DMASNet: A Defect Detection Network for PCBs via Multi-Scale Feature Collaborative Optimization
تقدم هذه الورقة البحثية DMASNet، وهو إطار عمل خفيف الوزن وفعال للكشف عن العيوب في لوحات الدوائر المطبوعة، والذي يستفيد من تحسين الميزات متعددة المقاييس، وأخذ العينات التصاعدي الديناميكي، ودوال الخسارة المتخصصة لتحسين الدقة وسرعة الاستدلال في الوقت الفعلي بشكل كبير على الأجهزة الصناعية.
تعتمد الإلكترونيات الحديثة على لوحات الدوائر المطبوعة، وهي القواعد الخضراء المسطحة التي تحمل المكونات الصغيرة التي تشغل كل شيء، بدءاً من الهواتف الذكية وصولاً إلى الأجهزة الطبية. ومع صغر حجم هذه الأجهزة وزيادة تعقيدها، تصبح اللوحات نفسها أكثر كثافة، مما يجعل من الصعب رصد العيوب الدقيقة التي قد تؤدي إلى تعطل الجهاز. تقليدياً، اعتمدت المصانع على المفتشين البشريين للبحث عن هذه العيوب، وهي عملية بطيئة ومرهقة وعرضة للخطأ البشري، أو على آلات مؤتمتة تواجه صعوبة عندما تكون خلفية اللوحة مزدحمة أو عندما تكون العيوب غير منتظمة الشكل. ولحل هذه المشكلة، توجه الباحثون إلى الذكاء الاصطناعي، وتحديداً أنظمة الرؤية الحاسوبية التي يمكنها تعلم التعرف على الأنماط في الصور. والهدف هو إنشاء نظام يمكنه مسح اللوحة، وتحديد أي خلل مهما كان صغيراً أو مخفياً، والقيال بذلك بسرعة كافية لمواكبة خط التجميع المتحرك دون إبطاء الإنتاج.
قام فريق من الباحثين في جامعة "هيفي" للتكنولوجيا بتطوير نظام جديد يسمى (DMASNet) لمعالجة هذه التحديات المحددة. يركز نهجهم على تعليم الكمبيوتر النظر إلى لوحة الدائرة بطريقة أكثر مرونة. فبدلاً من إجبار الصورة على الدخول في شبكة جامدة، يستخدم النظام الجديد طريقة ديناميكية للتقريب (Zoom) على المناطق المهمة، تماماً مثل العين البشرية التي تحول تركيزها بشكل طبيعي نحو بقعة على نافذة بدلاً من التحديق بفراغ في الزجاج. وهذا يسمح للنظام بتجاهل الخلفية المعقدة والمزدحمة للوحة الدائرة والتركيز على العيوب الفعلية، والتي يمكن أن تختلف أحجامها بشكل كبير. ووجد الباحثون أنه من خلال الجمع بين قدرة التقريب المرنة هذه وطريقة متخصصة للنظر إلى الصورة من مسافات متعددة في آن واحد، أصبح النظام أفضل بكثير في العثور على الشقوق الصغيرة أو الأجزاء المفقودة التي غالباً ما تفقدها الأنظمة الأخرى.
ولجعل هذا النظام سريعاً بما يكفي للمصانع الواقعية، كان على الباحثين توخي الحذر لكي لا يرهقوا الكمبيوتر في العمل. فعادةً ما يؤدي إضافة المزيد من الميزات إلى نموذج الذكاء الاصطناعي إلى جعله أكثر ذكاءً ولكنه أيضاً يصبح أبطأ وأثقل. وقد حل الفريق هذه المشكلة باستبدال جزء قياسي وثقيل من النظام بمكون أخف وأكثر كفاءة يقوم بنفس الوظيفة بجهد أقل. كما قاموا بتحسين الطريقة التي يتعلم بها النظام من أخطائه، عبر ضبط قواعده الداخلية لتكون أكثر دقة عند رسم مربع حول العيب. وهذا يضمن أن النظام لا يكتفي بمجرد التخمين حول مكان الخلل، بل يحدد موقعه بدقة عالية. وعند اختباره على صور للوحات دوائر حقيقية، أثبتت هذه الطريقة الجديدة أنها أكثر دقة من النماذج القياسية السابقة، حيث حسنت معدل الكشف بهامش ملحوظ مع استخدام موارد حاسوبية أقل بالفعل.
إن الاختبار الحقيقي لمثل هذا النظام هو ما إذا كان بإمكانه العمل على أجهزة الكمبيوتر الصغيرة والمحمولة المستخدمة في المصانع الحديثة، بدلاً من مجرد العمل على خوادم ضخمة في المختبر. قام الباحثون بنشر نظامهم على جهاز مدمج ومنخفض الطاقة يُعرف باسم (Jetson Orin Nano)، وهو مصمم للحوسبة الطرفية (Edge Computing) في البيئات الصناعية. وحتى مع هذه القيود الصارمة للأجهزة، عالج النظام الصور في غضٍ قدره 25.7 مللي ثانية لكل إطار. وهذه السرعة كافية لمواكبة الوتيرة السريعة لخط الإنتاج، مما يسمح بالفحص في الوقت الفعلي دون إبطاء عملية التصنيع. وتشير النتائج إلى أن هذا النهج يقدم طريقة عملية وموثوقة للحفاظ على الجودة العالية في تصنيع الإلكترونيات، مما يسد الفجوة بين الذكاء الاصطناعي المتقدم والمتطلبات المادية لأرض المصنع.
ملخص تقني: شبكة DMASNet للكشف عن عيوب لوحات الدوائر المطبوعة (PCB)
بيان المشكلة لا يزال الكشف الموثوق عن العيوب في لوحات الدوائر المطبوعة (PCBs) يمثل تحديًا كبيرًا في التصنيع الحديث نظرًا للتباين الواسع في أحجام العيوب وتعقيد خلفيات التصنيع. تواجه طرق الفحص التقليدية قيودًا واضحة: فالفحص البصري اليدوي يتطلب جهدًا مكثفًا ويفتقر إلى الاستمرارية؛ والاختبار الكهربائي ينطوي على مخاطر إلحاق ضرر مادي باللوحة؛ كما أن أنظمة الفحص البصري الآلي (AOI) التقليدية غالبًا ما تعاني مع العيوب الصغيرة أو غير المنتظمة مورفولوجيًا، مما يتطلب تعديلات متكررة للمعلمات وتفتقر إلى القدرة على التكيف في بيئات التصنيع المرنة. وبينما يقدم التعلم العميق بديلًا واعدًا، فإن النماذج الحالية غالبًا ما تفشل في تحقيق التوازن بين الحاجة إلى استخراج الميزات متعدد المقاييس عالي الدقة وبين الكفاءة الحسابية المطلوبة للنشر الصناعي في الوقت الفعلي.
المنهجية يقترح المؤلفون DMASNet، وهو إطار عمل خفيف الوزن للكشف يعتمد على بنية YOLO11، ومُحسَّن خصيصًا لفحص عيوب لوحات الدوائر المطبوعة. تحتفظ الشبكة بالهيكل القياسي ثلاثي المراحل (العمود الفقي، العنق، ورأس الكشف) ولكنها تقدم أربعة تعديلات هيكلية رئيسية لمعالجة تباين المقاييس، وتداخل الخلفية، والتكلفة الحسابية:
إعادة بناء رفع العينات الديناميكي (DySample): للتخفيف من حدة تمثيل البكسلات (pixel aliasing) وتداخل الخلفية الشائع في رفع العينات الثابت، استبدل المؤلفون عملية رفع العينات القياسية بوحدة DySample. يستخدم هذا المشغل معلومات دلالية من خرائط الميزات العميقة ومنخفضة الدقة لتوجيه نقاط أخذ العينات التكيفية. ومن خلال تصحيح عدم المحاذاة المكانية أثناء رفع مقاييس الميزات، فإنه يعزز تمثيل العيوب الصغيرة مع كبح أنسجة الخلفية غير ذات الصلة.
استخراج الميزات متعدد المقاييس (MSCB): إدراكًا بأن عيوب لوحات الدوائر المطبوعة تتباين بشكل كبير في مقياس البكسل، تم تعزيز وحدة C3k2 القياسية بكتلة استخراج الميزات متعددة المقاييس (MSCB). تدمج هذه الوحدة التلافيف متعددة المقاييس لتعميق (Multi-Scale Depthwise Convolution) لالتقاط ميزات متكاملة عبر مقاييس مكانية مختلفة. وهي تستخدم تلافيف عميقة متوازية لاستخراج كل من الأنسجة عالية التردد المحلية والأنماط الهيكلية الأوسع، متبوعة بعملية خلط القنوات (channel shuffling) لتسهيل التفاعل بين المقاييس المختلفة.
خفض العينات خفيف الوزن (ASDown): لتعويض العبء الحسابي الناتج عن استخراج الميزات متعدد المقاييس، تم استبدال التلافيف أحادية الخطوة الأصلية بوحدة ASDown. تستبدل هذه الوحدة التلافيف القياسية بتلافيف عميقة قابلة للفصل، مما يقلل بشكل كبير من عدد المعلمات وعمليات النقطة العائمة (FLOPs) مع الحفاظ على استقرار خفض العينات.
تحسين انحدار صندوق الإحاطة (SIoU): تتبنى الدراسة دالة خسارة SIoU (التقاطع فوق الاتحاد القابل للتوسع) لتحل محل خسائر IoU التقليدية. تدمج SIoU تكاليف الزاوية، والمسافة، والشكل إلى جانب حد IoU الأساسي. يهدف هذا التصميم إلى إدخال قيود اتجاهية وعقوبات ديناميكية بناءً على الانحراف الزاوي، بهدف تحسين دقة التحديد وتحسين استقرار تقارب التدريب للعيوب الصغيرة وغير منتظمة الشكل.
المساهمات الرئيسية تحدد الورقة خمس مساهمات رئيسية:
تحسين رفع العينات: تقديم مشغل رفع عينات ديناميكي لتصحيح عدم المحاذاة المكانية وتقليل تداخل الخلفية دون تكلفة حسابية كبيرة.
تحسين استخراج الميزات: تنفيذ استراتيجية تلافيف متعددة المقاييس لتعزيز قدرة النموذج على اكتشاف العيوب ذات الأحجام المتفاوتة تحت ظروف خلفية معقدة.
تقليل التعقيد: نشر وحدة ASDown لتقليل تعقيد النموذج الإجمالي، مما يوازن التكلفة المضافة لتعزيز الميزات.
تحسين دالة الخسارة: استخدام SIoU لتحسين دقة التحديد ومتانة الكشف، لا سيما للأهداف الصغيرة.
التحقق التجريبي والنشر: تقييم شامل على كل من مجموعة بيانات SMT الخاصة بنا ومجموعة بيانات DeepPCB العامة، متبوعًا بنشر ناجح على منصة مدمجة (NVIDIA Jetson Orin Nano) لإثبات الجدوى في الوقت الفعلي.
النتائج التجريبية تم تقييم النموذج المقترح مقابل العديد من الكواشف المتطورة (بما في ذلك RT-DETR-L وإصدارات مختلفة من YOLO) على مجموعتي بيانات:
مجموعة بيانات SMT (المبنية ذاتيًا): حسنت DMASNet متوسط الدقة عند تقاطع 50% (mAP50) بمقدار 4.5 نقطة مئوية عن خط الأساس YOLO11n. وحققت زيادة في سرعة الكشف بنسبة 20.4% مع تقليل إجمالي عدد المعلمات بمقدار 0.41 مليون (من 2.58 مليون إلى 2.17 مليون). والجدير بالذكر أن دراسة الاستئصال (ablation study) أشارت إلى أن إدخال وحدة ASDown وحدها قلل عدد المعلمات بمقدار 0.48 مليون مقارنة بالتكوين الذي سبق إضافتها مباشرة.
مجموعة بيانات DeepPCB (العامة): أظهر النموذج قدرة قوية على التعميم، حيث حسن mAP50 بمقدار 0.6 نقطة مئوية عن خط الأساس (98.9% مقابل 98.3%).
دراسات الاستئصال: أكدت التجارب أن DySample وMSCB كانا المحركين الرئيسيين لمكاسب الدقة، بينما نجحت ASDown في تقليل حجم النموذج مع حد أدنى من التأثير على الدقة. كما عملت SIoU على تحسين انحدار صندوق الإحاطة.
النشر المدمج: عند نشرها على جهاز NVIDIA Jetson Orin Nano مع تسريع TensorRT FP16، حققت DMASNet زمن انتقال استدلال قدره 25.7 مللي ثانية، مما يدعم متطلبات الفحص في الوقت الفعلي في البيئات الصناعية.
الأهمية والادعاءات تدعي الورقة أن DMASNet توفر توازنًا ملائمًا بين دقة الكشف وكفاءة الاستدلال، مما يجعلها مناسبة بشكل خاص لفحص لوحات الدوائر المطبوعة صناعيًا حيث تسود تعقيدات الخلفية وتباين مقاييس العيوب. من خلال دمج أخذ العينات الديناميكي، ودمج الميزات متعدد المقاييس، وخفض العينات خفيف الوزن، يعالج النموذج القيود المحددة لنهج التعلم العميق الحالية في هذا المجال. إن النجاح في النشر على جهاز طرفي (edge device) يثبت الجدوى الهندسية العملية لهذا النهج للرقابة النوعية في الوقت الفعلي عبر الإنترنت. ويشير المؤلفون إلى أن النظام الحالي يركز على الكشف والتعرف، مع التخطيط لأعمال مستقبلية لدمج هذه المخرجات مع محطات الإصلاح اللاحقة لإنشاء نظام فحص وإصلاح مغلق الحلقة.