A Cross-Modal Detection-Segmentation Framework for Video-Based Process Monitoring in Wire Arc Additive Manufacturing
تُنشئ هذه الدراسة مساراً للرؤية الحاسوبية في الوقت الفعلي للتصنيع بالإضافة بالقوس السلكي، حيث تُحدد YOLOv8n كأفضل كاشف لمراقبة اللحام وتقترح إطار عمل لتقسيم الصور يعتمد على YOLO وSAM2، مع تسليط الضوء على القيود الحالية للنماذج التأسيسية في تمييز ميزات اللحام المستمرة تحت وهج القوس الشديد.
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 الحديث، هناك رغبة متزايدة في بناء أجزاء معدنية كبيرة ومعقدة ليس عن طريق قطعها من كتلة صلبة، بل بإضافتها طبقة تلو الأخرى. هذه العملية، المعروفة باسم التصنيع بالإضافة بالقوس السلكي، تعمل بشكل يشبه طابعة ثلاثية الأبعاد روبوتية تستخدم مشعل لحام. تقوم الآلة بتغذية سلك معدني في قوس كهربائي عالي الحرارة، مما يؤدي إلى صهره وترسيبه على سطح لتشكيل شكل جديد. يعتمد نجاح هذه العملية برمتها على لحظة خاطفة وصغيرة: الحوض المنصهر. هذا هو البركة الصغيرة المتوهجة من المعدن السائل حيث يلتقي السلك بالجزء الموجود بالفعل. إذا كان هذا الحوض حارًا جدًا، أو باردًا جدًا، أو يتحرك بسرعة كبيرة، فسيكون المنتج النهائي ضعيفًا أو مليئًا بالشقوق. ولأن هذا المعدن المنصهر يكون مخفيًا تحت قوس ساطع للغاية ومحاطًا بالشرارات المتطايرة، فإن مراقبته عن كثب أمر صعب للغاية على العيون البشرية. لسنوات، اعتمد المهندسون على مستشعرات تقيس الكهرباء أو الصوت، لكن هذه الطرق لا تقدم سوى أدلة غير مباشرة عما يحدث فعليًا للمعدن.
تتبع دراسة جديدة من باحثين من مؤسسات تشمل المعهد الهندي للتكنولوجيا في خاراجبور وجامعة روبرت غوردون نهجًا مختلفًا. فبدلاً من الاستماع إلى الآلة أو قياس إشاراتها الكهربائية، قرروا تعليم الكمبيوتر رؤية العملية مباشرة. لقد بنوا نظامًا يشاهد فيديوهات اللحام في الوقت الفعلي، محاولاً تحديد شيئين حاسمين: المعدن الصلب الذي تم وضعه للتو، ويسمى "خرزة اللحام"، والحوض المعدني السائل النشط الموجود أمام المشعل مباشرة. التحدي يكمكم في أن الفيديو يبدو فوضويًا؛ فالضوء الساطع للقوس غالبًا ما يطمس الصورة، والمعدن المنصهر يتدفق بطريقة تجعل من الصعب تحديد مكان انتهاء السائل وبداية الصلب بدقة. وقد سعى الباحثون لإيجاد أفضل طريقة لتمكين الكمبيوتر من رصد هذه الميزات، ثم معرفة ما إذا كان بإمكانهم استخدام تلك المعلومات للحكم على جودة اللحام دون الحاجة إلى إنسان يرسم خطوطًا تفصيلية على كل إطار من إطارات الفيديو.
ولاختبار أفكارهم، جمع الفريق مجموعة من فيديوهات اللحام الصناعي. لم يستخدموا مكتبة ضخمة من ملايين الصور، كما هو شائع في مجالات أخرى من الذكاء الاصطناعي، بل مجموعة مختارة بعناية مكونة من 335 إطارًا مأخوذة من إحدى عشرة جلسة لحام حقيقية. أظهرت هذه الإطارات عمليات لحام ناجحة وأخرى معيبة، حيث التقطت ظروفًا متنوعة بما في ذلك اللحظات التي كان فيها القوس غير مستقر أو سطح المعدن ملوثًا. قام الباحثون بعد ذلك بتدريب خمسة أنواع مختلفة من نماذج الرؤية الحاسوبية لتعمل كأعين للآلة. واختبروا مجموعة من النهج، بدءًا من النماذج خفيفة الوزن المصممة للعمل بسرعة على الأجهزة القياسية، وصولاً إلى الأنظمة الأكثر تعقيدًا التي تستخدم هياكل رياضية متقدمة تُعرف باسم "المحولات" (transformers). كان الهدف هو معرفة أي نموذج يمكنه رسم صندوق حول خرزة اللحام والحوض المنصهر بدقة أكبر، حتى عندما تكون الصورة مشوهة بسبب التوهج أو الحركة.
أشارت النتائج بوضوح نحو نوع واحد محدد من النماذج. فقد أثبت نظام خفيف الوزن يسمى YOLOv8n أنه الأداة الأكثر فعالية لهذه المهمة؛ حيث نجح في تحديد خرزة اللحام والحوض المنصهر في الغالبية العظمى من صور الاختبار، محققًا مستوى عالٍ من الدقة مع معالجة أكثر من 140 إطارًا في الثانية. هذه السرعة أمر بالغ الأهمية لأنها تعني أنه يمكن للنظام نظريًا مراقبة عملية اللحام أثناء حدوثها والاستجابة فورًا إذا حدث خطأ ما. في المقابل، عانت النماذج الأكثر تعقيدًا القائمة على المحولات، والتي أظهرت وعودًا كبيرة في مجالات أخرى من الرؤية الحاسوبية، بشكل كبير. لقد كان أداؤها أسوأ بكثير على هذه المجموعة من البيانات المتخصصة والصغيرة، مما يشير إلى أن هذه الأنظمة القوية تحتاج إلى قدر أكبر بكثير من بيانات التدريب مما كان متاحًا هنا لتعلم كيفية رؤية التفاصيل الدقيقة لقوس اللحام. ووجدت الدراسة أيضًا أن الاحتفاظ بالفيديو بالألوان، بدلاً من تحويله إلى الأبيض والأسود، وفر ميزة طفيفة ولكن ثابتة، مما يشير إلى أن فروق الألوان الباهتة في المعدن المتوهج تساعد الكمبيوتر على التمييز بين الأجزاء.
بعد العثور على طريقة موثوقة لتحديد موقع اللحام، حاول الباحثون اتخاذ الخطوة التالية: إنشاء خريطة مفصلة لشكل المعدن. في العديد من مهام الرؤية الحاسوبية، بمجرد العثة على جسم ما، يمكن استخدام "نموذج تأسيسي" لرسم مخطط دقيق حوله، وفصله بكسل تلو الآخر عن الخلفية. جرب الفريق استخدام أداة متطورة تسمى SAM2، وهي مصممة لفهم وتقسيم الأجسام في الفيديوهات. استخدموا الكاشف السريع لإعطاء الأداة نقطة بداية تقريبية، ثم تركوا الأداة تتتبع شكل اللحام أثناء حركته عبر الفيديو. وبينما نجح هذا في تتبع المنطقة العامة للحام، إلا أنه اصطدم بحائط أساسي؛ حيث استمرت الأداة في دمج خرزة اللحام الصلبة والحوض المعدني السائل في شكل واحد مستمر. حدث هذا لأن خرزة اللحام والحوض المنصهر، على عكس السيارة أو الشخص اللذين يمتلكان حدودًا واضحة، مرتبطان فيزيائيًا. فالمعدن يتدفق بسلاسة من الحالة السائلة إلى الصلبة، والضوء الشديد للقوس يجعل الانتقال ضبابيًا. ولم يستطع الكمبيوتر، المدرب غالبًا على صور لأجسام متميزة مثل الحيوانات أو المركبات، الفصل بين هذين الجزأين المتصلين.
كشف هذا القصور عن حقيقة مهمة تتعلق بتطبيق الذكاء الاصطناستنائي العام على المشكلات الصناعية المتخصصة. فبينما استطاع النظام تحديد مكان حدوث اللحام بدقة وقياس الحجم والشكل العام للترسيب، إلا أنه لم يستطع بعد الفصل تمامًا بين السائل والصلب دون مساعدة بشرية. وخلص الباحثون إلى أنه في الوقت الحالي، فإن النهج الأفضل هو استخدام الكاشف السريع لتحديد الموقع ثم التعامل مع بيانات الشكل كتقريب وليس كقياس مثالي. وهم يخططون الآن لاستخدام هذه القياسات التقريبية، جنباً إلى جنب مع بيانات الفيديو الخام، لبناء نظام يمكنه الحكم على جودة تسلسل اللحام بأكمله. ومن خلال النظر إلى الفيديو ككل بدلاً من محاولة إتقان كل إطار على حدًا، يأملون في إنشاء نظام يمكنه إخبار المصنع ما إذا كان الجزء جيدًا أم سيئًا دون الحاجة إلى إنسان يقوم بتصنيف كل عيب. يضع هذا العمل أساسًا متينًا للمستقبل، موضحًا أن الرؤية الحاسوبية البسيطة والسريعة هي حاليًا أكثر موثوقية من الأنظمة المعقدة والمتعطشة للبيانات لمراقبة الواقع الصناعي المكثف والفوضوي للحام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.