When More References Hurt: Contamination-Aware DINOv2 Memory Banks for Few-Shot Steel Defect Detection
تقترح هذه الورقة طريقة لبناء بنك ذاكرة مدرك للتلوث للكشف عن عيوب الصلب في حالات التعلم بلقطات قليلة، والتي تعمل على تصفية الصور الصناعية غير المتحقق منها لإزالة الرقع الشاذة، مما يحسن أداء الكشف بشكل كبير مقارنة باستراتيجيات التوسع المرجعي أو الإزالة العشوائية.
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
في المصانع الشاسعة ذات الضجيج المستمر، حيث يتم دحرجة الفولاذ إلى صفائح رقيقة لامعة، يجب أن يكون السطح خالياً من العيوب. فحتى خدش صغير أو حفرة مجهرية يمكن أن تفسد دفعة من المعدن المخصص للسيارات أو الأجهزة المنزلية. لعقود من الزمن، اعتمدت المصانع على الأنظمة الآلية لاكتشاف هذه العيوب، لكن تعليم الكمبيوتر كيفية رؤيتها هو أمر بالغ الصعوبة. عادةً، يعرض المهندسون على الآلة آلاف الصور للفولاذ المثالي وآلافاً أخرى من الفولاذ الذي يحتوي على شقوق وندبات محددة ومصنفة، فيتعلم الكمبيوتر تمييز الفرق. ومع ذلك، في العالم الحقيقي، تكون الملصقات المثالية مكلفة وبطيئة في الإعداد، والعيوب نادرة، دقيقة، ومتغيرة باستمرار. وقد أدى هذا بالباحثين إلى نهج مختلف: بدلاً من تعليم الآلة كيف يبدو العيب، يعلمونها كيف يبدو "الطبيعي". يتم تزويد النظام بمكتبة من الأمثلة المثالية، وإذا لم تتطابق قطعة جديدة من الفولاذ مع المكتبة، يتم تصنيفها كقطعة تالفة. يعمل هذا الأسلوب بشكل رائع عندما تكون المكتبة مثالية، ولكنه يواجه ثغرة خطيرة: ماذا لو كانت المكتبة نفسها ملوثة بعيوب خفية؟
هذه هي المشكلة الدقيقة التي عالجها فريق من الباحثين في جامعة بادوفا وجامعة فيينا. فقد بحثوا في تقنية حديثة تستخدم نموذج ذكاء اصطناٍعي قوي ومدرب مسبقاً لبناء مكتبة "القطع الطبيعية" من الفولاذ. يقوم النموذج بتقسيم الصورة إلى آلاف المربعات الصغيرة، أو "الرقع"، ويخزنها في بنك ذاكرة. وعندما تصل صورة جديدة، يقارن النظام رقعها مقابل البنك. وإذا كانت الرقعة مختلفة جداً عن أي شيء في البنك، يتم تعليمها كعيب. وتكمن الخطورة في كيفية بناء هذا البنك. ففي المصنع، من السهل جمع مئات الصور من الفولاذ، ولكن من الصعب التحقق من أن كل بكسل في كل صورة هو بالفعل مثالي تماماً. إذا أضاف باحث مائة صورة غير موثقة إلى البنك، أملاً في منح النظام مزيداً من التنوع، فقد يدرج بالخطأ صوراً تحتوي على عيوب خفية. وسيعتبر النظام، لثقته في مكتبته الجديدة، أن هذه العيوب هي في الواقع طبيعية، وسيتوقف عن رصدها. وقد طرح الباحثون سؤالاً جوهرياً: هل يمكننا استخدام هذه الصور غير الموثقة بأمان لتوسيع مكتبتنا دون السماح للرقع السيئة بالدخول؟
للإجابة على ذلك، لجأ الفريق إلى مجموعة بيانات لصور شرائط فولاذية تحتوي على أربعة أنواع من العيوب. بدأوا بمجموعة صغيرة وموثوقة من الصور التي تضمن خلوها من العيوب، وشكلت هذه المجموعة الصغيرة "بذرة" الذاكرة. ثم أخذوا مجموعة أكبر من الصور غير الموثقة — والتي يحتوي بعضها على عيوب خفية — وحاولوا استخراج الرقع الطبيعية المفيدة منها. كانت محاولتهم الأولى بسيطة: أضافوا كل رقعة من الصور غير الموثقة إلى "البذرة". وكانت النتيجة كارثية. فعلى الرغم من أن معظم الفولاذ في تلك الصور بدا سليماً، إلا أن العيوب الخفية القليلة كانت كافية لإرباك النظام. وعندما قاموا بقياس قدرة النظام على إيجاد العيوب، انخفض الأداء بشكل ملحوظ. وفي الواقع، وجدوا أن استبدال جزء ضئيل جداً من بنك الذاكرة برقع سيئة — أقل من واحد بالمائة — تسبب في هبوط دقة النظام بأكثر من الربع. وقد أثبت هذا أن نقاء مكتبة المرجع هو العامل الأهم؛ فالمكتبة الكبيرة المليئة بالأخطاء الخفية أسوأ من المكتبة الصغيرة والنقية.
قام الباحثون بعد ذلك بتطوير طريقة لتصفية الصور غير الموثقة قبل أن تلمس بنك الذاكرة. استخدموا صور "البذرة" الموثوقة كمعيار للقياس. فكانت كل رقعة من الصور غير الموثقة تُقارن بالبذرة الموثوقة؛ فإذا بدت الرقعة مختلفة جداً عن الأمثلة الطبيعية الموثوقة، فمن المرجح أنها عيب ويتم استبعادها. ووجدوا أنه من خلال رفض العشرين بالمائة من الرقع الأكثر اختلافاً عن البذرة الموثوقة، يمكنهم إزالة الغالبية العظمى من العيوب الخفية. هذه العملية، التي أطلقوا عليها اسم "التنقية بالتقليم المسافي" (distance-trimmed purification)، كانت فعالة بشكل ملحوظ؛ فقد رفضت ما يقرب من ثمانين بالمائة من الرقع الشاذة الموجودة في الصور غير الموثقة مع الاحتفاظ بالغالبية العظمى من الرقع الجيدة. ثم دُمجت الرقع المتبقية مع البذرة وضُغطت في بنك ذاكرة نهائي بحجم ثابت، لضمان مقارنة عادلة مع الطرق الأخرى.
أظهرت النتائج أن هذا الترشيح الدقيق هو ما صنع الفارق. فعندما قارن الباحثون بنكهم المصفى ببنك تم بناؤه ببساطة عبر إضافة جميع الصور غير الموثقة، كان النسخة المصفاة متفوقة بكثير في اكتشاف العيوب. كما تفوقت أيضاً على البنك الذي بُني عن طريق إزالة الرقع عشوائياً، مما أثبت أن التحسن جاء من عملية الترشيح الذكية، وليس فقط من تقليل عدد الصور. ومع ذلك، كان الباحثون حذرين في ملاحظة أن هذه الطريقة هي أداة للحالات التي تشح فيها الصور النظيفة. ففي البيانات المستبعدة المستخدمة للاختبار النهائي، ظل البنك المبني من ثماني صور نظيفة تماماً هو الأقوى أداءً. إن الطريقة المقترحة مصممة للسيناريو الصعب في العالم الحقيقي، حيث يمتلك المهندسون نواة صغيرة موثوقة ولكن لديهم جبل من البيانات غير الموثقة التي يرغبون في استخدامها، مما يوفر وسيلة لاستعادة المظهر الطبيعي المفيد من الصور المحفوفة بالمخاطر عندما تكون المراجع الموثقة قليلة جداً لبناء مكتبة كبيرة بمفردها.
في نهاية المطاف، تثبت الدراسة أنه في عالم الفحص الآلي، ليست كثرة البيانات هي الأفضل دائماً. فإضافة صور غير موثقة دون وسيلة للتحقق منها يمكن أن تعلم النظام تجاهل المشكلات الحقيقية. وقد أظهر الباحثون أنه باستخدام مجموعة صغيرة من الأمثلة الموثوقة لفحص المجموعة الأكبر، يمكن توسيع معرفة النظام بأمان. ووجدوا أن قاعدة بسيطة — وهي استبعاد الرقع التي تبدو الأكثر اختلافاً عن النمط الطبيعي الموثوق — يمكنها تجريد النظام من التلوث واستعادة المعلومات المفيدة المخفية في البيانات المحفوفة بالمخاطر. يسمح هذا النهج للمصانع بالاستفادة من وفرة الصور الرخيصة وغير الموثقة التي يجمعونها يومياً، وتحويل عبء محتمل إلى أصل موثوق، بشرما كانوا مستعدين لتصفية الضجيج قبل دخوله إلى النظام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.