پروژه Industrial Defect Detection یک سیستم بینایی ماشین برای کنترل کیفیت بصری سطوح فلزی تولیدشده به روش ریختهگری یا ماشینکاری است. این سیستم علاوهبر تشخیص سالم یا معیوب بودن قطعه، عیوب را بر اساس نوع آسیب مشخص کرده و عملکرد مدل را دقیقاً بر اساس هر نوع خطا تحلیل میکند.
اهمیت این پروژه در بهکارگیری الگوریتمهای اثباتشده بینایی ماشین کلاسیک مانند HOG و LBP در کنار مدلهای یادگیری ماشین است. این رویکرد بدون نیاز به پردازندههای گرافیکی سنگین یا زیرساختهای پیچیده، امکان اجرای سریع و کمهزینه کنترل کیفیت را روی تجهیزات لبه در خطوط تولید فراهم میسازد.
رویکرد فنی و استخراج ویژگیها
در این پروژه به جای اتکا به شبکههای عمیق سنگین، از ترکیب دو روش استخراج ویژگی یعنی HOG برای ثبت لبهها و LBP برای تحلیل بافت سطح استفاده شده است. ویژگیهای استخراجشده سپس به مدلهایی نظیر SVM و Random Forest داده میشوند تا دستهبندی نهایی صورت گیرد.
- استخراج ویژگیهای ساختاری و هندسی با استفاده از HOG
- تحلیل دقیق بافت و ریزناهمواریهای سطح فلز با الگوریتم LBP
- تفکیک قطعات سالم از معیوب و دستهبندی دقیق عیوب به انواع ترک، حفره و خطوخش
ارزیابی دقیق و تحلیل شفاف خطاهایش
ارزیابی مدل بهجای اتکا به یک عدد کلی برای دقت، بر اساس عملکرد تفکیکشده روی هر نوع آسیب انجام شده است. مدل برتر بر پایه SVM به دقت ۹۸.۸ درصد دست یافته و قطعات سالم، دارای حفره و دارای ترک را با دقت کامل شناسایی کرده است.
تنها موارد خطا مربوط به خطوخشهای بسیار کمرنگ بوده که به عنوان قطعه سالم شناسایی شدهاند. این تحلیل واقعبینانه نشان میدهد که ویژگیهای مبتنی بر لبه در شرایط نورپردازی خاص چه محدودیتهایی دارند و در چه نقاطی ممکن است به شبکههای عصبی عمیق نیاز باشد.
کاربردهای صنعتی و مزایای عملیاتی
این سیستم نشان میدهد که در سناریوهای صنعتی واقعی همیشه نیازی به پردازشهای سنگین ابری یا کارتهای گرافیک گرانقیمت نیست. بهرهگیری از این روش برای کارخانههایی که با محدودیت سختافزاری یا دادههای آموزشی محدود روبهرو هستند، گزینهای بسیار اقتصادی است.
- قابلیت اجرا روی پردازندههای معمولی بدون نیاز به GPU
- امکان پیادهسازی مستقیم روی تجهیزات لبه و دوربینهای هوشمند خط تولید
- سرعت بالای پردازش و ارزیابی لحظهای قطعات در خطوط مئونتاژ