تصور کنید یک اپراتور کنترل کیفیت (QC) باید روزانه ۸ ساعت به یک نوار نقاله خیره شود و بطریهای شیشهای که ترکهای مویی دارند را جدا کند. مطالعات نشان میدهد که پس از ۲ ساعت، دقت انسان به دلیل خستگی ذهنی به شدت افت میکند.
اما هوش مصنوعی خسته نمیشود، پلک نمیزند و تمرکزش را از دست نمیدهد. کنترل کیفیت مبتنی بر بینایی ماشین (Computer Vision) یعنی استفاده از دوربینها و الگوریتمهای یادگیری عمیق (Deep Learning) برای تشخیص عیوبی که گاهی حتی با چشم غیرمسلح دیده نمیشوند.
در کلاسهایم همیشه مثال میزنم: “همانطور که در پزشکی از AI برای دیدن تومور در عکس رادیولوژی استفاده میکنیم، در صنعت از آن برای دیدن حباب هوا در قطعه پلاستیکی استفاده میکنیم.” تکنولوژی پایه یکی است: شبکههای عصبی کانولوشنی (CNN).
یک سیستم بازرسی AI شامل سه بخش است:
چشم (دوربین و نورپردازی): تصویربرداری با کیفیت از محصول.
مغز (الگوریتم پردازش): مدل هوش مصنوعی که تصویر را آنالیز میکند.
دست (Actuator): مکانیزمی که قطعه معیوب را از خط خارج میکند (مثلاً با پمپ باد).
تفاوت اصلی بینایی ماشین کلاسیک و هوش مصنوعی مدرن در این است که در روش مدرن، ما به سیستم “کد نمینویسیم” که ترک چیست؛ بلکه به آن هزاران عکس از قطعات سالم و معیوب نشان میدهیم و سیستم خودش مفهوم “ترک” را یاد میگیرد.
در این مثال، ما یک شبکه عصبی کانولوشنی (CNN) ساده را با استفاده از کتابخانه قدرتمند TensorFlow و Keras طراحی میکنیم. فرض کنید میخواهیم تصاویر سطح فلز را بررسی کنیم تا خراشها (Scratches) را تشخیص دهیم.
این کد، معماری مدلی است که میتواند با دقت بالای ۹۹٪ عیوب را دستهبندی کند.
content_copy pythonimport tensorflow as tf from tensorflow.keras import layers, models # مدرس: دکتر قلیزاده # موضوع: ساخت مدل CNN برای تشخیص عیب (Defect Detection) def create_inspection_model(): # ۱. تعریف یک مدل ترتیبی (لایه به لایه) model = models.Sequential() # ۲. لایههای استخراج ویژگی (Feature Extraction) # این لایهها مثل چشم عمل میکنند و خطوط، لبهها و بافتها را میبینند # لایه اول: ۳۲ فیلتر برای تشخیص ویژگیهای اولیه (مثل خطوط ساده) # input_shape=(150, 150, 3) یعنی تصاویر رنگی ۱۵۰ در ۱۵۰ پیکسل model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3))) model.add(layers.MaxPooling2D((2, 2))) # کاهش ابعاد تصویر برای سرعت بیشتر # لایه دوم: ۶۴ فیلتر برای تشخیص ویژگیهای پیچیدهتر (مثل منحنیها یا الگوهای خراش) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # لایه سوم: ۱۲۸ فیلتر برای تشخیص الگوهای انتزاعی کامل model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # ۳. لایههای تصمیمگیری (Classification) # تبدیل نقشههای ویژگی به یک بردار صاف model.add(layers.Flatten()) # لایه متراکم با ۵۱۲ نورون (مغز متفکر) model.add(layers.Dense(512, activation='relu')) # لایه خروجی: ۱ نورون (چون خروجی باینری است: ۰=سالم، ۱=معیوب) model.add(layers.Dense(1, activation='sigmoid')) return model # ساخت و نمایش خلاصه مدل inspection_brain = create_inspection_model() inspection_brain.summary() # کامپایل کردن مدل با بهینهساز Adam (استاندارد صنعتی) inspection_brain.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) print("\nمدل هوش مصنوعی آماده آموزش با تصاویر خط تولید است.")
Conv2D: این لایه مثل یک ذرهبین روی تصویر حرکت میکند و به دنبال الگوهای خاص (مثل خط و خش) میگردد.
MaxPooling: اطلاعات غیرضروری را دور میریزد و فقط مهمترین ویژگیها (مثل محل دقیق خراش) را نگه میدارد.
Sigmoid: در لایه آخر، عددی بین ۰ تا ۱ میدهد. اگر عدد به ۱ نزدیک باشد، یعنی سیستم مطمئن است که قطعه معیوب است.
بازرسی ۱۰۰ درصدی: در روش سنتی معمولاً “نمونهبرداری” (Sampling) انجام میشود (مثلاً یکی از هر ۱۰۰ قطعه). اما با AI، تک تک قطعات چک میشوند.
سرعت فوقالعاده: این مدل میتواند در کسری از ثانیه (مثلاً ۵۰ میلیثانیه) تصمیم بگیرد. این یعنی هماهنگی کامل با پرسرعتترین خطوط بستهبندی.
استانداردسازی کیفیت: قضاوت انسانی سلیقهای است (یک اپراتور سختگیر است، دیگری آسانگیر). AI استاندارد ثابتی دارد.
یکی از چالشهایی که در پروژههایم میبینم، بحث نورپردازی (Lighting) است. بهترین الگوریتم هوش مصنوعی هم اگر تصویر تاریک یا با انعکاس نور بد دریافت کند، خطا میدهد. بنابراین، مهندسی هوش مصنوعی در اینجا باید با مهندسی اپتیک و نور ترکیب شود.
بازرسی کیفی هوشمند، دروازه ورود اعتماد به برند شماست. وقتی مشتری بداند تکتک محصولات با دقت ریاضی بررسی شدهاند، وفاداری او تضمین میشود.
در مقاله بعدی، پا را از یک دستگاه فراتر میگذاریم و به سراغ کل مجموعه میرویم. موضوع بعدی ما “کارخانه هوشمند (Smart Factory)” است؛ جایی که تمام دستگاهها با هم حرف میزنند
