WSL-Det: A Wave-Attention and Strip-Localization Detector for Real-Time Strip Defect Detection
يُعد WSL-Det كاشفاً للأجسام في الوقت الفعلي مبنياً على بنية Vajra، يدمج الانتباه القائم على الموجات للتفاعل العالمي المدرك للتردد مع التلافيف الشريطية المتعامدة المتتالية لتحديد المواقع متباين الخواص، محققاً دقة وسرعة في أعلى المستويات على مجموعات بيانات عيوب الأشرطة الصناعية مثل الجلود وNEU-DET.
في عالم التصنيع الصناعي، غالبًا ما تعتمد جودة المنتج على أصغر العيوب المختبئة في وضح النهار. بالنسبة لمواد مثل الجلد أو الفولاذ، تحكي الأسطح قصة عملية الإنتاج، لكن هذه القصة كثيرًا ما تتقطع بسبب العيوب: خدوش، أو تجاعيد، أو خطوط غريبة تشوه المظهر النهائي. إن العثور على هذه العيوب يدويًا أمر بطيء، ومجهد، وعرضة للخطأ البشري، ولهذا السبب لجأت المصانع إلى الحواسيب للقيام بمهمة المراقبة. ويكم-ل التحدي الذي تواجهه هذه الأنظمة الحاسوبية ليس فقط في رؤية أن هناك خطأ ما، بل في فهم نوع الخطأ بالضبط. فالعديد من الأنظمة الحديثة بارعة في رصد الأجسام المستديرة أو الأشكال الواض-مة، لكنها غالبًا ما تعاني مع العيوب الطويلة، والنحيفة، أو المتعرجة التي تمتد عبر السطح. تتطلب هذه العي تطويلة نوعًا مختلفًا من الرؤية، رؤية يمكنها تتبع خط مستمر من طرف إلى آخر دون أن تفقد المسار، مع القدرة أيضًا على التمييز بين خدش طفيف وبين التباين الطبيعي في نسيج المادة.
لقد طور باحثون في جامعة ووهان البوليتكنيك نظامًا جديدًا للرؤية الحاسوبية مصممًا خصيصًا لحل مشكلة رصد العيوب الطويلة الشبيهة بالشرائط في الوقت الفعلي. وقد أطلقوا على نظامهم اسم WSL-Det، وهو أداة صُنعت لمراقبة خطوط الإنتاج لمواد مثل الجلد والفولاذ. تم إنشاء هذا النظام عبر أخذ محرك كشف سريع الحركة موجود مسبقًا ومنحه ترقيتين محددتين. أولًا، استبدل الباحثون الطريقة القياسية للمحرك في النظر إلى الصورة بأكملة بطريقة تولي اهتمامًا خاصًا للأنماط والترددات داخل الصورة، تمامًا كما يعزل جهاز ضبط الترددات إشارة محددة من الضوضاء الخلفية. وهذا يسم يسمح للنظام باستشعار التدفق المستمر لخلل طويل حتى عندما تكون حوافه باهتة. ثانيًا، أعادوا تصميم الجزء المسؤول في النظام عن رسم الصندوق حول العيب. فبدلاً من استخدام صندوق مربع قياسي، يستخدم هذا الجزء الجديد مرشحات متخصصة تتمدد أفقيًا ورأسيًا، مما يسمح له باحتضان شكل الخدش الطويل أو التجعد بشكل أكثر إحكامًا مما يمكن لصندوق عام أن يفعل.
اختبر الفريق هذا النهج الجديد على مجموعتين مختلفتين تمامًا من البيانات. كانت الأولى عبارة عن مجموعة صور جمعوها بأنفسهم من مصنع للجلود، تضم سبعة أنواع من العيوب الشائعة مثل الانبعاجات العميقة، وخطوط البقع، والتجاعيد غير المنتظمة. وفي هذه الاختبارات، أثبت النظام الجديد أنه الأكثر دقة والأسرع من بين الأدوات التي قارنها بها. فقد حدد المواقع والعيوب بدقة عالية، محققًا درجة 57.1 على مقياس دقة قياسي، وهو ما يمثل تحسنًا كبيرًا مقارنة بأفضل الأدوات السابقة. والأهم من ذلك، أنه فعل ذلك أثناء معالجة 33.9 صورة في الثانية، وهي سرعة كافية لمواكبة خط إنتاج متحرك دون إبطائه. ووجد الباحثون أن النظام كان جيدًا بشكل خاص في التعامل مع الطبيعة الطويلة والمتعرجة لعيوب الجلد، وفصلها عن النسيج الخلفي حيث ارتبكت الأنظمة الأخرى.
ولرؤية ما إذا كان النظام قادرًا على التعامل مع مواد أخرى غير الجلد، اختبره الباحثون أيضًا على مجموعة بيانات عامة لشرائط الفولاذ المدرفلة على الساخن، والتي تحتوي على ستة أنواع مختلفة من العيوب الصناعية. وهنا، أظهر النظام نوعًا مختلفًا من القوة؛ فبينما لم يتفوق على الأنظمة الأكثر قوة وتعقيدًا في كل مقياس، فقد برع في العثية على العيوب الصغيرة والخدوش الطويلة والنحيفة، والتي غالبًا ما يكون من الصعب رصدها. لقد حقق أفضل النتائج في رصد هذه الأشكال المحددة مع استخدام موارد حاسوبية أقل والعمل بسرعة تزيد عن ضعف سرعة الأنظمة المعقدة الرائدة. وهذا يشير إلى أن النظام لا يحاول أن يكون خبيرًا عالميًا لكل عيب ممكن، بل هو أداة متخصصة مضبوطة بدقة للوظيفة المحددة المتمثلة في العثور على العيوب الطويلة بسرعة ودقة.
إن نجاح هذا العمل يكمن في تركيزه على الشكل المحدد للمشكلة. فمن خلال تعليم الحاسوب فهم تردد الأنماط واستخدام مرشحات طويلة ونحيفة لرسم الحدود، ابتكر الباحثون نظامًا يرى العالم كما يراه مفتش المصنع: يبحث عن الخطوط الطويلة والمستمرة التي تشير إلى وجود مشكلة. وتظهر النتائج أنه بالنسبة للصناعات التي تكون فيها السرعة والقدرة على رصد العيوب الطويلة والنحيفة أمرًا بالغ الأهمية، فإن هذا النهج المتخصص يقدم حلاً عمليًا وقويًا. إنه لا يحل محل الحاجة إلى الإشراف البشري، ولكنه يوفر عينين موثوقتين وسريعتين وعالقتي الدقة يمكنهما العمل بلا كلل في أرض المصنع، لضمان انتقال أفضل المواد فقط إلى الأمام.
ملخص تقني: WSL-Det
بيان المشكلة يعد الفحص في الوقت الفعلي للعيوب السطحية المستطيلة أمراً بالغ الأهمية لمراقبة الجودة الصناعية، لا سيال في قطاعات مثل تصنيع الجلود حيث تظهر العيوب في شكل خدوش نحيفة، أو تجاعيد، أو خطوط بقع، أو آثار شريطية غير منتظمة. غالباً ما تواجه الكواشف أحادية المرحلة التقليدية (one-stage detectors) صعوبة في التعامل مع هذه الأهداف لأنها لا تقوم بنمذجة التباينات النسيجية الحساسة للتردد أو الهياكل متباينة الخواص طويلة المدى بشكل صريح. وبينما توفر النماذج التعلم العميق الحالية (مثل سلسلة YOLO ومتغيرات RT-DETR) خطوط أساس قوية، إلا أنها ليست مصممة خصيصاً للتعامل مع الاستمرارية الاتجاهية والحدود الدقيقة التي تميز العيوب ذات الشكل الشريطي. لا يزال الفحص اليدوي مكلفاً وعرضة للخطأ، مما يستلزم حلولاً مؤتمتة توازن بين الإنتاجية في الوقت الفعلي والدقة في تحديد مواقع الشذوذات المستطيلة.
المنهجية يقترح المؤلفون WSL-Det (كاشف الانتباه الموجي وتحديد المواقع الشريطي)، وهو كاشف يعمل في الوقت الفعلي مبني على إطار عمل Vajra. تحتفظ البنية بمسار (backbone-neck-head) القياسي ولكنها تقدم تعديلين مستهدفين لمعالجة مورفولوجيا العيوب الشريطية:
استبدال الانتباه القائم على الموجات: تم استبدال مشغل خلط الرموز (token mixer) في مرحلة انتباه Vajra بمشغل WaveAttentionV2. مستلهماً من بنية WaveFormer، يقوم هذا النموذج بمعالجة الميزات البصرية باستخدام معادلة موجية مخمدة. فهو يعامل خريطة الميزات كحقل دلالي يتطور عبر الزمن، محكوم ببارامترات سرعة انتشار، وتخميد، وكسب قابلة للتعلم. يهدف هذا التصميم إلى التقاط كل من الاستمرارية منخفضة التردد (المسارات المستطيلة) والأدلة عالية التردد (الحدود وتغيرات النسيج) بشكل أكثر فعالية من خلطات الرموز العامة.
رأس تحديد المواقع المعزز بالشريط: تمت إعادة تصميم فرع تحديد المواقع في رأس الكشف المنفصل باستخدام تلافيف شريطية متعامدة متسلسلة. بخلاف فرع التصنيف الذي يعتمد على المظهر التمييزي، يتطلب فرع الانحدار (regression) دعماً هندسياً مستمراً على طول اتجاه العيب. يقوم نموذج الشريط بتجميع السياق متباين الخواص من خلال مشغلات شريطية أفقية وعمودية كبيرة.
تخصيص نواة الشريط لكل طبقة: لاستيعاب العيوب بمقاييس مختلفة، يقترح المؤلفون استراتيجية لتخصيص أحجام نواة شريطية محددة (k3<k4<k5) للطبقات الثلاث للكشف (P3,P4,P5). يسمح هذا للطبقات عالية الدقة بالحفاظ على الحساسية المحلية الدقيقة بينما تلتقط الطبقات منخفضة الدقة استمرارية اتجاهية أطول.
المساهمات الرئيسية تحدد الورقة خمس مساهمات رئيسية:
تطوير WSL-Det، وهو كاشف لإدراك التردد والهيكل للعيوب الشريطية الصناعية بناءً على Vajra.
دمج آلية انتباه قائمة على الموجات لتعزيز التفاعل العالمي المدرك للتردد لإدراك العيوب المستطيلة. ចំនួន.
تصميم رأس تحديد مواقع معزز بالشريط باستخدام تلافيف شريطية متعامدة لتحسين انحدار الصندوق المحيط للأشكال المستطيلة.
اقتراح استراتيجية تخصيص نواة شريطية لكل طبقة للتعامل مع أطوال ومقاييس العيوب المختلطة عبر طبقات الكشف.
التحقق من الصحة باستخدام مجموعة بيانات عيوب الفولاذ العامة (NEU-DET) ومجموعة بيانات جلدية تم جمعها ذاتياً، مما يثبت الفعالية ضمن نطاق تحديد المواقع الموجه للشريط.
النتائج التجريبية تم تقييم الطريقة على مجموعتي بيانات: مجموعة بيانات جلدية تم جمعها ذاتياً (1,431 صورة، 7 فئات من العيوب) ومجموعة بيانات NEU-DET لعيوب سطح الفولاذ العامة.
أداء مجموعة بيانات الجلد: حقق WSL-Det قيم 57.1 AP، و 85.8 AP50، و 59.1 APl، مما يمثل تحسناً بنسبة 18.9%، و 8.6%، و 11.5% عن خط الأساس Vajra، على التوالي. عمل النموذج بسرعة 33.9 إطار في الثانية (FPS)، وهي أعلى سرعة بين كواشف الجلد المقارنة (بما في ذلك YOLO11 و YOLO12)، مع تحقيق أفضل مقاييس دقة.
أداء NEU-DET: في مجموعة بيانات الفولاذ، حقق WSL-Det أفضل قيم AP50 (76.0)، و APs (53.4)، و APl (47.7) بين النماذج المقارنة، باستخدام 25 مليون معلمة وبسرعة 102.6 إطار في الثانية. وبينما حقق RT-DETRv4 إجمالي AP و AP75 أعلى، إلا أن WSL-Det قدم توازناً فائقاً بين الدقة والسرعة للفحص في الوقت الفعلي، خاصة للعيوب الصغيرة والمستطيلة.
دراسات الاستئصال (Ablation Studies): أكدت التجارب أن الجمع بين الانتباه القائم على الموجات وتلافيف الشريط يحقق فوائد متكاملة. حسن نموذج الموجة نمذجة الاستمرارية العالمية، بينما عزز رأس الشريط تحديد المواقع الاتجاهي. أدى النموذج المدمج إلى تحسين كبير في AP75 (من 36.5 إلى 56.6 في مجموعة بيانات الجلد)، مما يشير إلى دقة أفضل في تحديد المواقع بدلاً من مجرد الاستدعاء (recall).
التعميم: أظهرت النتائج النوعية على بيانات MVTec للجلود والتحقق عبر المواد على NEU-DET (المدرب على الجلد فقط) أن النموذج يمكنه نقل إشارات العيوب الشريطية البصرية، رغم أن المؤلفين يشيرون إلى قيود في التعميم النطاقي دون وجود أولويات خاصة بالمادة.
الأهمية والادعاءات تضع الورقة WSL-Det ليس كبديل عالمي لجميع عائلات الكواشف، بل كـ تحسين متخصص للمهام للعيوب الصناعية التي يهيمن عليها الشكل الشريطي. يدعي المؤلفون أن أهمية الطريقة تكمن في قدرتها على ترميز مورفولوجيا العيوب المستهدفة (الإدراك العالمي المدرك للتردد وتحديد المواقع الاتجاهي المدرك للهيكل) مع الحفاظ على العملية في الوقت الفعلي.
تشير النتائج إلى أنه بالنسبة للسيناريوهات الصناعية التي تراعي الموارد حيث تُعطى الأولوية للإنتاجية في الوقت الفعلي والتحديد الدقيق للمواقع للعيوب المستطيلة على حساب تعظيم كل مقيلة إجمالية (مثل إجمالي AP في المعايير العامة)، فإن WSL-Det يوفر توازناً مواتياً. يقر المؤلفون بالقيود، بما في ذلك الحاجة إلى بيانات تدريب كافية، والحساسية للصور منخفضة الدقة، وفجوة الأداء في إجمالي AP مقارنة بأقوى نماذج Transformer، مما يشير إلى العمل المستقبلي في تعزيز البيانات وتحسين الحدود.