فحص اللحام بالرافعة العلوية بالذكاء الاصطناعي: كشف الشروخ والمسامية

جودة لحام العارضة الرئيسية للرافعة العلوية تحدد مباشرةً عمرها الافتراضي وعامل الأمان. شرخ لحام صغير قد يتوسع تحت الحمولة المتناوبة على مدى سنوات، ويؤدي إلى كسر في العارضة الرئيسية — ففي تقييماتنا الهيكلية للرافعات القديمة، وجدنا أن ثلث مصادر إجهاد الكسر تنبع من خطوط اللحام. غير أن طرق الفحص التقليدية التي تعتمد على الفحص البصري اليدوي والفحص بالجسيمات المغناطيسية، تتسم بانخفاض الكفاءة وتفاوت النتائج من فاحص لآخر.

أما أبرز ما حققه الفحص البصري بالذكاء الاصطناعي في العامين الأخيرين، فلا يكمن في عمق النماذج، بل في دمج الكاميرا الصناعية + مصدر الإضاءة + محرك الاستدلال في حل تقني متكامل قابل للتركيب على خط الإنتاج. فمصنع الرافعات العلوية يلحم يوميًا عشرات الأمتار من لحامات العارضة الرئيسية، ولا يمكن للعين المجردة مواكبة ذلك. باستخدام YOLOv8 مع نظام بصري مناسب، يمكن التعرف على الشروخ في خط اللحام التي يقل عرضها عن 1mm، وتشغيل 4 كاميرات في وقت واحد عبر معالج رسومي واحد دون أي عناء.

تتناول هذه المقالة الحل التقني الكامل بدءًا من اختيار الكاميرا وصولًا إلى نشر النموذج. تتراوح تكلفة الأجهزة بين 5~12 ألف درهم، وتشمل الحاسوب الصناعي والكاميرات الصناعية ومصادر الإضاءة وبرمجيات الذكاء الاصطناعي. وينخفض زمن فحص خط اللحام الواحد من 5~10 دقائق في الفحص اليدوي إلى 15 ثانية فقط، وترتفع نسبة الاكتشاف من 70~80% إلى أكثر من 92%.

الهيكل العام لنظام الفحص البصري

يعتمد نظام الفحص الذكي للحامات على بنية خط إنتاج متسلسلة، حيث تُمرَّر البيانات من وحدة إلى أخرى بعد اكتمال المعالجة:

نظام الكاميرا الصناعية والإضاءة

أصعب جزء في فحص اللحام ليس نموذج الذكاء الاصطناعي، بل التقاط صورة قابلة للاستخدام. سطح خط اللحام في الرافعات العلوية يحتوي على خبث اللحام والتناثر وطبقات الأكسدة، والكاميرا العادية تنتج صورًا بتباين منخفض وانعكاسات قوية، وحتى أقوى خوارزميات الذكاء الاصطناعي لا تنفع معها.

اختيار الكاميرا: يُنصح باستخدام كاميرا صناعية بدقة 12 ميجابكسل (4096×3000)، بحجم بكسل 3.45μm، وبغالق لفّي (Rolling Shutter). تُركَّب بعدسة صناعية ثابتة البعد البؤري 25mm، وعند مسافة عمل 300mm يبلغ مجال الرؤية حوالي 200×150mm، ودقة البكسل الواحد حوالي 0.05mm — عند هذه الدقة، يشغل الشرخ الذي يبلغ 0.5mm حوالي 10 بكسلات، وهو ما يكفي للتعرف عليه بواسطة الذكاء الاصطناعي. لا تحتاج معدل إطارات مرتفعًا؛ 15 إطارًا في الثانية كافية (فحص اللحام يتم في وضع التوقف وليس أثناء الحركة).

حل الإضاءة: سطح خط اللحام ذو نسيج، لذا نحتاج إلى إضاءة بنية (Structured Light) أو إضاءة شريطية بزاوية منخفضة لإبراز العيوب. يُنصح بإضاءة شريطية زرقاء (طول موجي 460nm) بزاوية إضاءة 30°، مع مرشح ضيق النطاق بنفس الطول الموجي، لفلترة تداخل ضوء القوس الكهربائي بفعالية. تبلغ تكلفة مجموعة الإضاءة مع وحدة التحكم حوالي 3000~5000 يوان صيني (ما يعادل 1600~2700 درهم إماراتي)، وهي جزء يسهل التقليل من قيمته في النظام بأكمله، لكن لا يمكن الاستغناء عنه إطلاقًا.

ثالثًا: تدريب نموذج الذكاء الاصطناعي ونشره

3.1 بناء مجموعة البيانات

تتكون مجموعة بيانات الكشف عن عيوب خط اللحام للرافعة العلوية من مصدرين: الأول هو الصور الحقيقية للعيوب التي يتم التقاطها من مواقع التصنيع (الأكثر قيمة، لكن عدد عينات العيوب محدود)، والثاني هو الصور الاصطناعية للعيوب التي يتم توليدها عبر تقنيات تعزيز البيانات (لتعويض حجم العينات). يُنصح باستخدام نهج مختلط: 500~1000 صورة حقيقية + تعزيز اصطناعي ليصل المجموع إلى 3000~5000 صورة.

يتم تصنيف العيوب وفقًا للمعيار GB/T 3323-2023 للفحص غير المتلف للحام إلى أربع فئات:

يُوصى باستخدام LabelImg أو CVAT كأدوات لوضع العلامات، حيث يتم تصدير كل صورة بعد وضع العلامات بتنسيق YOLO (الفئة + مركز x + مركز y + العرض w + الارتفاع h، وجميعها مُطبَّعة إلى نطاق 0~1).

3.2 اختيار النموذج والتدريب

يُوصى باستخدام YOLOv8s (الإصدار الصغير، بحوالي 11M معامل)، حيث يمثل أفضل توازن بين الدقة والسرعة. إعدادات التدريب:

from ultralytics import YOLO # تحميل النموذج المُدرَّب مسبقًا نوع model = YOLO("yolov8s.pt") # التدريب（RTX4060حوالي3ساعة للإكمال300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # التحقق metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

بعد اكتمال التدريب، يتم تحسين سرعة الاستدلال باستخدام TensorRT: زمن الاستدلال الأصلي لـ YOLOv8s على RTX4060 يبلغ حوالي 12ms، وبعد تحسين TensorRT FP16 ينخفض إلى 4~5ms، ولا يتجاوز الاستدلال الفردي لكاميرات 4 قنوات 35ms، مما يلبي متطلبات الكشف في الوقت الفعلي.

# TensorRTالتصدير model.export(format="engine", dynamic=True, half=True) # الاستدلال import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # زمن الاستدلال للإطار الواحد حوالي5ms (RTX4060)

رابعًا: نشر نظام الكشف عبر الإنترنت

يتم تثبيت النظام في محطة نهاية خط إنتاج لحام العارضة الرئيسية للرافعة العلوية. بعد اكتمال اللحام، تنتقل العارضة الرئيسية تلقائيًا إلى محطة الكشف، حيث تقوم الكاميرا الصناعية بتصوير خطوط اللحام الأربعة الرئيسية (لوحا الغطاء العلويان + لوحا الغطاء السفليان) بشكل منفصل. يتم التقاط 3~5 صور لكل خط لحام (تغطي طول خط اللحام بالكامل)، ويقوم الذكاء الاصطناعي بالكشف التلقائي وتحديد مواقع العيوب.

معلمات النشر:

خامسًا: نقاط تنفيذ المشروع

1. الإضاءة أهم من النموذج. هذه هي القاعدة الذهبية الأولى في الرؤية الآلية. في أول تجربة تشغيل، استخدمنا مصدر إضاءة حلقية عادي، فكان انعكاس خط اللحام شديدًا، ولم تتمكن الكاميرا من التقاط الشروخ إطلاقًا — مهما كانت قدرات YOLOv8، لا يمكنها رؤية ما هو غير مرئي. بعد التحول إلى مصدر إضاءة شريطي أزرق منخفض الزاوية، ارتفع تباين العيوب بأكثر من 3 مرات، وقفز مؤشر mAP للنموذج من 68% إلى 89%. لا تتجاوز تكلفة الإضاءة 10% من إجمالي النظام، لكن تأثيرها على النتائج يصل إلى 80%.

2. ماذا لو كانت عينات العيوب غير كافية؟ ندرة عينات العيوب الحقيقية هي سمة مشتركة في جميع مشاريع الرؤية الصناعية. طريقتنا: أولاً، نستخدم عيوبًا محاكاة (تصنيع عيوب صناعية على لوحة اختبار باستخدام القطع بالسلك الكهربائي) لجمع 500 صورة وتدريب نموذج أولي؛ بعد التشغيل، نستخدم النموذج الأولي للفرز المسبق، وبعد التأكيد اليدوي، نضيف صور العيوب الحقيقية إلى مجموعة التدريب ونكرر العملية. بعد ثلاث دورات تكرارية، يصبح أداء النموذج على البيانات الحقيقية أفضل من النسخة المدربة على البيانات المحاكاة.

3. المفاضلة بين الاكتشاف الخاطئ والاكتشاف الفائت. تتداخل الخصائص البصرية للنتوءات الملحومة والتقوس مع تناثر شوائب اللحام، لذا فإن معدل الاكتشاف الخاطئ لها أعلى بطبيعته من الشروخ. الاستراتيجية الهندسية: للشروخ والمسامية، نعتمد عتبة ثقة عالية (≥0.7) للحكم المباشر بأنها غير مطابقة؛ وللتقوس والنتوءات الملحومة، نعتمد عتبة منخفضة (≥0.4) ونضع علامة "بانتظار التأكيد اليدوي". هذا يضمن عدم تفويت العيوب عالية الخطورة، وفي الوقت نفسه لا يفقد المشغلون صبرهم بسبب كثرة الاكتشافات الخاطئة.

4. كيف يتم الربط مع PLC خط الإنتاج؟ يخرج نظام الكشف إشارة تبديل إلى PLC (عبر Modbus TCP أو الإدخال/الإخراج الرقمي)، وعند اكتشاف شرخ أو مسامية، يتم تفعيل إنذار ضوئي وإيقاف الحزام الناقل. يتم رفع تقرير الكشف بصيغة XML عبر FTP إلى نظام MES للأرشفة. لا يتطلب الربط أي تعديل على برنامج PLC الأصلي لخط الإنتاج — حيث يعمل نظام الكشف كجهاز مستقل، ويخرج فقط إشارة OK/NG.

5. لا تنسَ المعايرة الدورية. تدهور الكاميرا ومصدر الضوء يؤثر على اتساق نتائج الكشف. يُنصح بتشغيل إجراء معايرة شهريًا باستخدام لوحة معايرة قياسية (لوحة اختبار بعيوب معروفة)، وعندما يتجاوز انحراف نتائج الكشف عن المعيار 10% لثلاث مرات متتالية، يقوم النظام تلقائيًا بالتذكير بالمعايرة أو استبدال مصدر الإضاءة.

الخلاصة

الفحص البصري الذكي للحامات بتقنية الذكاء الاصطناعي ليس تقنية جديدة — فهي مستخدمة منذ سنوات في صناعة السيارات وصناعة الأنابيب. خصوصية صناعة الرافعات العلوية تكمن في طول خطوط اللحام (العارضة الرئيسية بطول 30 مترًا تحتوي على أربعة خطوط لحام طولية)، وتعقيد حالة السطح (كثرة تناثر شوائب اللحام)، واعتماد معيار عيوب اللحام على المعيار الدولي ISO 5817. عند تكييف هذه الظروف بشكل صحيح، لا يقل تأثير الذكاء الاصطناعي البصري في فحص لحامات الرافعات عن الفحص اليدوي، بل يتفوق عليه في الكفاءة والاتساق.

قمنا بتشغيل بيانات فعلية لمدة ستة أشهر على خط لحام العارضة الرئيسية لرافعة جسرية بسعة 32 طنًا: تم فحص إجمالي 286 خط لحام، واكتشف الذكاء الاصطناعي 17 عيبًا من نوع الشروخ (منها 2 فاتت في الفحص اليدوي الأول)، وبلغ معدل الاكتشاف الإجمالي 94.6%، ومتوسط الوقت المستغرق لكل خط لحام 12 ثانية. نخطط لاحقًا لربط بيانات الكشف بمنصة التوأم الرقمي للرافعات العلوية، وإجراء تحليل ارتباطي بين سجلات عيوب اللحام لكل رافعة وبيانات مراقبة السلامة الهيكلية بعد الخدمة.

الأسئلة الشائعة