Lightweight Dual-Path Network with Dynamic Distillation for Industrial LED Defect Recognition

في المصانع التي تُشغل عالمنا الحديث، يتم تجميع ملايين الأضواء الصغيرة التي تُسمى مصابيح (LED). هذه المكونات هي عيون شاشاتنا ومنارات مدننا، لكنها هشة. أثناء التصنيع، قد تظهر بها عيوب دقيقة: فقاعة محتبسة في الغراء، أو دبوس مرتخٍ قليلاً، أو ذرة من غبار غريب. إذا أفلتت هذه العيوب، فقد يفشل المنتج النهائي، مما يؤدي إلى هدر مكلف وتكنولوجيا غير موثوقة. لعقود من الزمن، حاول المصنعون رصد هذه الأخطاء باستخدام كاميرات وحواسيب آلية. اعتمدت المحاولات المبكرة على قواعد صارمة أو مطابقة بسيطة للأنماط، والتي غالباً ما كانت تفشل عندما تتغير الإضاءة أو تبدو العيوب مختلفة قليلاً. تستخدم الأنظمة الأحدث التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم التعرف على الأنماط من خلال دراسة آلاف الأمثلة. ومع ذلك، غالباً ما تتطلب هذه الأنظمة الذكية قدرة حوسبة هائلة، مما يجعلها ثقيلة وبطيئة للتشغيل على الحواسيب الصغيرة والزهيدة الثمن الموجودة في أرضيات المصانع المزدحمة. علاوة على ذلك، فإن بيانات المصانع في العالم الحقيقي فوضوية؛ فبعض أنواع العيوب شائعة، بينما البعض الآخر نادر، ويمكن لعيوب مختلفة أن تبدو متشابهة بشكل مذهل، مما يربك حتى أكثر الخوارزميات تقدماً.

ولحل هذه المشكلة، طور فريق من الباحثين من عدة جامعات في الصين نظاماً جديداً خفيف الوزن مصمماً خصي تجربة هذه الظروف الصناعية الصعبة. يركز نهجهم، المفصل في دراسة حديثة، على تعليم نموذج حاسوبي صغير وفعال كيفية التعرف على عيوب مصابيح (LED) بدقة عالية، حتى عندما تكون البيانات غير متوازنة والدلائل البصرية باهتة. بدلاً من الاعتماد على طريقة واحدة جامدة للنظر إلى الصورة، يستخدم النظام الجديد استراتيجية "المسار المزدوج". تخيل طالباً يتعلم موضوعاً معقداً: قد يدرس كتاباً مدرسياً لأخذ الصورة الكبيرة، بينما يفحص أيضاً رسوماً بيانية مفصلة للنقاط الدقيقة. يقوم هذا النظام بشيء مماثل من خلال تشغيل مسارين متوازيين من التحليل. ينظر أحد المسارين إلى الهيكل العام للصورة، بينما يركز الآخر على طبقات محددة من التفاصيل. والأهم من ذلك، أن النظام لا يعامل هذين المنظورين كمتساويين في الأهمية لكل صورة على حدة. بدلاً من ذلك، يستخدم آلية ديناميكية لتحديد مقدار الوزن الذي يجب إعطاؤه للمنظر العام مقابل المنظر التفصيلي لكل عيب محدد. يسمح هذا للحاسوب بتكييف تركيزه، حيث يولي اهتماماً إضافياً للتفاصيل عندما يبدو عيبان مختلفان متشابهين جداً، أو يعتمد على السياق الأوسع عندما يكون العيب واضحاً.

ولجعل هذا النظام الصغير ذكياً قدر الإمكان، استخدم الباحثون تقنية تسمى "تقطير المعرفة". في هذه العملية، يتم أولاً تدريب نموذج "معلم" كبير وقوي ومكلف حوسبياً للتعرف على العيوب بشكل مثالي. ثم يقوم هذا المعلم بتوجيه نموذج "الطالب" الأصغر، وهو النموذج المقصود للعمل في المصنع. لا يكتفي المعلم بإخبار الطالب بالإجابة الصحيحة فحسب؛ بل يشاركه العلاقات الدقيقة بين أنواع العيوب المختلفة والميزات المحددة التي تميز بينها. يتعلم الطالب من كل من القرارات النهائية للمعلم والخطوات المتوسطة التي اتخذها المعلم للوصول إلى تلك القرارات. يسم هذا الانتقال للمعرفة نموذج "الطالب" خفيف الوزن من تحقيق مستوى من الدقة يتطلب عادةً آلة أكبر بكmuch. اختبر الباحثون هذه الطريقة على مجموعتين مختلفتين من البيانات: مجموعة بيانات جديدة بنوها تحتوي على أكثر من 6000 صورة لثمانية أنواع مختلفة من العيوب، ومجموعة بيانات عامة موجودة تستخدمها شركة تكنولوجية كبرى. كانت النتائج مذهلة. في مجموعة البيانات الخاصة بهم، حدد النظام العيوب بشكل صحيح بنسبة 97.17% من المرات، وفي مجموعة البيانات العامة، وصل إلى دقة 96.31%. تمثل هذه الأرقام تحسناً كبيراً مقارنة بالنماذج خفيفة الوزن الأخرى المتاحة حالياً، والتي غالباً ما تعاني مع أنواع العيوب النادرة والمربكة الموجودة في خطوط الإنتاج الحقيقية.

كما تناولت الدراسة تحدي موارد الحوسبة المحدودة، وهو عامل حاسم للنشر الصناعي. وبينما يعد النظام الجديد أكثر تعقيداً بقليل من أبسط النماذج الموجودة، إلا أنه يظل صغيراً بما يكفي للعمل بكفاءة على الأجهزة القياسية. فهو يعالج الصور بسرعة تزيد عن 300 إطار في الثانية، وهي سرعة كافية لمواكبة الوتيرة السريعة لخط التصنيع. أظهر الباحثون أن النظام لا يحفظ صور التدريب فحسب، بل يتعلم كيف يعمم، مما يعني أنه يمكنه تحديد العيوب التي لم يرها من قبل بموثوقية عالية. ومن خلال الجمع بين بنية المسار المزدوج وتقنية تقطير المعرفة، أنشأ الفريق أداة قوية وعملية في آن واحد. يشير هذا العمل إلى أن مراقبة الجودة عالية الدقة لا تتطلب حواسيب فائقة ضخمة ومستهلكة للطاقة. بدلاً من ذلك، من خلال تعليم النماذج الأصغر كيفية التعلم بفعالية أكبر من نظيراتها الأكبر وكيفية تكييف تركيزها ديناميكياً، يمكن للمصانع تحقيق كشف أفضل للعيوب دون التضحية بالسرعة أو الكفاءة. لقد أتاح الباحثون الكود الخاص بهم ومجموعة البيانات الجديدة للجمهور، داعين الآخرين للبناء على هذا الأساس من أجل تصنيع صناعي أكثر ذكاءً وموثوقية.