فريق رؤية ذكية للرافعات يحقق نتائج استثنائية في مسابقة دولية
فريق خوارزميات رؤية الذكاء الاصطناعي للرافعات العلوية يحقق نتائج استثنائية في مسابقة دولية لكشف العيوب الصناعية. إن أداء خوارزميات الفحص البصري بالذكاء الاصطناعي يحدد بشكل مباشر دقة التعرف والجدوى الهندسية لأنظمة الكشف الذكية للرافعات العلوية.
يحدد أداء خوارزميات الفحص البصري بالذكاء الاصطناعي بشكل مباشر دقة التعرف والجدوى الهندسية لأنظمة الكشف الذكية للرافعات العلوية. شارك فريق خوارزميات رؤية الذكاء الاصطناعي للرافعات العلوية مؤخراً في مسابقة "CrackDetection Challenge 2026" الدولية لكشف العيوب الصناعية، وحقق المركز الثالث في مهمة كشف انكسار أسلاك الحبل والمركز الخامس في مهمة كشف الشقوق في خط اللحام، حيث بلغت دقة الكشف (mAP) في مهمة كشف انكسار أسلاك الحبل 94.7%. كما تم اعتماد النموذج المحسّن القائم على بنية YOLOv8 والمطوّر ذاتياً من قبل الفريق، والذي يعتمد على الالتفاف القابل للتشوه DCNv4 وآلية انتباه الإحداثيات Coordinate Attention، كنموذج مرجعي أساسي من قبل الجهة المنظمة للمسابقة.
أبرز نتائج المسابقة والإنجازات المحققة
نُظمت مسابقة "CrackDetection Challenge 2026" بالتعاون بين جمعية IEEE للإلكترونيات الصناعية وجامعة ميونخ التقنية، وشارك فيها 157 فريقاً من 28 دولة، شملت فرقاً بحثية جامعية وأقسام بحث وتطوير لشركات فحص صناعي. تضمنت المسابقة أربعة مسارات رئيسية: كشف انكسار أسلاك الحبل، وكشف الشقوق في خط اللحام، وكشف الشقوق في أسطح الطرق، وكشف الشقوق الدقيقة في شفرات محرك الطيران، وجميعها تعمل ضمن إطار تقييم موحد. شارك الفريق في مساري كشف انكسار أسلاك الحبل وكشف الشقوق في خط اللحام، وهما المساران المرتبطان مباشرة بأعمال رؤية الذكاء الاصطناعي للرافعات العلوية.
احتوت مجموعة بيانات التدريب لمهمة كشف انكسار أسلاك الحبل على 8000 صورة مُعلّمة تغطي ثلاثة أنواع من العيوب: الانكسار الموضعي، والانكسار المتجمع، وتشوه قطر الحبل. كما تضمنت مجموعة الاختبار 2000 صورة غير مُعلّمة. حقق النموذج المقدم من الفريق في هذا المسار نتيجة إجمالية بلغت 86.7 نقطة محتلاً المركز الثالث، حيث جاءت دقة الكشف (mAP) بنسبة 94.7% في المركز الثالث، وسرعة الاستدلال لكل إطار 38.2ms في المركز الخامس، وعدد معاملات النموذج 7.3M في المركز الثاني. وفي مسار كشف الشقوق في خط اللحام، حقق النموذج نتيجة إجمالية بلغت 82.3 نقطة محتلاً المركز الخامس. ويُعد هذان الإنجازان الأفضل بين جميع الفرق المشاركة من صناعة الرافعات في المنطقة.
أبرز الابتكارات التقنية في النموذج المطوّر
يعتمد النموذج المستخدم في المسابقة على بنية YOLOv8s مع تحسينات جوهرية في ثلاث تقنيات رئيسية: استبدال الالتفاف القياسي بالالتفاف القابل للتشوه DCNv4، مما يسمح لنقاط أخذ العينات في نواة الالتفاف بالتكيف بشكل ديناميكي مع شكل العيب في خريطة الميزات، وقد أدى ذلك إلى رفع معدل استدعاء الأسلاك المقطوعة صغيرة الحجم من 83.5% إلى 91.2% في مهمة كشف انكسار أسلاك الحبل. كما تم إدخال آلية انتباه الإحداثيات على كل مستوى من مستويات شبكة الميزات الهرمية، مما مكّن النموذج من تحديد المواقع المكانية للعيوب بدقة عالية. ومن خلال التصميم خفيف الوزن القائم على الالتفاف القابل للفصل عمقياً وقص القنوات، تم تقليص عدد معاملات النموذج من 11.2M إلى 7.3M، أي بانخفاض يبلغ حوالي 35%.
التحويل الهندسي لنتائج المسابقة
بدأ الفريق في تطبيق التحسينات الخوارزمية التي تم التحقق منها في المسابقة على خط منتجات الفحص البصري بالذكاء الاصطناعي للرافعات العلوية. تم دمج وحدة DCNv4 في النموذج الإنتاجي لنظام الكشف عبر الإنترنت للكشف عن أسلاك الحبل، وبعد الاختبار، أظهرت النتائج رفع قيمة mAP الإجمالية من 0.91 إلى 0.94 مع الحفاظ على سرعة الاستدلال في الوقت الفعلي. كما تم إدخال آلية انتباه الإحداثيات في نموذج كشف الشقوق في خط اللحام، مما أدى إلى تحسين دقة كشف عيوب الشقوق بنسبة 4.3 نقطة مئوية. وتم تطبيق تقنية قص القنوات خفيفة الوزن على نشر النموذج على الحواف باستخدام منصة Jetson Orin NX، حيث انخفضت سرعة الاستدلال من 18ms/إطار إلى 12ms/إطار مع الحفاظ على أكثر من 98% من الدقة الأصلية.
قدرة الفريق على الابتكار المستدام
يضم فريق خوارزميات رؤية الذكاء الاصطناعي للرافعات العلوية حالياً 22 مهندس خوارزميات متفرغاً، من بينهم 4 حاصلون على الدكتوراه، و12 على الماجستير، و6 على البكالوريوس. ينحدر أعضاء الفريق من خلفيات أكاديمية في مجالات الرؤية الحاسوبية والتعلم العميق، وتغطي أبحاثهم مجالات كشف الأجسام، وتجزئة الصور، والتصميم خفيف الوزن للنماذج. يعمل الفريق وفق منهجية موحدة لتطوير الخوارزميات، حيث يتم إجراء مراجعة شاملة لهندسة النماذج كل ثلاثة أشهر، وتحديد اتجاهات التحسين للفترة التالية بناءً على النتائج التي تم التحقق منها في المسابقات والاتجاهات التقنية الجديدة المكتشفة في الأبحاث المنشورة. وقد أصبحت سجلات تدريب النماذج وبيانات التجارب الاستئصالية المتراكمة على مر السنين أصلاً معرفياً للفريق، مما يمكن الأعضاء الجدد من إعادة إنتاج النتائج وتوسيع نطاق الأبحاث بسرعة بناءً على التجارب السابقة.
الأسئلة الشائعة (FAQ)
س: هل النموذج المستخدم في المسابقة هو نفسه النموذج المستخدم في منتجات الكشف الفعلية للرافعات العلوية؟
ج: ليس النموذج نفسه، لكنهما يشتركان في نفس التقنيات الأساسية. يستخدم نموذج المسابقة دقة إدخال أعلى واستراتيجيات تدريب أكثر تعقيداً لتحقيق أقصى دقة ممكنة. أما النموذج الإنتاجي، فقد تمت إزالة المكونات غير المناسبة للاستدلال في الوقت الفعلي، وتم تكييفه مع منصة Jetson باستخدام تقنية التكميم TensorRT FP16. يتحقق نموذج المسابقة من الحد الأعلى النظري لدقة الخوارزمية، بينما يحقق النموذج الإنتاجي التوازن الأمثل بين الدقة والسرعة. تبلغ قيمة mAP للنموذج الإنتاجي حالياً حوالي 95% إلى 98% من دقة نموذج المسابقة.
س: هل يخطط الفريق للمشاركة في المزيد من المسابقات الدولية في المستقبل؟
ج: نعم، يخطط الفريق للمشاركة في مسابقة أو مسابقتين دوليتين سنوياً تتعلقان بتقنيات رؤية الذكاء الاصطناعي للرافعات العلوية. وقد تم بالفعل التسجيل للمشاركة في مسابقة "MVTec AD 2026" للكشف عن الشذوذ في الرؤية الصناعية، والتي تنظمها الرابطة الدولية للتعرف على الأنماط IAPR في النصف الثاني من عام 2026. الهدف الأساسي من المشاركة في المسابقات ليس السعي وراء الترتيب، بل اختبار المستوى الفعلي للخوارزميات من خلال المقارنة المباشرة مع أفضل الفرق العالمية، واكتشاف نقاط الضعف التقنية لدينا.
س: هل يتم نشر الإنجازات التقنية للفريق في شكل أوراق بحثية؟
ج: نعم، تم نشر 5 أوراق بحثية في المجلات والمؤتمرات الأكاديمية المتخصصة في مجال الفحص الصناعي خلال العامين الماضيين. تركز الأوراق البحثية على التطبيقات العملية وذات قيمة عالية في الممارسة الهندسية. ومن المخطط تقديم التفاصيل التقنية الكاملة لنظام التحسين المعتمد على DCNv4 وآلية انتباه الإحداثيات، والذي تم التحقق منه في المسابقة، إلى مجلة IEEE Transactions on Industrial Informatics.
س: ما هي أبرز التحديات التقنية التي تواجه مجال كشف العيوب الصناعية حالياً؟ وما تأثيرها على كشف الرافعات العلوية؟
ج: تتمثل التحديات الرئيسية في تنوع أشكال العيوب، وتباين ظروف الإضاءة والخلفيات في البيئات الصناعية، وصعوبة الحصول على بيانات تدريب كافية ومتنوعة للعيوب النادرة. بالنسبة لكشف الرافعات العلوية، تتمثل التحديات الخاصة في صغر حجم العيوب مثل الأسلاك المقطوعة، وتعقيد الخلفيات، والحاجة إلى سرعة استدلال عالية للتطبيقات في الوقت الفعلي. تعمل هذه العوامل على زيادة صعوبة تحقيق توازن مثالي بين دقة التعرف وسرعة الاستدلال، وهو ما يمثل محور التركيز الرئيسي لتطوير خوارزمياتنا.
ج: يواجه الكشف عن العيوب الصناعية ثلاثة تحديات رئيسية مشتركة: صعوبة اكتشاف العيوب صغيرة الحجم — حيث يتراوح عرض الشرخ بين 0.05~0.3 مم، مما يجعله لا يشغل سوى بضعة بكسلات إلى بضعة عشرات من البكسلات في الصورة؛ وارتفاع التشابه بين الفئات — إذ تتشابه المسامية وشوائب الخبث بشكل كبير في خصائصها البصرية، كما يسهل الخلط بين نسيج الصدأ والبقع الزيتية؛ وندرة البيانات الموسومة — حيث أن تكلفة الحصول على بيانات العيوب الصناعية مرتفعة، مع وجود اختلال شديد في التوازن بين العينات الإيجابية والسلبية. هذه التحديات قائمة أيضاً في فحص الحبل السلكي للرافعة وفحص اللحام.
