Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
تقدم هذه الورقة وتتحقق من صحة نظام ذكاء اصطناعي طرفي، من طرف إلى طرف ومنخفض استهلاك الطاقة، تم نشره على جهاز Raspberry Pi 5 مع وحدة Google Coral Edge TPU، والذي يستخدم نموذج YOLOv11n مكمّم لتحقيق كشف في الوقت الفعلي وعالي الدقة لعيوب أحزمة النقل في البيئات الصناعية القاسية، مما يتيح الصيانة التنبؤية منخفضة التكلفة دون الاعتماد على وحدات معالجة الرسومات المستهلكة للطاقة.
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. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في الصناعات الثقيلة التي تبني عالمنا الحديث، من تعدين كميات هائلة من الخام إلى تصنيع الإسمنت، تعمل أحزمة المطاط الضخمة كشرايين للإنتاج. تنقل هذه الأنظمة الناقلة آلاف الأطنان من المواد الكاشطة يوماً بعد يوم، وغالباً ما تعمل لمئات الأمتار عبر بيئات مغبرة ومهتزة وقاسية. ومع مرور الوقت، يتسبب الإجهاد المستمر للأحمال الثقيلة، والصخور المتساقطة، والاحتكاك في تطوير نقاط ضعف خفية في هذه الأحزمة. فتمزق صغير أو ثقب يمكن أن يتحول بسرعة إلى انقطاع كارثي، مما يؤدي إلى قطع الحزام تماماً. وعندما يحدث هذا، يتوقف خط الإنتاج بأكمله، مما يكلف المنشأة آلاف الدولارات من الوقت الضائع والإصلاحات الباهظة، كما يخلق مواقف خطيرة للعمال القريبين. ولعقود من الزمن، كانت الطريقة الوحيدة للعثان على هذه العيوب هي قيام المفتشين البشريين بالسير على طول الآلات المتحركة، وهي طريقة بطيئة، ومحفوفة بالمخاطر، وعرضة لتجاهل الأضرار الصغيرة ولكنها حرجة.
ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، حيث علموا الحواسيب كيف "ترى" العيوب بالطريقة التي يراها بها البشر. ومع ذلك، فإن معظم أنظمة الرؤية الذكية هذه ثقيلة وتستهلك الكثير من الطاقة للعمل مباشرة في أرض المصنع. فهي تتطلب عادةً حواسيب ضخمة وباهظة الثمن أو اتصالاً بالسحابة، وهو أمر غير عملي للمواقع الصناعية البعيدة ذات الكهرباء المحدودة ونطاق التردد الضعيف للشبكة. وقد نجح فريق من المهندسين في إندونيسيا الآن في سد هذه الفجوة من خلال إنشاء نظام مدمج ومنخفض الطاقة يمكنه مراقبة حزام ناقل في الوقت الفعلي ورصد التلف فور حدوثه. لقد بنوا جهازاً يتسع داخل صندوق معدني قياسي، يستخدم كاميرا صغيرة لمراقبة الحزام، ويشغل برنامج كشف بصري متطور على شريحة صغيرة متخصصة مصممة للسرعة والكفاءة.
ركز الباحثون على نوع محدد من نماذج الذكاء الاصطناعي يُعرف باسم YOLO، والذي يرمز إلى "You Only Look Once" (أنت تنظر مرة واحدة فقط). هذا النوع من النماذج مشهور بقدرته على تحديد الأشياء في بث الفيديو بشكل فوري تقريباً. وبينما كانت الإصدارات السابقة من هذه التكنولوجيا تعمل بشكل جيد على أجهزة الكمبيوتر المكتبية القوية، أراد الفريق معرفة ما إذا كان أحدث إصدار أكثر كفاءة يمكنه العمل على حاسوب صغير أحادي اللوحة، يشبه تلك المستخدمة من قبل الهواة، ولكن مقترن بمسرع متخصص. هذا المسرع، المسمى Edge TPU، هو قطعة صغيرة من الأجهزة المصممة خصيصاً لأداء العمليات الحسابية المطلوبة للذكاء الاصطناعي باستخدام طاقة قليلة جداً. وقد أخذ الفريق تغذية كاميرا من مصنع إسمنت حقيقي في غرب جاوة، حيث الهواء كثيف بالغبار والآلات تهتز باستمرار، وضخها في نظامهم.
ولتلقين الكمبيوتر ما يجب أن يبحث عنه، جمع الفريق مجموعة ضخمة من الصور. لم يعتمدوا فقط على صور ملتقطة في مختبر نظيف، بل دمجوا صوراً مأخوذة مباشرة من مصنع الإسمنت مع صور من مجموعات بيانات عامة وصور جديدة التقطها نظام مؤتمت سجل حركة الحزام بمرور الوقت. هذا المزيج ضمن أن يتعلم الكمبيوتر التعرف على التمزقات، والثقوب، والإصلاحات المرقعة حتى عندما تكون مغطاة بالغبار أو مضاءة بأضواء المصنع القاسية وغير المتساوية. وفي المجمل، استخدموا أكثر من 3000 صورة لتدريب النموذج، مع تحديد كل عيب بعناية حتى يتعلم الكمبيوتر الفرق بين الحزام التالف والحزام الطبيعي. ثم قاموا بتبسيط برنامج الكمبيوتر، وتحويله إلى تنسيق يمكن لشريحة المسرع الصغيرة فهمه وتنفيذه دون الحاجة إلى معالج رئيسي قوي.
وعندما تم نشر النظام في مصنع الإسمنت الفعلي، كانت النتائج فورية ومستقرة. الجهاز، الموضوع داخل صندوق معدني محكم لحمايته من الغبار والاهتزاز، نجح في مراقبة الحزام الناقل وتحديد العيوب أثناء مرورها. وقد عالج الفيديو بمعدل 30 إلى 40 إطاراً في الثانية، وهو ما يكفي لمواكبة سرعة الحزام المتحرك. استغرقت العملية بأكملها، من التقاط الكاميرا للصورة إلى تحديد النظام للخلل، ما بين 70 و90 مللي ثانية. ولوضع هذه السرعة في منظور، إذا كان الحزام يتحرك بسرعة صناعية نموذجية، فإن النظام يحدد المشكلة قبل أن يتحرك الجزء التالف أكثر من بضع بوصات، مما يمنح المصنع وقتاً كافياً للتحرك قبل أن يتفاقم الضرر.
أثبت النظام أنه موثوق للغاية في ظل الظروف الصعبة. فخلال فترات الاختبار الطويلة، ظل الكمبيوتر الصغير وشريحة المسرع باردين بما يكفي للعمل بأمان دون الحاجة إلى مراوح أو تكييف هواء، مع الحفاظ على درجات حرارة مستقرة حتى في البيئة الحارة والمغبرة. لم يفقد النظام أي إطارات فيديو ولم يتوقف عن العمل، مما أظهر قدرته على العمل المستمر دون تدخل بشري. وقد نجح في اكتشاف أربعة أنواع من الأضرار: التمزقات الطويلة، والثقوب الصغيرة، والحفر، والإصلاحات المرقعة غير المستوية. وعلى الرغم من أنه كان أقل فعالية قلي في رصد أصغر الثقوب عندما تكون مغطاة جزئياً بالغبار، إلا أنه أدى المهمة بدقة عالية في العيوب الأكبر والأكثر خطورة والتي تشكل أكبر تهديد للآلات.
يوضح هذا العمل أن الذكاء الاصطناعي المتقدم لا يحتاج لأن يكون محبوساً في مركز بيانات ليكون مفيداً. فمن خلال تحسين البرمجيات لتعمل على أجهزة صغيرة وبأسعار معقولة، أظهر الباحثون أن المصانع يمكنها مراقبة معداتها في الوقت الفعلي، في أي مكان في العالم، دون الاعتماد على بنية تحتية باهظة الثمن. يعمل النظام كعين لا تكل ولا تغفل، لا تتعب أبداً، ولا تفوت نوبة عمل، ويمكنها رصد العلامات المبكرة للفشل قبل أن تتحول إلى كوارث. يقدم هذا النهج مساراً عملياً نحو عمليات صناعية أكثر أماناً وكفاءة، مما يثبت أن مستقبل الصيانة التنبؤية يمكن أن يكون صغيراً، سريعاً، ومبنياً مباشرة في قلب أرض المصنع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.