في عصر التكنولوجيا الحديثة، تظل عملية رقابة الجودة في الطباعة، وخاصة في طباعة الروتوغرافيور (rotogravure printing)، تعتمد على الفحص اليدوي البطيء والمكلف والذاتي في كثير من الأحيان. تلك الآلية التقليدية تحتاج إلى تحديث لتحسين دقة الفحص وسرعته. هنا يبرز دور الذكاء الاصطناعي ونماذج التعلم العميق (Deep Learning).

تقدم دراسة جديدة مبتكرة إطار عمل لتوليد بيانات صناعية مصممة خصيصاً لرقابة الجودة في طباعة الروتوغرافيور. تهدف هذه المنظومة إلى تجاوز عقبة نقص الصور الحقيقية للعيوب الصناعية الموجودة حالياً، والتي تعيق تدريب نماذج التعلم العميق مثل YOLO و Vision Transformers.

يعتمد الإطار المقترح على توليد صور عالية الجودة لعيوب طباعة محددة مثل التجاعيد والخطوط والاختلاف في التسجيل، بالإضافة إلى إخراج صناديق الحدود والتعليقات ذات الصلة. في هذا الإطار، تم إنشاء قاعدة بيانات صناعية تتضمن 7533 صورة، واستخدمت لتدريب نموذج متقدم في كشف الكائنات يسمى RFDETR.

أظهرت النتائج التجريبية أن النموذج المدرب على هذه البيانات الصناعية حقق دقة عالية تصل إلى 80.9% في معدل متوسط الدقة (Mean Average Precision أو mAP) عند اختباره على عينات صناعية حقيقية.

هذا الإطار يوفر حلاً سريعاً ومنخفض التكلفة لأتمتة عملية فحص العيوب في خطوط الطباعة، مما يتيح الفرصة لمصنعي الطباعة لتحقيق تحسينات ملحوظة في جودة الإنتاج دون الحاجة لجمع بيانات كبيرة يدوياً. هل يمكن أن تكون هذه الخطوة بداية لعصر جديد في تحسين العملية التصنيعية باستخدام الذكاء الاصطناعي؟ ننتظر آرائكم ومناقشاتكم حول هذا التطور المثير.