در خطوط تولیدی مثل کشش و نورد سیم، میلگرد، تیوب و محصولات طولی، عیوب سطحی کوچک میتوانند در مراحل بعدی به مشکلات بزرگ تبدیل شوند:
شکست در حین کار، نشت، برگشتی مشتری و حتی ادعای خسارت.
سه عیب مهم که معمولاً با آنها سروکار داریم:
- اسکار (Scar)
- شیور مارک (Shear Mark)
- ترک عرضی (Transverse Crack)
اگر کنترل این عیوب فقط با بازرسی چشمی اپراتور انجام شود، در سرعتهای بالا و شیفتهای طولانی عملاً دقت و تکرارپذیری لازم به دست نمیآید.
اینجاست که بینایی ماشین و هوش مصنوعی وارد بازی میشوند.
چرا بازرسی دستی کافی نیست؟
تکیه صرف بر نیروی انسانی برای بازرسی سطح در خطوط پرسرعت چند مشکل جدی دارد:
- خستگی چشم و تمرکز پایین در شیفتهای طولانی
- وابستگی شدید به تجربه و مهارت فردی
- عدم امکان مشاهدهٔ 100 درصد سطح محصول در سرعتهای بالا
- دشواری مستندسازی عیوب و تحلیل ریشهای آنها
در مقابل، یک سیستم بینایی ماشین میتواند:
- سطح محصول را بهصورت 24 ساعته و بدون خستگی پایش کند
- هر میلیمتر را با دقت ثابت بررسی کند
- تصاویر عیبها را ذخیره کند و دادهٔ واقعی برای بهبود فرآیند در اختیار تیم مهندسی بگذارد
معماری کلی سیستم بینایی ماشین روی خط
یک سیستم کنترل کیفیت مبتنی بر بینایی ماشین روی خط کشش یا نورد معمولاً از سه بخش اصلی تشکیل میشود:
1. بخش دریافت تصویر (Image Acquisition)
- استفاده از دوربینهای Line-Scan یا Area-Scan
- آرایش چند دوربین برای پوشش 360 درجه سطح سیم یا میلگرد
- نورپردازی کنترلشده (مثلاً رینگ LED، نور مایل برای برجسته کردن خراش و ترک)
- همزمانسازی دوربین با سرعت خط با کمک انکودر
2. بخش پردازش تصویر و تشخیص عیب
- پیشپردازش تصویر: حذف نویز، تنظیم روشنایی و کنتراست
- استخراج ویژگیها یا استفاده از مدلهای یادگیری عمیق
- تشخیص وجود عیب و طبقهبندی نوع آن (اسکار، شیور مارک، ترک عرضی و …)
3. بخش تصمیمگیری و یکپارچهسازی با خط
- رد کردن خودکار قطعه معیوب یا علامتگذاری محل عیب
- ثبت تصویر و مختصات عیب در سیستم
- ارسال آلارم و گزارش برای اپراتور و واحد کنترل کیفیت
تعریف این سه عیب سطحی
اسکار (Scar)
اسکار یک عیب طولی روی سطح است:
- بهصورت شیار یا زخم نسبتاً عمیق
- همراستا یا تقریباً همراستا با جهت کشش یا نورد
- میتواند ناشی از عیب قالب، آلودگی، یا ذرات سخت گیرکرده باشد
اگر اسکار در مراحل بعدی (کشش بیشتر، رزوهزنی، خمکاری) باقی بماند، میتواند نقطهٔ شروع ترک و شکست شود.
شیور مارک (Shear Mark)
شیور مارک معمولاً رد بهجامانده از:
- عملیات برش (قیچی، اره)
- ضربههای مکانیکی
- یا ناهماهنگی در تجهیزات انتقال و هدایت محصول
از نظر بصری:
- در یک ناحیه محدودتر دیده میشود
- میتواند زاویهدار و نه لزوماً کاملاً طولی باشد
تفکیک شیور مارک از اسکار و خراشهای کماهمیت، برای تصمیمگیری درست در مورد رد یا قبول محصول مهم است.
ترک عرضی (Transverse Crack)
ترک عرضی یکی از خطرناکترین عیوب است:
- جهتگیری عمود یا مایل نسبت به جهت کشش
- عرض بسیار کم اما عمق و تیزی بالا
- پتانسیل بسیار زیاد برای تبدیل شدن به شکست کامل در سرویس
بهخاطر باریک بودن و کنتراست کم، تشخیص ترک عرضی در سرعتهای بالا چالشبرانگیز است و دقیقاً همانجایی است که بینایی ماشین و الگوریتمهای تشخیص ترک ارزش خود را نشان میدهند.
الگوریتمها: از روشهای کلاسیک تا یادگیری عمیق
روشهای کلاسیک (Feature-based)
در نسل اول سیستمهای بینایی ماشین، معمولاً از روشهای زیر استفاده میشد:
- فیلترگذاری، تشخیص لبه، آستانهگذاری روی شدت روشنایی
- استخراج ویژگیهای شکل، طول، عرض، جهتگیری و بافت
- استفاده از طبقهبندهایی مثل SVM، Random Forest و …
این روشها:
- به دادهٔ آموزشی کمتری نیاز دارند
- قابل توضیحتر و قابل درکتر هستند
اما:
- نسبت به تغییر شرایط (نور، نوع سطح، آلیاژ) حساساند
- برای عیوب پیچیده و کمکنتراست، محدودیت دارند
روشهای مبتنی بر یادگیری عمیق (Deep Learning)
در سیستمهای جدید، غالباً از شبکههای عصبی کانولوشنی (CNN) استفاده میشود برای:
- تشخیص اینکه تصویر معیوب است یا سالم
- طبقهبندی نوع عیب (اسکار، شیور مارک، ترک عرضی و …)
- سگمنت کردن (Segment) دقیق ناحیه عیب روی تصویر
مزیت اصلی:
- دقت بالا در تشخیص عیوب ریز و پیچیده
- توانایی یادگیری مستقیم از تصاویر واقعی خط شما
- تطبیقپذیری بهتر با تغییرات محصول و شرایط تولید
ترکیب مناسبی از پیشپردازش کلاسیک و مدلهای Deep Learning معمولاً بهترین نتیجه را در صنعت میدهد.
تنظیمات نوری و سختافزاری برای دیدن عیوب
برای اینکه الگوریتم بتواند اسکار، شیور مارک و ترک عرضی را ببیند، سختافزار و نورپردازی درست حیاتی است:
- استفاده از نور مایل (Grazing Light) برای برجسته کردن شیارها و ترکها
- کنترل انعکاس روی سطوح براق با انتخاب زاویه مناسب دوربین و منبع نور
- انتخاب رزولوشن و نرخ فریم متناسب با سرعت خط و ابعاد عیب هدف
- پوشش کامل محیطی سطح محصول با چند دوربین یا سیستم چرخان
اگر این بخش درست طراحی نشود، بهترین الگوریتمها هم نمیتوانند عملکرد ایدهآل داشته باشند.
هوشمند شدن سیستم: یادگیری از دادههای واقعی خط
یک سیستم بینایی ماشین مدرن فقط یک «چککنندهٔ خودکار» نیست؛ بلکه به مرور زمان هوشمندتر میشود:
- تصاویر عیبها به همراه تصمیم اپراتور (قبول / رد) ذخیره میشوند
- مدل هوش مصنوعی بر اساس این دادهها دوباره آموزش میبیند
- دقت تشخیص و نرخ خطا به تدریج بهتر میشود
این چرخه باعث میشود سیستم بهتدریج خودش را با شرایط خاص خط شما، آلیاژها، محدوده عیوب و استانداردهای مشتریانتان سازگار کند.
مزایای کسبوکاری برای کارخانه
پیادهسازی کنترل کیفیت مبتنی بر بینایی ماشین برای این عیوب سطحی چند نتیجهٔ ملموس دارد:
- کاهش اسکرپ و دوبارهکاری
- کاهش برگشتی مشتری و هزینههای گارانتی
- وابستگی کمتر به بازرسی چشمی و نیروی انسانی
- مستندسازی خودکار عیوب و امکان تحلیل ریشهای فرایند
- آمادگی بهتر برای ممیزیها و الزامات کیفی OEMها و استانداردهای Industry 4.0
به زبان ساده:
سیستم بینایی ماشین، کیفیت را از «وابسته به انسان» به «قابل اندازهگیری، قابل ردیابی و قابل اتکا» تبدیل میکند.
بدون دیدگاه