ثورة التعلم غير المراقب: نظام اقتصادي للكشف عن الشذوذات البصرية بتكاليف منخفضة

في عالم التصنيع الحديث، تشكل أنظمة الفحص البصري التقليدية تحديًا حقيقيًا، حيث تتطلب جمع بيانات واسع النطاق وتدريب متكرر للنماذج لتحسين دقتها. لكن دراسة حديثة توصلت إلى تقنية جديدة تعتمد على أساليب التعلم غير المراقب (Unsupervised Learning) التي قد تسهم في تغيير هذه المعادلة.

تستكشف هذه الدراسة كيفية الاستفادة من نماذج مسبقة التدريب والأجهزة منخفضة التكلفة، مثل Raspberry Pi، لتطوير نظام فعال واقتصادي للكشف عن الشذوذات البصرية (Visual Anomaly Detection). يهدف هذا البحث إلى إقامة حل يكسر حواجز التكلفة المرتفعة التي غالبًا ما تقيد الشركات الصغيرة والمتوسطة.

النظام المُبتكر يستخدم نماذج التعلم غير المراقب من مشروع Anomalib، وتم نشره بتقنية openVINO على أجهزة Raspberry Pi. النتائج كانت مذهلة؛ حيث تم تنفيذ تدريب واختبار النظام في زمن لا يتجاوز 90 ثانية باستخدام 10 صور منتجات طبيعية فقط، ليحقق نتيجة F1 macro تتجاوز 0.95.

على الرغم من أن النظام يظهر حساسية طفيفة تجاه التغيرات البيئية مثل الإضاءة أو وضعية المنتجات، إلا أنه يبقى وسيلة سريعة واقتصادية لمراقبة الجودة في المصانع، مما يوفر حلاً مبتكراً للشركات ذات القدرات المحدودة.

للمزيد من التفاصيل، يمكنكم الاطلاع على الشيفرة البرمجية عبر هذا الرابط: https://github.com/Yunbo-max/Cost-Effective-Visual-Anomaly-[Detection-using-Unsupervised-Learning]. ما رأيكم في هذا التطور الثوري؟ شاركونا آراءكم في التعليقات!