الذكاء الاصطناعي في التصنيع مصطلح شائع. عند وصف حلول الكشف عن العيوب القائمة على الذكاء الاصطناعي ، غالبًا ما يتعلق الأمر بتكنولوجيا الفحص البصري القائمة على التعلم العميق ورؤية الكمبيوتر.
ما هو التعلم العميق في الفحص البصري؟
التعلم العميق هو جانب من جوانب تكنولوجيا التعلم الآلي التي تدعمها الشبكات العصبية الاصطناعية. مبدأ التشغيل لتكنولوجيا التعلم العميق هو تعليم الآلات للتعلم بالقدوة. من خلال توفير شبكة عصبية بأمثلة معنونة لأنواع بيانات معينة ، من الممكن استخراج الأنماط الشائعة بين هذه الأمثلة ثم تحويلها إلى معادلة رياضية. هذا يساعد على تصنيف أجزاء المستقبل من المعلومات.
باستخدام تقنية الفحص البصري ، يسمح دمج خوارزميات التعلم العميق بالتمييز بين الأجزاء والشذوذ والشخصيات ، والتي تحاكي الفحص البصري البشري أثناء تشغيل نظام محوسب.
إذن ، ماذا يعني ذلك بالضبط؟ دعنا نستخدم مثالا:
إذا كنت تريد إنشاء برنامج فحص بصري لتصنيع السيارات ، فيجب عليك تطوير خوارزمية قائمة على التعلم العميق وتدريبها بأمثلة على العيوب التي يجب اكتشافها. مع وجود بيانات كافية ، ستكتشف الشبكة العصبية في النهاية العيوب دون أي تعليمات إضافية.
تعد أنظمة الفحص البصري القائمة على التعلم العميق جيدة في اكتشاف العيوب المعقدة بطبيعتها. إنها تعالج الأسطح المعقدة وعيوب التجميل وتعمم وتضع تصورًا لأسطح الأجزاء.
كيفية دمج نظام الفحص البصري بالذكاء الاصطناعي
1. اذكر المشكلة
غالبًا ما يبدأ تطوير الفحص البصري بتحليل تجاري وتقني. الهدف هنا هو تحديد نوع العيوب التي يجب أن يكتشفها النظام.
تتضمن الأسئلة المهمة الأخرى التي يجب طرحها ما يلي:
- ما هي بيئة نظام الفحص البصري؟
- هل يجب أن يكون الفحص آنيًا أم مؤجلًا؟
- إلى أي مدى يجب أن يكتشف نظام الفحص البصري العيوب بدقة ، وهل يجب أن يميزها حسب النوع؟
- هل هناك أي برنامج حالي يدمج ميزة الفحص البصري ، أم أنه يتطلب تطويرًا من البداية؟
- كيف يجب على النظام إخطار المستخدم (المستخدمين) بالعيوب المكتشفة؟
- هل يجب أن يسجل نظام الفحص البصري إحصائيات الكشف عن العيوب؟
- والسؤال الرئيسي: هل توجد بيانات لتطوير نموذج التعلم العميق ، بما في ذلك صور المنتجات "الجيدة" و "السيئة" وأنواع مختلفة من العيوب؟
يختار مهندسو علوم البيانات الحل التقني الأمثل والتدفق للمضي قدمًا بناءً على الإجابات التي يتلقونها.
2. جمع وإعداد البيانات
يجب على مهندسي علوم البيانات جمع وإعداد البيانات المطلوبة لتدريب نموذج مستقبلي قبل البدء في تطوير نموذج التعلم العميق. بالنسبة لعمليات التصنيع ، من المهم تنفيذ تحليلات بيانات إنترنت الأشياء. عند مناقشة نماذج الفحص البصري ، غالبًا ما تكون البيانات عبارة عن تسجيلات فيديو ، حيث تشتمل الصور التي تتم معالجتها بواسطة نموذج الفحص البصري على إطارات فيديو. هناك عدة خيارات لجمع البيانات ، ولكن الأكثر شيوعًا هي:
- أخذ تسجيل فيديو موجود مقدم من العميل
- أخذ تسجيلات فيديو مفتوحة المصدر قابلة للتطبيق لأغراض محددة
- جمع البيانات من البداية وفقًا لمتطلبات نموذج التعلم العميق
أهم المعايير هنا هي جودة تسجيل الفيديو. ستؤدي البيانات عالية الجودة إلى نتائج أكثر دقة.
بمجرد أن نجمع البيانات ، نقوم بإعدادها للنمذجة ، وتنظيفها ، والتحقق من الحالات الشاذة ، والتأكد من ملاءمتها.
3. تطوير نموذج التعلم العميق
يعتمد اختيار نهج تطوير نموذج التعلم العميق على مدى تعقيد المهمة ووقت التسليم المطلوب وقيود الميزانية. هناك عدة طرق:
استخدام خدمة تطوير نموذج التعلم العميق (على سبيل المثال: Google Cloud ML Engine ، Amazon ML ، إلخ.)
يكون هذا النوع من النهج منطقيًا عندما تتوافق متطلبات ميزات اكتشاف العيوب مع القوالب التي توفرها خدمة معينة. يمكن أن توفر هذه الخدمات الوقت والميزانية حيث لا توجد حاجة لتطوير نماذج من البداية. يجب عليك تحميل البيانات وتعيين خيارات النموذج وفقًا للمهام ذات الصلة.
ما الفائدة؟ هذه الأنواع من النماذج غير قابلة للتخصيص. إمكانيات النماذج محدودة بالخيارات التي توفرها خدمة معينة.
استخدام النماذج المدربة مسبقًا
النموذج المدرَّب مسبقًا هو نموذج تعلم عميق تم إنشاؤه بالفعل وينجز مهامًا مشابهة لما نريد القيام به. لا يتعين علينا إنشاء نموذج من البداية لأنه يستخدم نموذجًا مدربًا يعتمد على بياناتنا.
قد لا يتوافق النموذج المدرَّب مسبقًا مع جميع مهامنا بنسبة 100٪ ، ولكنه يوفر الكثير من الوقت والتكلفة. يتيح لنا استخدام النماذج التي تم تدريبها مسبقًا على مجموعات البيانات الكبيرة تخصيص هذه الحلول وفقًا لمشكلتنا.
تطوير نموذج التعلم العميق من سكراتش
هذه الطريقة مثالية لأنظمة الفحص البصري المعقدة والآمنة. قد يستغرق هذا النهج وقتًا وجهدًا مكثفًا ، لكن النتائج تستحق العناء.
عند تطوير نماذج الفحص البصري المخصصة ، يستخدم علماء البيانات واحدًا أو أكثر من خوارزميات الرؤية الحاسوبية. يتضمن ذلك تصنيف الصور واكتشاف الكائنات وتجزئة المثيل.
تؤثر العديد من العوامل على اختيار خوارزمية (خوارزميات) التعلم العميق. وتشمل هذه:
- أهداف العمل
- حجم الأشياء / العيوب
- ظروف الإضاءة
- عدد المنتجات المراد فحصها
- أنواع العيوب
- دقة الصور
مثال على فئات العيوب:
لنفترض أننا نطور نموذج فحص بصري لتقييم الجودة في المباني. ينصب التركيز الرئيسي على اكتشاف العيوب على الجدران. تعد مجموعة البيانات الشاملة ضرورية للحصول على نتائج فحص بصري دقيقة ، حيث قد تكون فئات العيوب متنوعة بشكل لا يصدق ، من تقشير الطلاء والعفن إلى تشققات الجدران. سيكون النهج الأمثل هنا هو تطوير نموذج قائم على تجزئة المثيل من البداية. النهج النموذجي المدرَّب مسبقًا هو أيضًا قابل للتطبيق في بعض الحالات.
مثال آخر هو الفحص البصري لتصنيع المستحضرات الصيدلانية ، حيث تريد التمييز بين فقاعات الهواء والجزيئات في منتجات مثل المحاليل الأبوية شديدة اللزوجة. يعد وجود الفقاعات هو فئة العيوب الوحيدة هنا ، لذلك لن تكون مجموعة البيانات المطلوبة واسعة النطاق كما في المثال أعلاه. قد يكون النهج الأمثل لتطوير نموذج التعلم العميق هو استخدام خدمة تطوير النموذج بدلاً من تطوير واحدة من البداية.
4. تدريب وتقييم
الخطوة التالية بعد تطوير نموذج الفحص البصري هي تدريبه. في هذه المرحلة ، يقوم علماء البيانات بالتحقق من صحة وتقييم الأداء ودقة النتائج للنموذج. مجموعة بيانات الاختبار مفيدة هنا. قد يكون نظام الفحص البصري عبارة عن مجموعة من تسجيلات الفيديو إما قديمة أو مشابهة لتلك التي نريد معالجتها بعد النشر.
5. النشر والتحسين
عند نشر نموذج فحص مرئي ، من المهم مراعاة كيفية توافق معماريات أنظمة البرامج والأجهزة مع سعة النموذج.
تطبيقات الكمبيوتر
تستند بنية البرامج المدعومة بالفحص البصري إلى مجموعة حلول الويب لنقل البيانات وإطار عمل Python لمعالجة الشبكة العصبية.
المعلمة الرئيسية هنا هي تخزين البيانات. هناك ثلاث طرق شائعة لتخزين البيانات: على خادم محلي أو خدمة تدفق سحابي أو بنية بدون خادم.
يتضمن نظام الفحص البصري تخزين تسجيلات الفيديو. غالبًا ما يعتمد اختيار حل تخزين البيانات على وظيفة نموذج التعلم العميق. على سبيل المثال ، إذا كان نظام الفحص البصري يستخدم مجموعة بيانات كبيرة ، فقد يكون الاختيار الأمثل هو خدمة البث السحابي.
أجهزة التبخير
اعتمادًا على الصناعة وعمليات التشغيل الآلي ، قد تشمل الأجهزة المطلوبة لدمج نظام الفحص البصري ما يلي:
- الكاميرات والتصوير: خيار الكاميرا الرئيسي هو دفق الفيديو في الوقت الفعلي. تتضمن بعض الأمثلة IP و CCTV.
- بوابة: تعمل كل من الأجهزة والبرامج المخصصة بشكل جيد لنظام الفحص البصري.
- وحدة المعالجة المركزية / وحدة معالجة الرسومات: إذا كانت النتائج في الوقت الفعلي ضرورية ، فستكون وحدة معالجة الرسومات (GPU) هي الخيار الأفضل من وحدة المعالجة المركزية (CPU) ، حيث تتميز الأولى بسرعة معالجة أسرع عندما يتعلق الأمر بنماذج التعلم العميق القائمة على الصور. من الممكن تحسين وحدة المعالجة المركزية لتشغيل نموذج الفحص البصري ، ولكن ليس للتدريب. قد يكون مثال على GPU الأمثل هو جيتسون نانو.
- مضواء (اختياري): اعتمادًا على ظروف الإضاءة لبيئة نظام الفحص البصري ، قد تكون هناك حاجة لأجهزة قياس الضوء.
- مقياس الألوان (اختياري): عند اكتشاف اللون والسطوع في مصادر الضوء ، تتمتع مقاييس ألوان التصوير بدقة مكانية عالية باستمرار ، مما يسمح بإجراء فحوصات بصرية مفصلة.
- كاميرا تصوير حراري (اختياري): في حالة الفحص الآلي لأنابيب البخار / المياه والمرافق ، فمن الجيد أن يكون لديك بيانات الكاميرا الحرارية. توفر بيانات الكاميرا الحرارية معلومات قيمة لاكتشاف تسرب الحرارة / البخار / الماء. بيانات الكاميرا الحرارية مفيدة أيضًا لفحص العزل الحراري.
- طائرات بدون طيار (اختياري): في الوقت الحاضر من الصعب تخيل التفتيش الآلي للمناطق التي يصعب الوصول إليها بدون طائرات بدون طيار: بناء الأجزاء الداخلية ، وخطوط أنابيب الغاز ، والتفتيش البصري للناقلات ، وفحص الصواريخ / المكوك. قد تكون الطائرات بدون طيار مجهزة بكاميرات عالية الدقة يمكنها الكشف عن العيوب في الوقت الفعلي.
نماذج التعلم العميق مفتوحة للتحسين بعد النشر. يمكن لنهج التعلم العميق أن يزيد من دقة الشبكة العصبية من خلال التجميع المتكرر للبيانات الجديدة وإعادة تدريب النموذج. والنتيجة هي نموذج فحص بصري "أكثر ذكاءً" يتعلم من خلال زيادة البيانات أثناء التشغيل.
حالات استخدام الفحص البصري
الرعاية الصحية
في المعركة ضد COVID-19 ، يمكن لمعظم المطارات والمعابر الحدودية الآن فحص الركاب بحثًا عن علامات المرض.
بايدو، شركة التكنولوجيا الصينية الكبيرة ، طورت نظام فحص بصري واسع النطاق يعتمد على الذكاء الاصطناعي. يتكون النظام من كاميرات تعتمد على الرؤية الحاسوبية وأجهزة استشعار تعمل بالأشعة تحت الحمراء تتنبأ بدرجات حرارة الركاب. التكنولوجيا التي تعمل في محطة سكة حديد تشينغخه في بكين، يمكنها فحص ما يصل إلى 200 شخص في الدقيقة. تكتشف خوارزمية الذكاء الاصطناعي أي شخص تزيد درجة حرارته عن 37.3 درجة.
حالة أخرى من واقع الحياة هي النظام القائم على التعلم العميق الذي طوره علي بابا شركة. يمكن للنظام اكتشاف الفيروس التاجي في فحوصات الصدر المقطعية بدقة 96٪. من خلال الوصول إلى البيانات من 5,000 حالة COVID-19 ، يقوم النظام بإجراء الاختبار في 20 ثانية. علاوة على ذلك ، يمكن أن يفرق بين الالتهاب الرئوي الفيروسي العادي والفيروس التاجي.
شركات الطيران
وفقًا لشركة Boeing ، فإن 70 ٪ من سوق خدمات الطيران البالغ 2.6 تريليون دولار مخصص للجودة والصيانة. في عام 2018 ، قدمت شركة إيرباص نظامًا آليًا جديدًا ، نظام التفتيش على الطائرات بدون طيار يعمل على تسريع عمليات الفحص البصري وتسهيلها. يقلل هذا التطور من وقت تعطل الطائرات مع زيادة جودة تقارير الفحص في نفس الوقت.
قطاع المعدات الثقيلة
وافقت تويوتا مؤخرًا على تسوية بقيمة 1.3 مليار دولار بسبب خلل تسبب في تسارع السيارات حتى عندما حاول السائقون إبطاء سرعتها ، مما أدى إلى وفاة 6 في الولايات المتحدة باستخدام القدرات المعرفية لأنظمة الفحص البصري مثل كوجنكس فيدي، يمكن لمصنعي السيارات تحليل مشكلات الجودة وتحديدها بشكل أكثر دقة وحلها قبل حدوثها.
تصنيع أجهزة الكمبيوتر
يتزايد الطلب على تصاميم لوحات الدارات الكهربائية الأصغر. كانت مختبرات فوجيتسو رائدة في تطوير أنظمة التعرف المدعومة بالذكاء الاصطناعي لصناعة الإلكترونيات. أبلغوا عن تقدم كبير في الجودة والتكلفة والتسليم.
نسيج
يمكن أن يؤدي تنفيذ الفحص البصري الآلي ونهج التعلم العميق الآن إلى اكتشاف مشكلات النسيج والنسيج والغرز ومطابقة الألوان.
على سبيل المثال، نظام الذكاء الاصطناعي Datacolor يمكن أن تأخذ في الاعتبار البيانات التاريخية لعمليات التفتيش المرئية السابقة لإنشاء تفاوتات مخصصة تتطابق بشكل أوثق مع العينات.
سنختتم باقتباس من المدير العام ذكرناه سابقًا: "لا يهمني ما إذا كانت التكنولوجيا المقترحة هي الأفضل ، لكني أهتم بمدى نجاحها في حل مشاكلي."
الألواح الشمسية
من المعروف أن الألواح الشمسية تعاني من الغبار والشقوق الصغيرة. يعد الفحص الآلي للألواح الشمسية أثناء التصنيع وقبل وبعد التثبيت فكرة جيدة لمنع شحن الألواح الشمسية المعطلة والكشف السريع عن الألواح التالفة في مزرعتك الشمسية. على سبيل المثال ، DJI Enterprise يستخدم طائرات بدون طيار لفحص الألواح الشمسية.
فحص خطوط الأنابيب
من المعروف أن أنابيب الغاز والنفط لها أطوال ضخمة. تعطي أحدث البيانات من عام 2014 ما مجموعه أقل بقليل من 2,175,000،3,500,000،120 ميل (XNUMX،XNUMX،XNUMX كيلومتر) من خطوط الأنابيب في XNUMX دولة في العالم. قد يؤدي تسرب الغاز والنفط إلى أضرار جسيمة بالطبيعة من خلال التلوث الكيميائي والانفجارات والحرائق.
يعد فحص الأقمار الصناعية والطائرات بدون طيار بمساعدة تقنيات الرؤية الحاسوبية أداة جيدة للكشف المبكر عن تسرب الغاز / الزيت وتحديد موقعه. في الآونة الأخيرة ، DroneDeploy وذكرت أنهم رسموا خرائط لحوالي 180 ميلاً من خطوط الأنابيب.
الفحص البصري بالذكاء الاصطناعي: الوجبات الجاهزة الرئيسية
- مفهوم وتصميم المنتج: يعتمد الفحص البصري على طرق الرؤية الحاسوبية التقليدية والرؤية البشرية.
- الاختيار: يعتمد نهج تطوير نموذج التعلم العميق على المهمة ووقت التسليم وحدود الميزانية.
- خوارزمية: خوارزميات التعلم العميق تكتشف العيوب عن طريق محاكاة تحليل بشري أثناء تشغيل نظام محوسب.
- معمار: يجب أن تتوافق البرامج والأجهزة مع سعة نموذج التعلم العميق.
- السؤال الرئيسي: عند بدء الفحص البصري ، فإن السؤال الرئيسي هو "ما العيوب التي يجب على النظام اكتشافها؟"
- إدخال التحسينات: بعد النشر ، يصبح نموذج التعلم العميق "أكثر ذكاءً" من خلال تراكم البيانات.
أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.
المصدر: https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing
