یکی از برنامه‌هایی که پتانسیل زیادی برای بهره‌مندی از هوش مصنوعی دارد، نرم افزار کنترل کیفیت تولیدات صنعتی با هوش مصنوعی است. استفاده از دوربین‌های هوشمند و نرم‌افزارهای مجهز به هوش‌مصنوعی به تولیدکنندگان کمک می‌کند تا بررسی کیفیت محصولات تولیدی خود را با سرعت بیشتر، زمان کمتر و هزینه‌های کمتری انجام دهند.. به همین دلیل استفاده از نرم‌افزار کنترل کیفیت تولیدات صنعتی با هوش مصنوعی با قابلیت یادگیری عمیق نشان‌دهنده حرکت به سوی فناوری‌های بینایی پیشرفته است.
آناتولی گورچت (Anatoli Gorchet)، در شرکت Neurala تامین‌کننده نرم‌افزار بینایی هوش‌مصنوعی برای بازرسی‌های صنعتی می باشد که استفاده از بینایی ماشین را در فرآیند کنترل کیفیت بوسیله هوش مصنوعی تشریح می نماید..
در ابتدا بایستی یک تصمیم‌گیری کارشناسانه گرفته شود که ویژگی‌هایی (مانند لبه‌ها، منحنی‌ها، گوشه‌ها، وصله‌های رنگی و غیره) در تصاویر گرفته شده توسط دوربین مربوط به بازرسی، مورد بررسی قرار گیرند. سپس، کارشناس کنترل کیفیت تولیدات صنعتی با هوش مصنوعی یک سیستم مبتنی بر قاعده را ایجاد نماید که جزئیات آن به عنوان مثال، مقدار “زردی” و “انحنا” یک شی را به عنوان “موز رسیده” در یک خط بسته‌بندی مورد بررسی قرار دهد. سیستم حاصل، براساس ورودی کارشناسانه، به طور خودکار تصمیم می‌گیرد که آیا محصول با کیفیت موردانتظار تولید شده است یا خیر؟
اما مواردی وجود دارد که بینایی ماشین را بی‌اثر می‌کند. به عنوان مثال، مواردی که در آن تشخیص تفاوت بین محصولات خوب و بد ، بسیار ظریف است. بنابراین تشخیص این موارد توسط ماشین می‌تواند بسیار دشوار باشد. برای حل این موارد از هوش مصنوعی استفاده می شود و نرم‌افزار مجهز به هوش‌مصنوعی می‌تواند خود به تنهایی در نظر بگیرد که چه جنبه‌هایی مهم است و ترکیبی از ویژگی‌هایی را تعیین می سازد که کیفیت محصولات را به خوبی مشخص می نماید.
گورچت می‌گوید: ” با الگوریتم‌های یادگیری شبکه عصبی، کاربران دیگر نیازی به ساخت یک مدل بینایی ماشین برای هر سناریوی تولید ندارند. آنها فقط باید داده‌های مناسب را جمع‌آوری کنند و مدل را با استفاده از آن داده‌ها بدست آورند. ”
نوع مدل کنترل کیفیت تولیدات صنعتی با هوش مصنوعی که گورچت در اینجا به آن اشاره می‌کند به عنوان “یادگیری عمیق” شناخته می‌شود. این سیستم‌ها، مانند شبکه‌های عصبی عمیق ، به شیوه‌ای نظارت‌شده آموزش می‌بینند تا کلاس‌های ویژه‌ای از موارد را تشخیص دهند. در یک کار بازرسی معمولی، یک شبکه عصبی عمیق می تواند برای تشخیص بصری (visually recognize) آموزش داده شود. به عنوان مثال برای بازرسی تولید یک دریچه هواکش، بر اساس تصویرهای دریچه‌های خوب و بد، کیفیت تولید هواکش مورد بررسی قرار گیرد.
بر این اساس داده‌ها شامل مقادیر مساوی از تصاویر دریچه‌های خوب و هر نوع ممکن از دریچه‌های معیوب هستند و نیازی به تصویرهایی از تمام نقص‌های شناخته شده دریچه ندارند. در حقیقت، تازمانی که تصاویر از ویژگی‌های مشابهی برخوردار باشند، حتما نیازی به تصاویر دریچه‌ها نیست. این ویژگی‌ها، شامل ویژگی‌هایی مانند منحنی‌ها، لبه‌ها، خصوصیات سطح و غیره هستند. بنابراین تولیدکنندگان فقط به مجموعه کوچکی از تصویرهای دریچه‌های خوب نیاز دارند تا مجموعه‌ای از قوانین دریچه خوب را به سیستم بیاموزند. و سپس هنگام مواجهه با یک محصول غیرمعمول، سیستم اعلام نقص نماید تا به کاربر مشاوره‌های لازم داده شود. همچنین در کنترل کیفیت تولیدات صنعتی با هوش مصنوعی ، سیستم می‌تواند مجموعه‌ای از ده‌ها تصویر را در اختیار کارشناس قرار دهد تا یک درک نمونه اولیه از این جسم را ایجاد کند و در صورت تغییر محصول، آماده استقرار و پیکربندی مجدد باشد.
کنترل کیفیت پیتزا با هوش مصنوعی
شرکت دومینوز ، یک شرکت غذاخوری آمریکایی است که در زمینه پیتزا ، دسر ، ساندویچ و پاستا فعالیت می کند و به عنوان بزرگترین پیتزافروشی زنجیره ای در جهان شناخته شده است.
شرکت دومینوز رباتی را طراحی و ارائه نموده است که با استفاده از هوش مصنوعی، کیفیت پیتزا را پیش از تحویل به مشتری کنترل می‌کند. معمولا در کلیه رستوران ها ، تصویری از پیتزایی که در منوی رستوران وجود دارد با پیتزایی که تحویل می گیرند ، متفاوت است. بنابراین شرکت دومینوز با ارائه رباتی ، این تفاوتها را از بین برده است. دومینوز از هوش مصنوعی به عنوان یک ابزار کنترل و کیفیت استفاده می کند تا پیتزاها را قبل از ارسال به مشتری ارزیابی نماید. این ربات از یک دستگاه اسکنر به نام DOM Pizza Checker ساخته شده که در بالای میز برش پیتزا قرار گرفته است و بازرسی نهایی قبل از ارسال به مشتری توسط این دستگاه انجام می گیرد.
نیک نایت مدیر دومینوز گفته است : این ربات تصویری از پیتزا را می گیرد و با استفاده از هوش مصنوعی ، اطلاعات بدست آمده از تصویر را با داده هایی از یک پیتزای مناسب مقایسه می کند و در نهایت به آن نمره می دهد. اگر این دستگاه تشخیص دهد که پیتزایی مناسب نیست ، آن را کنار گذاشته و مجددا پیتزای دیگری آماده می شود. این شرکت مدعی است که این دستگاه در طول زمان ارتقاء می باید و ویژگی های جدیدی به آن اضافه می شود. قرار است این دستگاه در آینده تصویری از پیتزای آماده شده را پیش از تحویل برای مشتری ارسال نماید.
نویسنده :سیده شکوفه دربندی ” محقق و پژوهشگرآماری و مدرس دانشگاه آزاد اسلامی “
منبع: نشریه کیفیت و مدیریت فصل بهار 1401 شماره 33