Defect-Aware YOLOv8n for Real-Time Surface Defect Detection on Printed Playing Cards with Dense Graphic Backgrounds
تقترح هذه الورقة إطار عمل YOLOv8n مدركًا للعيوب ومعززًا بهيكل ResNet50، وDeCA، وBiFPN محسّن مع SPD-Conv، ورأس فك ارتباط تكيفي ديناميكي، وWise-IoU v3 لتحقيق كشف في الوقت الفعلي وعالي الدقة للعيوب الصغيرة ومنخفضة التباين على أوراق اللعب المطبوعة وسط خلفيات رسومية كثيفة، متفوقًا بذلك على YOLOv8n القياسي بنسبة 12.8% في mAP@50 مع الحفاظ على سرعة استدلال تبلغ 97 إطارًا في الثانية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التصنيع، يكمن الفرق بين منتج يجتاز الفحص وآخر يتم استبعاده في عيب صغير للغاية قد تخطئه العين البشرية، أو دقيق للغاية بحيث يندمج في النمط. وبالنسبة لمنتجات مثل أوراق اللعب المطبوعة، فإن هذا التحدي يكون حاداً بشكل خاص. فهذه الأوراق مغطاة برسومات كثيفة ومعقدة — رموز، وأرقام، وصور شخصية، وحدود زخرفية — مما يخلق خلفية بصرية صاخبة. وعندما يحدث عيب، مثل بقعة حبر صغيرة، أو جزء مفقود من اللون، أو تمزق طفيف في الحافة، يمكن أن يبدو تماماً كجزء من التصميم. وتعتمد الطرق التقليدية لفحص هذه العناصر غالباً على مقارنة الصورة بنموذج مثالي، لكن هذا النهج يواجه صعوبة عندما يتغير الضوء أو عندما تكون البطاقة مزاحة قليلاً عن موضعها. ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديداً نوع من أنظمة الرؤية الحاسوبية يُعرف باسم "المكتشف" (detector). تتعلم هذه الأنظمة التعرف على الأنماط من خلال دراسة آلاف الأمثلة، لكنها تواجه عقبة فريدة هنا: يجب عليها التمييز بين العيب الحقيقي والعمل الفني المعقد والجميل الذي يحيط به، كل ذلك مع الحفاظ على السرعة الكافية لمواكبة خط إنتاج عالي السرعة.
قام فريق من الباحثين من جامعة تشجيانغ للتكنولوجيا وشريك صناعي محلي بتطوير نظام جديد مصمم خصيصاً للتنقل في هذا المتاهة البصرية. يركز عملهم على إنشاء نسخة "واعية بالعيوب" من نموذج كشف شائع، قاموا بتكييفه ليرى من خلال الفوضى الموجودة على سطح ورقة اللعب. تكمن المشكلة الجوهرية التي عالجوها في أن نماذج الذكاء الاصطناعي القياسية غالباً ما تفقد التفاصيل الدقيقة عند معالجة الصورة، تماماً كما تفقد الصورة حدتها عند تصغيرها كثيراً. وفي حالة أوراق اللعب، يمكن للرسومات الكثيفة أن تغمر النظام، مما يجعله يتجاهل العيوب الصغيرة أو يخطئ في اعتبار الأنماط الطبيعية أخطاءً. وقد بنى الباحثون حلاً يعزز قدرة النظام على رؤية هذه الإشارات الضعيفة، ويخمد الخلفية المشتتة، ويحافظ على تفاصيل العيوب الصغيرة سليمة، كل ذلك مع الحفاظ على السرعة المطلوبة للعمل في المصانع في الوقت الفعلي.
لتدريب نظامهم، جمع الفريق مجموعة كبيرة من الصور مباشرة من خط الإنتاج، حيث التقطوا بطاقات تحتوي على أربعة أنواع محددة من العيوب: حواف تالفة، وحبر مفقود، وثنيات، وبقع. لقد قاموا بتنقيح هذه المجموعة بعناية، حيث أزالوا الصور الضبابية أو غير الصالحة وضمنوا تقسيم بيانات التدريب بطريقة تمنع الكمبيوتر من مجرد حفظ صور معينة. بدلاً من ذلك، كان على النظام تعلم الخصائص العامة لكل نوع من أنواع العيوب. ثم أخذوا نموذج كشف قياسي خفيف الوزن وقاموا بترقيته بعدة مكونات متخصصة. أولاً، استبدلوا "عيون" النموذج الأولية بهيكل أكثر قوة قادراً على استخراج طبقات أعمق من التفاصيل من الصورة. بعد ذلك، أضافوا آلية تعمل كمرشح انتقائي، تساعد النظام على تجاهل الأنماط المتكررة والمزدحمة لتصميم البطاقة مع تسليط الضوء على الأشكال غير المنتظمة للعيوب الفعلية. كما قاموا بتحسين كيفية دمج المعلومات من مقاييس مختلفة، مما يضمن عدم فقدان التفاصيل الصغيرة أثناء معالجة الصورة، وأدخلوا نظام ضبط ديناميكي يساعد الكمبيوتر على تحديد ما إذا كان عليه التركيز على تحديد ماهية الشيء أو تحديد موقعه بالضبط.
كانت نتائج هذا النهج كبيرة. فعند اختبارهم على صور أوراق اللعب، حقق النظام الجديد دقة كشف بلغت 96.3%، وهو تحسن كبير عن النسخة القياسية للنموذج الذي استند إليه، والذي سجل 83.5%. والأهم من ذلك، حافظ النظام على سرعة عالية، حيث عالج 97 صورة في الثانية. هذا التوازن بين الدقة والسرعة أمر بالغ الأهمية في البيئات الصناعية، حيث يمكن للنظام البطيء أن يعيق خط الإنتاج بأكم، والنظام غير الدقيق أن يسمح بمرور البطاقات المعيبة. وجد الباحثون أن التحسينات كانت متسقة عبر جميع فئات العيوب الأربعة. أصبح النظام بارعاً بشكل خاص في رصد عيوب الحواف والثنيات، والتي غالباً ما تكون رقيقة ويسهل تفويتها، وأظهر قدرة ملحوية على التمييز بين الحبر المفقود وأنماط الطباعة المحيطة به دون الارتباك بسبب الرسومات الكثيفة.
كشفت الدراسة أيضاً أنه لم يكن هناك تغيير واحد مسؤول عن هذا النجاح؛ بل كان مزيجاً من هذه الترقيات التي تعمل معاً. اختبر الباحثون نظامهم من خلال إضافة كل ميزة جديدة واحدة تلو الأخرى، مراقبين كيف ينمو الأداء مع كل خطوة. ووجدوا أن استخدام الهيكل الأولي الأكثر قوة وحده وفر دفعة كبيرة، لكن إضافة الترشيح الانتقائي والطريقة المحسنة للتعامل مع المقاييس المختلفة من التفاصيل قدمت الدفعة النهائية اللازمة للوصेक إلى دقة تقترب من المثالية. تعلم النظام أيضاً التعامل مع عدم اليقين في حدود العيوب الضبابية بشكل أفضل من الطرق السابقة، حيث يعدل ثقته بناءً على مدى وضوح الأدلة. وبينما يعد النظام فعالاً للغاية، يشير المؤلفون إلى أنه تم تدريبه على بيانات من خط إنتاج واحد. وهم يقترحون أن العمل المستقبلي سيحتاج إلى اختبار النظام عبر مصانع وظروف إضاءة مختلفة لضمان بقائه قوياً في بيئات متنوعة. ومع ذلك، يقدم هذا العمل حالياً طريقة عملية ومثبتة للحفاظ على جودة السلع المطبوعة ذات الإنتاج الضخم عالية، مما يضمن أن أوراق اللعب التي تُوزع على الطاولة خالية من العيوب التي قد تمر دون ملاحظة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.