RAUDI: A Dual-Head Framework Unifying Unsupervised and Supervised Reconstruction for Industrial Anomaly Detection

في عالم التصنيع الحديث الصاخب، غالبًا ما يكمن الفرق بين منتج مثالي وآخر معيب في عيب واحد صغير للغاية. فخدش مجهري على لوحة دوائر كهربائية، أو شق شعري في غلاف معدني، أو تغير طفيف في لون جهاز طبي يمكن أن يجعل القطعة عديمة الفائدة أو حتى خطيرة. لعقود من الزمن، اعتمدت المصانع على الأنظمة الآلية لاكتشاف هذه الأخطاء، لكن تعليم الكمبيوتر كيفية رصد العيب يمثل تحديًا متناقضًا. لكي يتعلم الجهاز شكل العيب، يحتاج عادةً إلى رؤية آلاف الأمثلة للقطع التالفة. ومع ذلك، في المصنع الذي يُدار بشكل جيد، تكون القطع التالفة نادرة؛ فهي الاستثناء وليست القاعدة. هذا الندرة تجعل من الصعب للغاية تدريب الذكاء الاصطناعي على التعرف على كل طريقة ممكنة قد يسوء بها المنتج. وبناءً على ذلك، يتم تدريب العديد من الأنظمة فقط على القطع المثالية والطبيعية، لتتعلم رصد أي شيء ينحرف عن المعيار. وبينما ينجح هذا مع المشكلات المعروفة، فإنه يعاني عندما يظهر نوع جديد وغير متوقع من الضرر، أو عندما يحتاج المصنع إلى تجاهل العيوب الطفيفة التي تُعتبر في الواقع مقبولة.

اقترح فريق من الباحثين في جامعة تشونغبوك الوطنية في كوريا الجنوبية نهجًا جديدًا لحل هذه المعضلة، مقدمين طريقة لتعليم الآلات رؤية العيوب بوضاً أكثر دون الحاجة إلى أكوام لا تنتهي من العينات المكسورة. أطلقوا على نظامهم اسم RAUDI، وهو إطار عمل يجمع بين طريقتين مختلفتين للتعلم في أداة واحدة مرنة. بدلاً من إجبار الكمبيوتر على الاختيار بين التعلم من القطع المثالية أو المكسورة، يستخدم RAUDI "رأسين" أو مسارين متوازيين. يتعلم المسار الأول بدقة من صور المنتجات المثالية، باحثًا عن أي شيء لا يتناسب مع النمط. أما المسار الآخر، فقد صُمم للتعلم من الصور المعيبة عندما تتوفر، أو من العيوب المزيفة المصنوعة بعناً لتشبه الحقيقية عند غيابها. ومن خلال دمج الرؤى من كلا المسارين، يمكن للنظام اكتشاف مجموعة أوسع من المشكلات، والأهم من ذلك، يمكن ضبطه لتجاهل العيوب الطفيفة التي قد يعتبرها المصنع مقبولة، والتركيز فقط على العي تطب الجوهرية التي تهم.

يكمن جوهر هذا الابتكار في كيفية تعامل النظام مع البيانات التي يتلقاها. يعمل المسار الأول بناءً على مبدأ إعادة البناء. تخيل أنك تعرض على الكمبيوتر آلاف الصور لسطح مثالي وخالٍ من العيوب؛ سيتعلم الكمبيوتر إعادة بناء هذه الصور في ذهنه، مدركًا تمامًا كيف يبدو السطح الطبيعي. وعندما يرى صورة جديدة بها خدش، يحاول إعادة بنائها كما لو كانت مثالية، لكن الخدش يربك العملية. يفشل الكمبيوتر في إعادة بناء تلك البقعة المحددة بشكل صحيح، وهذا الفشل يشير إلى وجود خلل. هذه الطريقة ممتازة في إيجاد العيوب غير المعروفة لأنها تعتمد على ما هو "ليس طبيعيًا". ومع ذلك، فإن لديها نقطة عمياء: فهي لا تستطيع التمييز بين شق حرج وخدش غير ضار، كما لا يمكنها التحسن إذا فاتها نوع معين من الأخطاء.

ولإصلاح ذلك، أضاف الباحثون مسارًا ثانيًا يتعلم من العيوب نفسها. في العديد من البيئات الصناعية، تمتلك الشركات بعض الصور للمنتجات المكسورة، لكن تصنيفها مكلف ويستغرق وقتًا طويلاً. وللتغلب على ذلك، طور الفريق طريقة ذكية لتوليد عيوب مزيفة واقعية. لقد استخدموا تقنية تسمى "تقسيم السوبر بيكسل" (superpixel segmentation)، والتي تفكك الصورة إلى قطع صغيرة متماسكة في اللون تشبه البنية الطبيعية للجسم. وبدلاً من مجرد لصق ضوضاء عشوائية على صورة، يختار النظام هذه القطع الطبيعية ويوسعها بطريقة تحاكي كيفية انتشار الضرر الحقيقي عبر السطح. هذا يخلق عيوبًا اصطناعية تبدو وتتصرف مثل الشيء الحقيقي، مما يسمح للمسار الثاني بالتعلم من مكتبة واسعة من الأمثلة دون الحاجة إلى تدخل بشري لتصنيف كل واحدة منها.

إن عبقرية نظام RAUDI تكمن في كيفية منع هذين المسارين من العمل ضد بعضهما البعض. إذا تم تدريب الكمبيوتر على رؤية عيب ثم طُلب منه "إعادة بناء" الصورة، فقد يتعلم بالخطأ إصلاح العيب، مما يؤدي فعليًا إلى محو الشيء الذي من المفترض أن يجده. حل الباحثون ذلك بتصميم المسار الثاني ليخرج خريطة توضح أماكن العيوب، بدلاً من محاولة إعادة بناء الصورة. إنه يتعلم تسليط الضوء على المناطق المتضررة مع تجاهل الباقي، مما يضمن بقاء النظام حادًا ومركزًا على المشكلة. وعندما يكون النظام جاهزًا لفحص منتج جديد، فإنه يدمج النتائج من كلا المسارين؛ حيث يلقي المسار الأول شبكة واسعة، ليلتقط أي شيء غير عادي، بينما يقوم المسار الثاني بتدقيق التركيز، مؤكدًا أي من المواضع غير العادية هي في الواقع عيوب حرجة.

نتائج هذا النهج المزدوج مذهلة. فعند اختباره على معيار قياسي يحتوي على صور لمختلف المنتجات الصناعية، حقق النظام دقة اكتشاف بلغت 99.3% ودقة تحديد موقع بلغت 73.1%، مما يعني أنه لم يعرف فقط وجود عيب، بل استطاع تحديد موقعه بدقة عالية. وفي مجموعة بيانات مصممة خصيصًا للتعلم الخاضع للإشراف، حيث تتوفر صور لمنتجات معيبة حقيقية للتدريب، وصل النظام إلى دقة بلغت 86.4% في تحديد مواقع العيوب، متفوقًا على الأساليب الرائدة السابقة. ولعل الأهم من ذلك هو أن النظام أثبت مرونته في مجموعة بيانات من العالم الحقيقي لصور لحام الأغشية المقدمة من شريك صناعي. في هذه الصور، نجح النظام في التمييز بين الاختلافات المقبولة في عملية اللحام وبين عدم التوازن الحراري الفعلي أو تدهور المواد، محققًا نتائج تتوافق بشكل وثيق مع الخبراء البشريين.

يشير هذا العمل إلى أن مستقبل مراقبة الجودة الصناعية لا يتطلب الاختيار بين التعلم غير الخاضع للإشراف، الذي يتميز بالمرونة ولكنه يفتقر إلى الاحتياجات المحددة للمستخدم، وبين التعلم الخاضع للإشراف، الذي يتميز بالدقة ولكنه يتطلب كميات هائلة من البيانات. ومن خلال توحيد هذين النهجين، خلق الباحثون نظامًا يمكنه التكيف مع واقع أرض المصنع. يمكنه التعلم من عدد قليل من القطع المكسورة التي يمتلكها المصنع، أو توليد أمثلة واقعية لسد الفجوات، كل ذلك مع الحفاظ على القدرة على رصد أنواع جديدة تمامًا من الأخطاء. النظام لا يكتشف فقط أن هناك خطأ ما، بل يفهم سياق الخطأ، مما يسمح للمصنعين بوضع معاييرهم الخاصة لما يشكل عيبًا. وفي صناعة يمكن أن تكون فيها تكلفة الخطأ الفائت مرتفعة، فإن هذه القدرة على الرؤية بوضوح ودقة وتكيف تقدم خطوة كبيرة للأمام في ضمان موثوقية المنتجات التي تدعم حياتنا اليومية.