر المطبوعة (PCB) عالية الدقة من خلال إثبات أن تدريب أجهزة الكشف على قصاصات بلاطية وتطبيق طريقة معالجة لاحقة جديدة لدمج البلاط الواعي بالطوبولوجيا (TA-TM) خالية من التدريب، يحسن بشكل كبير من استدعاء العيوب الصغيرة ودقة الكشف الإجمالية مقارنة باستراتيجيات الاستدلال التقليدية للصورة الكاملة أو البلاط القياسي.

المؤلفون الأصليون: Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Ali Amini, Jiann Shiun Yuan

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 تحاول العثور على خدوش دقيقة، أو براغي مفقودة، أو أسلاك مقطوعة على مخطط عالي الدقة للوحة دارة كهربائية. هذا المخطط ضخم جداً لدرجة أنه إذا قمت بتصغيره ليناسب شاشة كمبيوتر عادية (مثل تصغير جدارية ضخمة لتناسب طابع بريد)، فإن تلك العيوب الدقيقة ستختفي تماماً. ستصبح مجرد نقاط غير مرئية.

هذه هي المشكلة التي تعالجها الورقة البحثية: كيف تجد العيوب المجهرية في صورة ضخمة دون فقدان التفاصيل؟

إليك قصة حلهم، مقسمة إلى مفاهيم وتشبيهات بسيطة.

1. المشكلة: تأثير "طابع البريد"

تخيل أن لديك صورة عالية الدقة لغابة. إذا قمت بتصغير هذه الصورة لتصبح بحجم طابع بريد لتناسب إطار صورة قياسي، فلن تعد قادراً على رؤية الأوراق الفردية أو الطيور الصغيرة؛ ستندمج ببساطة لتصبح بكسلات خضراء أو بنية.

في عالم لوحات الدارات المطبوعة (PCBs)، يسمى هذا "انهيار الدقة" (Resolution Collapse).

الطريقة القديمة: كان الناس يأخذون صورة اللوحة الضخمة بالكامل، ويصغرونها لتناسب "عقل" الذكاء الاصطناعي (الذي يتوقع حجماً قياسياً)، ثم يحاولون العثور على العيوب.
النتيجة: الذكاء الاصطناعي، الذي تم تدريبه على صور ذات أحجام قياسية، لم يستطع رؤية العيوب الدقيقة لأنها صغرت حتى تلاشت. لقد أصبح الذكاء الاصطناعي "أعمى" فعلياً عن الأشياء التي كان من المفترض أن يجدها.

2. الإصلاح الأول: استراتيجية "قطع الأحجية"

بدلاً من تصغير الصورة بأكملها، قرر الباحثون تقطيع الصورة الضخمة إلى قطع أصغر يمكن التعامل معها (بلاطات)، مثل تقطيع بيتزا كبيرة إلى شرائح.

الاستراتيجية: قاموا بتغذية هذه الشرائح الصغيرة للذكاء الاصطناعي واحدة تلو الأخرى. وبما أن الشرائح لم يتم تصغيرها، ظلت العيوهات الدقيقة كبيرة وواضحة.
العقبة: عندما تقطع صورة إلى قطع، فإنك تخلق حوافاً. إذا كان هناك عيب يقع تماماً على الخط حيث تلتقي قطعتان، فسيتم قطعه إلى نصفين. سيرى الذكاء الاصطناعي "نصف عيب" في شريحة واحدة و"نصف عيب" في الشريحة التالية، مما يجعله يرتبك، وقد يتجاهل كليهما لأنه يبدو "غير مكتمل". وهذا ما يسمى "أثر الحدود" (Boundary Artifact).

3. الإصلاح الثاني: استراتيجية "التداخل"

لإصلاح العيوب المقطوعة، جعل الباحثون قطع الأحجية تتداخل فيما بينها.

التشبيه: تخيل وضع بلاطات الأرضية، ولكن بدلاً من أن تتلامس حوافها فقط، تقوم بإزاحتها بحيث تتداخل بمقدار بضع بوصات. الآن، إذا كان هناك خدش على الحافة، فسيظهر كاملاً في البلاطة اليسرى وكذلك كاملاً في البلاطة اليمنى.
النتيجة: ساعد هذا الذكاء الاصطناعي على رؤية العيوب بوضوح، لكنه خلق مشكلة جديدة: قد يرى الذكاء الاصطناعي نفس العيب مرتين (مرة في البلاطة اليسرى، ومرة في اليمنى) ويرتبك بشأن أيهما هو "الحقيقي".

4. السر الخفي: "دمج البلاطات المدرك للطوبولوجيا" (TA-TM)

هذا هو الابتكار الرئيسي للورقة البحثية. إنه مجموعة قواعد ذكية يستخدمها الكمبيوتر بعد أن ينظر إلى جميع البلاطات، ولكن قبل أن يعطيك الإجابة النهائية.

كيف يعمل: تخيل أن الذككاء الاصطناعي هو فريق من المحققين.
- المحقق (أ) ينظر إلى البلاطة اليسرى ويرى "نصف مشتبه به" بالقرب من الحافة. هو ليس متأكداً بنسبة 100%، لذا يعطي درجة ثقة منخفضة.
- المحقق (ب) ينظر إلى البلاطة اليمنى المتداخلة ويرى النصف الآخر من نفس المشتبه به. هو أيضاً يعطي درجة منخفضة.
- الطريقة القديمة (الذكاء الاصطناعي القياسي): سينظر الكمبيوتر إلى هذين التقريرين منخفضي الثقة ويقول: "كلاهما ليس قوياً بما يكفي، لن نتجاهلهما". وهكذا يضيع العيب.
- الطريقة الجديدة (TA-TM): يعمل الكمبيوتر كمدير ذكي. يرى أن المحقق (أ) والمحقق (ب) ينظران إلى نفس البقعة من زوايا مختلفة. فيقول: "مهلاً، إذا كان كلاكما يرى شيئاً هناك، حتى لو لم تكن متأكداً بشكل فردي، فلنقم بدمج ملاحظاتكما ورفع مستوى الثقة!".
- النتيجة: يدرك الكمبيوتر: "آه، هذا عيب حقيقي!" ويحتفظ به.

5. الاكتشاف الكبير: التدريب أهم من الأداة

وجدت الورقة البحثية شيئاً مفاجئاً يغير طريقة بناء الناس لهذه الأنظمة للذكاء الاصطناعي.

عدم التطابق: إذا قمت بتدريب ذكاء اصطناعي عبر إظهار صور كاملة ومصغرة له، فإنه يتعلم البحث عن "نقاط صغيرة وضبابية". إذا حاولت بعد ذلك استخدام نفس الذكاء الاصطناعي مع استراتيجية "قطع الأحجية" (حيث تكون العيوب كبيرة وواضحة)، فسيفشل فشلاً ذريعاً. الأمر يشبه تدريب كلب على صيد الأرانب عبر إظهار صور للأرانب، ثم توقع منه أن يصطاد فيلة.
الإصلاح: يجب عليك تدريب الذكاء الاصطناعي بالطريقة ذاتها التي ستستخدمه بها تماماً. إذا كنت تخطط لاستخدام استراتيجية "قطع الأحجية"، فيجب عليك تدريبه على قطع الأحجية.
الدليل: عندما دربوا الذكاء الاصطناعي على قطع الأحجية، أصبح بارعاً في العثور على العيوب. وعندما حاولوا استخدام ذكاء اصطناعي مدرب على "الصورة الكاملة" مع قطع الأحجية، فشل تماماً (حيث انخفضت نسبة النجاح من 72% إلى 1%).

ملخص النتائج

نهج "الصورة الكاملة": فات معظم العيوب الصغيرة.
نهج "قطع الأحجية": وجد معظم العيوب ولكنه عانى مع تلك الموجودة على الحواف.
نهج "الأحجية المتداخلة" + "المدير الذكي" (TA-TM): وجد أكبر عدد من العيوب، بما في ذلك تلك الصعبة الموجودة على الحواف، دون الحاجة إلى إعادة تدريب الذكاء الاصطناعي أو تغيير عقله. كان يحتاج فقط إلى طريقة أذكى لدمج الأدلة.

باختاً: للعثور على أشياء صغيرة في صورة ضخمة، لا تصغر الصورة. بدلاً من ذلك، قطعها إلى قطع متداخلة، ودرب ذكاءك الاصطناعي على تلك القطع، واستخدم "مديراً ذكياً" لدمج الأدلة من الحواف. هذا التغيير البسيط حول نظامًا فاشلاً إلى نظام عالي الدقة للغاية.

ملخص تقني: الاستدلال القائم على البلاطات مع مراعاة المقياس والدمج المدرك للطوبولوجيا للكشف عن عيوب لوحات الدوائر المطبوعة (PCB) عالية الدقة

بيان المشكلة
تواجه عملية فحص لوحات الدوائر المطبوعة (PCB) عالية الدقة تحديًا حرجًا يُعرف باسم "انهيار الدقة" (resolution collapse). تعمل كواشف الأشياء القياسية (مثل عائلة YOLO) على أحجام مدخلات ثابتة (عادةً 640×640 بكسل). وعند تغيير حجم صور اللوحة الكاملة عالية الدقة (التي تتراوح غالبًا بين 1,500 إلى 6,000 بكسل) لتناسب هذه المدخلات، تتقلص العيوب متناهية الصغر إلى بضعة بكسلات فقط، مما يجعل اكتشافها مستحيلاً. ومن ناحية أخرى، في حين أن الاستدلال القائم على البلاطات (تقسيم الصور إلى قصاصات أصغر) يحافظ على التفاصيل المحلية، إلا أن التطبيق السطحي لهذه الطريقة يؤدي إلى ظهور عيوب عند الحدود. فالعيوب التي تمتد عبر حواف البلاطات غالبًا ما تكون مرئية جزئيًا، مما يؤدي إلى اكتشافات منقسمة، أو نتائج سلبية كاذبة، أو درجات ثقة منخفضة يتم استبعادها بواسطة عملية "إزالة التكرار غير الأقصى" (NMS) القياسية. علاوة على ذلك، يوجد تباين كبير بين مقاييس التدريب والاستدلال: فالنماذج التي يتم تدريبها على صور كاملة تم تغيير حجمها تفشل عند تطبيقها على بلاطات ذات دقة أصلية، والعكس صحيح.

المنهجية
يقترح المؤلفون إطار عمل يعطي الأولوية لاتساق مقياس التدريب والاستدلال ويقدم استراتيجية دمج مبتكرة لمعالجة ما بعد المعالجة، بدلاً من تعديل بنيات الكاشف. يتكون خط الإنتاج من أربع مراحل:

التدريب المدرك للمقياس: بدلاً من تغيير حجم الصور الكاملة، يتم تدريب الكاشف حصريًا على قصاصات بمقاس 640×640 بكسل مستخرجة مباشرة من مصادر عالية الدقة. تضمن النافذة المنزلقة بمسافة خطوة قدرها 512 بكسل (تداخل قدره 128 بكسل) رؤية العيوب بالقرب من الحدود بشكل كامل أثناء التدريب. يتم قص صناديق الحقيقة الأرضية (ground-truth boxes)، مع الاحتفاظ فقط بتلك التي تظهر بنسبة رؤية لا تقل عن 40%.
استراتيجيات الاستدلال: تقيم الدراسة خمس استراتيجيات باستخدام نفس الكاشف المدرب على البلاطات:
- الاستدلال بالصورة الكاملة: تغيير حجم اللوحة بأكملها إلى 640 أو 1280 بكسل.
- الاستدلال بالبلاطات (بدون تداخل): معالجة بلاطات غير متداخلة.
- الاستدلال بالبلاطات (مع تداخل): معالجة بلاطات بتداخل قدره 128 بكسل.
الدمج المدرك للطوبولوجيا (TA-TM): طريقة معالجة لاحقة مستقلة عن البنية ولا تتطلب إعادة التدريب، مصممة لحل عيوب الحدود.
- بناء الرسم البياني (Graph Construction): يتم نمذجة شبكة البلاطات كرسم بياني للتجاور.
- كشف الحدود: لكل تنبؤ، يتم حساب المسافة إلى أقرب حافة للبلاطة. تُحدد التنبؤات الواقعة ضمن عتبة ( $\tau = 16$ بكسل) كـ "حساسة للحدود".
- تسجيل الاتفاق (Agreement Scoring): بالنسبة للتنبؤ الحساس للحدود، تتحقق الخوارزمية من البلاطات المجاورة بحثًا عن تنبؤات مكملة لنفس الفئة تتداخل عبر الحد المشترك.
- تعديل الدرجة: إذا وجد تنبؤ مكمل، يتم رفع درجة الثقة للتنبؤ الحساس للحدود ( $s' = \min(1.0, s + \lambda \cdot A)$ ، حيث $\lambda=0.2$ ).
- NMS عالمي: يتم دمج جميع التنبؤات باستخدام NMS مدرك للفئة بناءً على هذه الدرجات المعدلة، مما يسمح للتنبؤات المنقسمة التي أكدها الجيران بالبقاء رغم عملية الاستبعاد.

المساهمات الرئيسية

تحليل انهيار الدقة: يثبت البحث تجريبيًا أن اتساق مقياس التدريب والاستدلال هو العامل المهيمن على الأداء. فالنموذج المدرب على الصور الكاملة ينهار ليصل إلى mAP@50 = 0.01 عند تطبيقه على قصاصات البلاطات، بينما يحقق النموذج المدرب على قصاصات البلاطات mAP@50 يتراوح بين 0.72 و0.94.
مقارنة منهجية: تقييم صارم لخمس استراتيجيات استدلال عبر مجموعتي بيانات عاليتي الدقة (PCB-Defect و HRIPCB) تغطي ست فئات من العيوب.
خوارزمية TA-TM: تقديم طريقة معالجة لاحقة خفيفة الوزن، يمكن تطبيقها على خطوط الإنتاج الحالية دون الحاجة لإعادة التدريب أو تغيير البنية.
مقاييس موجهة للنشر: يتضمن التقييم مقياس mAP القياسي جنبًا إلى جنب مع مقاييس محددة لاستدعاء العيوب الصغيرة واستدعاء منطقة الحدود، مما يلبي الاحتياجات الصناعية العملية.

النتائج
تم التقييم على PCB-Defect (230 صورة) و HRIPCB (693 صورة):

اتساق المقياس: يتفوق الاستدلال القائم على البلاطات مع نموذج مدرب على البلاطات بشكل كبير على الاستدلال بالصورة الكاملة. حقق الاستدلال بالصورة الكاملة (640) قيمة mAP@50 بلغت 0.072 (في PCB-Defect) و 0.192 (في HRIPCB)، بينما حققت استراتيجية (Tile+Overlap+TA-TM) المقترحة 0.722 و 0.936 على التوالي.
استعادة العيوب الصغيرة: استعادت الطرق القائمة على البلاطات ما بين 46-100% من العيوب الصغيرة (16-64 بكسل² عند مقياس 640) التي فاتتها تمامًا طرق الصورة الكاملة. وفي حالة HRIPCB، حقق استدلال البلاطات استدعاءً بنسبة 100% لهذه العيوب الصغيرة.
كبح عيوب الحدود: أدى إضافة تداخل قدره 128 بكسل إلى زيادة استدعاء منطقة الحدود (0-16 بكسل من الحافة) من ~26% إلى ~70% في PCB-Defect ومن ~63% إلى 100% في HRIPB. حافظت طريقة TA-TM على هذه النتائج أو حسنتها قليلاً مع تحقيق أعلى mAP إجمالي.
الكفاءة: على الرغم من أن الطرق القائمة على البلاطات أبطأ (247-459 مللي ثانية/صورة) من استدلال الصورة الكاملة (54-98 مللي ثانية/صورة)، إلا أن المؤلفين يشيرون إلى أن هذا يظل عمليًا للفحص الصناعي غير المتزامن (offline) نظرًا للمكاسب الكبيرة في الدقة.

الأهمية والادعاءات
يزعم البحث أن العقبة الرئيسية في فحص الـ PCB عالي الدقة ليست بنية الكاشف (مثل YOLO مقابل Transformer)، بل هي مواءمة مقاييس التدريب والاستدلال. ويجادل المؤلفون بأن ينبغي للممارسين إعطاء الأولوية لبروتوكولات التدريب المدركة للمقياس قبل تحسين تعقيد النموذج.

تُقدم طريقة TA-TM كحل عام "جاهز للاستخدام" (plug-and-play) يمكن تطبيقه على أنظمة الفحص الحالية دون إعادة تدريب. ويقر المؤلفون بتواضع بأن TA-TM تقدم تحسينات متوسطة عندما يكون الكاشف الأساسي قويًا بالفعل، مما يشير إلى أن تأثيرها سيكون أكثر وضوحًا في ظروف نسبة الإشارة إلى الضوضاء (SNR) المنخفضة أو مع الكواشف الأضعف. يعيد هذا العمل صياغة كشف العيوب عالي الدقة كمسألة استراتيجية استدلال، مقدمًا نهجًا منهجيًا للتعامل مع انهيار الدقة وعيوب الحدود في المجال الصناعي.