TRIBRID-Optimized MobileNetV3 Framework for Explainable Printed Circuit Board Defect Classification

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن بصمات الأصابع، أنت تبحث عن شقوق مجهرية غير مرئية في لوحات الدوائر الكهربائية التي تشغل هاتفك، وسياراتك، وحتى الأقمار الصناعية في الفضاء. هذه اللوحات، التي تُسمى لوحات الدوائر المطبوعة (PCBs)، هي بمثابة الجهاز العصبي للإلكترونيات الحديثة. فإذا فُقد ثقب مجهري واحد أو تلامس سلك صغير في مكان لا ينبغي له فيه التلامس، يمكن للجهاز بأكما له أن يتعطل. لفترة طويلة، كان على البشر التحديق في هذه اللوحات تحت المجاهر للعثين عن المشكلة، وهو أمر بطيء ومرهق. ثم أصبحت الحواسيب ذكية بما يكفي لتنظر إلى صور هذه اللوحات وتكتشف الأخطاء تلقائياً. وهنا يأتي دور "التعلم العميق" (Deep Learning) — وهو نوع من الأدمغة الحاسوبية التي تتعلم التعرف على الأنماط تماماً كما نفعل نحن، ولكن بسرعة أكبر. ومع ذلك، هناك عقبة: هذه الأدمغة الحاسوبية غالباً ما تكون مثل "الصناديق السوداء"؛ فقد تقول لك: "هذه اللوحة معيبة"، لكنها لا تستطيع شرح لماذا أو الإشارة إلى البقعة المحددة بالضبط. وفي المصنع، أنت بحاجة للثقة في الآلة، لذا يجب أن تعرف ما الذي تنظر إليه.

تقدم هذه الورقة البحثية طريقة ذكية وجديدة لحل تلك المشكلة. فقد بنى الباحثون نظاماً لا يكتفي فقط برصد العيوب في لوحات الدوائر، بل يشرح أيضاً منطقه وتبريره، تماماً مثل المحقق الذي يريك الأدلة. لقد استخدموا دماً حاسوبياً خفيف الوزن يُسمى MobileNetV3، وهو مصمم ليكون سريعاً وفعالاً، مما يجعله مثالياً للعمل على آلات المصانع التي لا تمتلك قدرات الحواسيب الخارقة. ولكن إليك المفاجأة: لم يتركوا هذا الدماغ الحاسوبي يتعلم بمفرده فحسب، بل استخدموا "مدرباً" خاصاً يُسمى TRIBRID لضبط إعدادات الحاسوب تلقائياً، ليجد الوصفة المثالية للتعلم دون الحاجة لتخمينات بشرية. وأخيراً، أضافوا أداة تُسمى Grad-CAM، والتي تعمل مثل "قلم التحديد" عالي التقنية، حيث ترسم خريطة متوهجة فوق الجزء المحدد من الصورة الذي جعل الحاسوب يقرر وجود عيب ما. والنتيقة؟ نظام ليس دقيقاً للغاية فحسب، بل هو أيضاً شفاف، حيث يوضح بالضبط أين وجد المشكلة.

أدوات المحقق الجديدة

تبدأ القصة مع تحدي فحص لوحات الدوائر المطبوعة (PCBs). هذه هي اللوحات الخضراء (أو الزرقاء أو السوداء أحياناً) التي تراها داخل كل جهاز إلكتروني تقريباً. فهي تجمع كل المكونات الصغيرة معاً وتسمح للكهرباء بالتدفق بينها. فإذا فُقد ثقب، أو انكسر سلك، أو تلامس سلكان بالخطأ، يتوقف الجهاز عن العمل. تقليدياً، كان البشر يفحصون هذه اللوحات، لكن الأمر كان بطيئاً وعرضة للأخطاء لأن البشر يصابون بالإرهاق. لاحقاً، تولت أنظمة تسمى أنظمة الفحص البصري الآلي (AOI) المهمة، باستخدام قواعد بسيطة للعثور على العيوب، لكن هذه الآلات كانت تعاني عندما تصبح اللوحات معقدة أو تتغير ظروف الإضاءة.

هنا يدخل "التعلم العميق". فكر في نموذج التعلم العميق كطالب نظر إلى ملايين الصور وتعلم التعرف على "الكلب" أو "القط" دون أن يخبره أحد بالميزات التي يجب أن يبحث عنها. في هذه الورقة، أراد الباحثون تعليم الحاسوب التعرف على ستة أنواع محددة من عيوب لوحات الدوائر المطبعة: الثقوب المفقودة، وعضات الفئران (نتوءات صغيرة على الحافة)، والدوائر المفتوحة (أسلاك مقطوعة)، والدوائر القصيرة (تماس الأسلاك)، والزوائد (نتوءات معدنية غير مرغوب فيها)، والنحاس الزائد (نحاس إضافي في مكان غير صحيح).

اختار الباحثون نوعاً معيناً من الأدمغة الحاسوبية يُسمى MobileNetV3. تخيل هذا كـ "محقق خفيف الوزن". فخلافاً للمحققين الثقلاء والبطيئين (مثل ResNet أو EfficientNet) الذين يحتاجون إلى حواسيب ضخمة للتفكير، تم تصميم MobileNetV3 ليكون سريعاً وفعالاً، مما يجعله مثالياً للاستخدام في الوقت الفعلي داخل المصانع. ومع ذلك، حتى المحقق الذكي يحتاج إلى الإعدادات الصحيحة ليعمل بشكل مثالي. فإذا كان معدل التعلم سريعاً جداً، فإنه سيفقد التفاصيل؛ وإذا كان بطيئاً جداً، فسيستغرق وقتاً طويلاً. عادةً، يتعين على البشر تخمين هذه الإعدادات، وهو ما يشبه محاولة ضبط الراديو عبر تدوير المقبض بشكل عشوائي.

لحل هذه المشكلة، استخدم الفريق طريقة تسمى TRIBRID. فكر في TRIBRID كمدرب ذكي للغاية يقوم بضبط إعدادات المحقق تلقائياً. فهو يجمع بين ثلاث استراتيجيات مختلفة لإيجاد المزيج المثالي من سرعة التعلم، ومقدار المعلومات التي يتم تجاهلها (dropout)، وحجم البيانات التي يتم النظر إليها في وقت واحد (batch size)، وعدد طبقات الدماغ التي يتم إعادة تدريبها. إنه لا يخمن فحسب؛ بل يستكشف خيارات مختلفة، ويتعلم من أفضلها، بل ويستخدم القليل من العشوائية لتجنب الوقوع في مأزق سيء.

وأخيراً، لضمان ثقة عمال المصنع في النظام، أضاف الباحثون أداة Grad-CAM. هذه هي أداة "التحديد". فعندما يقول الحاسوب: "هذا تماس كهربائي"، يقوم Grad-CAM برسم خريطة حرارية فوق الصورة، حيث تتوهج باللون الأحمر في البقعة المحددة التي أقنعت الحاسوب بوجود العيب. وهذا يثبت أن الحاسوب لا يخمن بناءً على الخلفية فحسب، بل ينظر بالفعل إلى العيب.

الاختبار الكبير

اختبر الباحثون نظامهم الجديد على مجموعة بيانات عامة تحتوي على 2,953 صورة لهذه الأنواع الستة من العيوب. وقاموا بتقسيم البيانات بحيث يتعلم الحاسوب من 70% من الصور، ويتدرب على 15%، ثم يجري اختباراً نهائياً على الـ 15% المتبقية.

كانت النتائج مذهلة. فعندما قارنوا نظام MobileNetV3 المُحسّن بواسطة TRIBRID مع النماذج الأخرى، فاز النظام الجديد في كل مرة.

• حصل دماغ حاسوبي قياسي غير مُحسّن (CNN مخصص) على حوالي 84.42% فقط من العيوب بشكل صحيح.
• حقق MobileNetV3 القياسي، بدون مدرب TRIBRID، نسبة 99.32% بشكل صحيح.
• لكن MobileNetV3 المُحسّن بواسطة TRIBRID حقق نسبة مثالية بلغت 100.00% في الدقة، والضبط، والاستدعاء، ومقياس F1.

هذا يعني أن النظام حدد كل عيب في مجموعة الاختبار بشكل صحيح دون ارتكاب خطأ واحد. كما أنه أدى بشكل جيد تماماً مثل النماذج الأثقل والأبطأ مثل ResNet18 و EfficientNet-B0، والتي سجلت أيضاً حوالي 99.77%، لكن النظام الجديد فعل ذلك مع البقاء خفيف الوزن وسريعاً.

ولإثبات أن مدرب TRIBRID هو "السر الخفي"، أجرى الفريق تجربة تسمى "دراسة الاستئصال" (ablation study). حيث قارنوا TRIBRID بطريقتين أخريين لضبط الإعدادات: البحث العشوائي (التخمين العشوائي) و PSO (طريقة تحسين أخرى).

• نجحت الطرق الثلاث في الوصول إلى دقة 100%.
• ومع ذلك، كانت طريقة TRIBRID هي الأكثر كفاءة؛ فقد احتاجت فقط إلى إعادة تدريب 9 طبقات من الدماغ الحاسوبي للوصول إلى النتيجة المثالية.
• بينما اضطر البحث العشوائي إلى إعادة تدريب 12 طبقة، وطريقة PSO إلى إعادة تدريب 15 طبقة.

يشير هذا إلى أن TRIBRID أكثر ذكاءً في إيجاد الإعدادات الصحيحة، مما يسمح للنظام بالاحتفاظ بمزيد من "معرفته" الأصلية من تدريبه الأولي مع التكيف بشكل مثالي مع المهمة الجديدة.

الرؤية هي التصديق

الجزء الأكثر إثارة في الورقة البحثية هو قسم "القابلية للتفسير". لم يرد الباحثون فقط أن يكون الحاسوب على صواب، بل أرادوا معرفة لماذا هو على صواب. لقد استخدموا Grad-CAM لتصور عملية اتخاذ القرار.

عندما عرضوا على الحاسوب صورة لـ "ثقب مفقود"، توهجت الخريطة الحرارية بسطوع فوق الثقب الفارغ مباشرة. وعندما عرضوا "عضة فأر"، سلط التوهج الضوء على الحافة المتعرجة للوحة. وبالنسبة لـ "الدوائر المفتوحة" و"الدوائر القصيرة"، ركز النظام بشكل صحيح على الخطوط المقطوعة أو الاتصالات العرضية. وحتى بالنسبة للعيوب الصعبة مثل "الزوائد" و"النحاس الزائد"، أشارت الخرائط الحرارية بدقة إلى النتوءات المعدنية الصغيرة وكتل النحاس الإضافية.

هذا أمر بالغ الأهمية للاستخدام الصناعي. فإذا رأى مدير المصنع توهجاً أحمر في نقطة معينة، يمكنه الثقة في الآلة. وإذا كان التوهج في الخلفية أو في مكان عشوائي، فسيعرف أن الآلة مرتبكة. تظهر الورقة أن النظام ليس مجرد "صندوق أسود" يخمن، بل هو أداة شفافة تسلط الضوء على ما تراه بالضبط.

ماذا يعني هذا؟

تخلص الورقة البحثية إلى أن إطار عمل TRIBRl المُحسّن هو أداة قوية لمستقبل التصنيع. فهو يجمع بين سرعة النموذج خفيف الوزن وذكاء الضبط التلقائي وموثوقية التفسيرات المرئية. ويشير الباحثون إلى أنه بينما عمل نظامهم بشكل مثالي على الصور المقصوصة التي اختبروها، فإن الخطوة التالية هي معرفة كيفية تعامله مع الصور الكاملة غير المقطوعة في بيئات المصانع الواقعية. كما يأملون في وضع هذا النظام في النهاية على أجهزة الحافة (edge devices) (الحواسيب الصغيرة الموجودة في أرض المصنع مباشرة) لالتقاط العيوب في الوقت الفعلي.

باخت مختصار، بنى المؤلفون نظاماً ليس فقط محققاً مثالياً، بل هو أيضاً محقق صادق جداً، يوضح عمله ويثبت أنه مع المدرب المناسب، يمكن حتى لدماغ حاسوبي خفيف الوزن أن يحل الألغاز الصناعية المعقدة.