RobustDefect-LLM: Explainable and Robustness-Aware Industrial Surface Defect Classification with Decision Support and AI-Assisted Reporting
تقدم هذه الورقة RobustDefect-LLM، وهو إطار عمل متكامل لفحص عيوب الأسطح الصناعية يجمع بين التصنيف عالي الدقة باستخدام MobileNetV3-Large مع توجيه المراجعة البشرية القائم على الثقة وإعداد التقارير بمساعدة الذكاء الاصطناعي لتقديم سير عمل لمراقبة الجودة يتسم بالمتانة والقابلية للتفسير والتتبع، مع الإقرار صراحةً بحساسية أدائه تجاه التدهور الشديد في الصور.
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 عالماً تكون فيه المصانع مثل مطابخ ضخمة ومزدحمة، حيث يحاول الطهاة (الروبوتات) طهي وجبات مثالية. ولكن أحياناً، قد يحترق الطعام قليلاً، أو تظهر بقعة على الطبق. في العالم الحقيقي للتصنيع، تُسمى هذه "البقع" بالعيوب السطحية، ويمكن أن تفسد موثوقية المنتج. لفترة طويلة، كان على البشر التحديق في كل قطعة واحدة، مع تضييق أعينهم للعثور على هذه العيوب الصغيرة. كان الأمر مرهقاً، والبشر يتعبون، مما يعني وقوع الأخطاء. وهنا يأتي دور الذكاء الاصطناعي (AI)، وتحديداً فرع يسمى "التعلم العميق" (Deep Learning). فكر في التعلم العميق كطالب خارق لا يكتفي بحفظ صور العيوب فحسب، بل يتعلم فعلياً كيف يبدو الخدش أو الانبعاج من خلال دراسة آلاف الأمثلة. ومع ذلك، هناك عقبة: هؤلاء الطلاب من الذكاء الاصطناعي غالباً ما يكونون "صناديق سوداء". فهم يعطونك إجابة ("هذا خدش!")، لكنهم لا يستطيعون شرح لماذا يعتقدون ذلك، أو مدى تأكدهم. في المصنع، لا يمكنك مجرد الثقة في صندوق أسود؛ أنت بحاجة لمعرفة ما إذا كان الذكاء الاصطناعي واثقاً أم أنه مجرد يخمن. ومن هنا جاءت الفكرة الجديدة لـ "الذكاء الاصطناعي القابل للتفسير" (Explainable AI) — وهي تشبه طلب من الطالب أن يشير بدقة إلى المكان الذي رأى فيه الخدش ويقول: "أنا متأكد بنسبة 99% لأنني أرى هذا الخط هنا".
تقدم هذه الورقة نظاماً جديداً يسمى RobustDefect-LLM، وهو بمثابة فريق كامل وعالي التقنية لمراقبة الجودة في المصانع. فبدلاً من مجرد روبوت واحد ينظر إلى المنتج، يجمع هذا النظام بين مصنف ذكاء اصطناعي حاد البصر، و"عدسة مكبرة" تظهر للبشر بالضبط أين ينظر الذكاء الاصطناعي، وحكم ذكي يقرر متى يثق في الذكاء الاصطناعي ومتى يستدعي خبيراً بشرياً، وحتى روبوت كاتب يصيغ التقرير النهائي. اختبر الباحثون هذا النظام على مجموعة بيانات مكونة من 1,799 صورة لأسطح فولاذية تحتوي على ستة أنواع مختلفة من العيوب (مثل الخدوش، والرقع، والنقرات). لم يكتفوا ببناء نموذج واحد، بل اختبروا أربعة أنواع مختلفة من "أدمغة" الذكاء الاصطناعي (ResNet50، وEfficientNet-B0، وDenseNet121، وMobileNetV3-Large) لمعرفة أيهم الأفضل في رصد هذه العيوب.
كانت النتائج مثيرة للإعجاب بالنسبة للمرشح "الأفضل"، وهو نموذج يسمى MobileNetV3-Large. ففي مجموعة صور اختبارية نظيفة ومثالية، أصاب هذا النموذج بنسبة 99.26% من المرات. كانت دقة مذهلة! لقد كان جيداً جداً لدرجة أنه تعادل إحصائياً مع منافس قوي آخر، وهو DenseNet121، مما يعني أنه لم يكن هناك فرق كبير بينهما، ولكن تم اختيار MobileNetV3-Large لأنه أسرع وأخف وزناً، مما يجعله أسهل في التشغيل على أجهزة الكمبيوتر في المصانع. كما أثبت النظام قدرته على "رؤية" ما ينظر إليه. فباستخدام تقنية تسمى Grad-CAM، أنشأ النظام خرائط حرارية (مثل عرض الكاميرا الحرارية) سلطت الضال على المواضع الدقيقة للعيوب على الفولاذ، مما منح المشغلين البشريين دليلاً مرئياً على قرار الذكاء الاصطناعي.
ولكن هذا هو الجزء الأهم في القصة: النظام يعرف متى لا يعرف. فقد برمج الباحثون قاعدة "الحكم الذكي". فإذا لم يكن الذكاء الاصطناعي واثقاً جداً (تحديداً إذا كانت درجة ثقته أقل من 0.90 أو إذا كان مرتبكاً بين عيبين متشابهين)، يتوقف النظام تلقائياً ويقول: "مراجعة بشرية" (HUMAN REVIEW). في اختباراتهم، كانت هذه القاعدة صارمة للغاية؛ فقد أرسلت 87.78% من الصور إلى إنسان للفحص، ولم تسمح إلا لـ 12.22% من القرارات بأن تتم تلقائياً. لماذا هذه الصرامة؟ لأن النظام مصمم ليكون آمناً. فعندما نظروا في الخطأين اللذين ارتكبهما الذكاء الاصطناعي، تم رصد كليهما بواسطة قاعدة "المراجعة البشرية"! وهذا يعني أن النظام نجح في منع وقوع أي قرارات تلقائية خاطئة خلال الاختبار.
ومع ذلك، فإن الورقة صريحة جداً بشأن حدودها. فعندما قام الباحثون بمحاكاة ظروف سيئة — مثل جعل الصور ضبابية، أو مظلمة، أو مشوشة — انخفض أداء الذكاء الاصطناعي بشكل كبير. ففي مستويات "السوء" الطفيفة، انخفضت الدقة إلى 87.78%، وفي المستويات الشديدة، انخفضت إلى أقل من 40%. وهذا يخبرنا أنه بينما يعد النظام رائعاً في مختبر محكوم، فإنه ليس جاهزاً بعد للتعامل مع الواقع الفوضوي وغير المتوقع لأرض المصنع دون مزيد من التدريب. كما أن النظام لا يعرف ما تبدو عليه قطعة الفولاذ "المثالية"؛ فهو يعرف فقط كيف تبدو أنواع العيوب الستة المحددة، لذا لا يمكنه إخبارك إذا كانت القطعة مثالية، بل يمكنه فقط إخبارك إذا كانت تحتوي على عيب معين.
ولربط كل شيء معاً، بنى الفريق تطبيقاً كاملاً للهواتف المحمولة يتيح لعمال المصانع التقاط صورة لصفحة فولاذية، ورؤية تخمين الذكاء الاصطناعي، والاطلاع على "الخريطة الحرارية" لمعرفة أين ينظر الذكاء الاصطناعي، والحصول على تقرير مكتوب يتم إنشاؤه بواسطة نموذج لغوي كبير (LLM). هذا التقرير "مُتحكم به"، مما يعني أن الذكاء الاصطناعي لا يمكنه اختلاق الأمور، بل يجب عليه الالتزام بالحقائق التي وجدها الكمبيوتر. العملية بأكملها، من التقاط الصورة إلى الحصول على التقرير، مصممة لتكون شراكة بين الآلة والإنسان، لضمان أن يكون القرار النهائي دائماً آمناً، وقابلاً للتتبع، ومفسراً. ويشير المؤلفون إلى أنه بينما تعد هذه خطوة كبيرة للأمام لجعل الذكاء الاصطناعي جديراً بالثقة في المصانع، إلا أنه لا يزال بحاجة إلى مزيد من الاختبار في ظروف العالم الحقيقي قبل أن يتمكن من إدارة خط إنتاج بمفرده تماماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.