التعلم التجميعي بنماذج يولو لكشف مكونات أشباه الموصلات في النفايات الإلكترونية ودعم إعادة التدوير الذكية

يتصاعد حجم النفايات الإلكترونية عالميًا ولا سيما مكونات أشباه الموصلات كلوحات الدوائر والرقائق الدقيقة، ويشدد ذلك الحاجة إلى تقنيات إعادة تدوير أذكى، غير أن أنظمة الفرز الصناعية الراهنة كثيرًا ما تفوت مكونات صغيرة عالية القيمة، فيضيع بذلك معادن ثمينة وتتدنى كفاءة عمليات إعادة التدوير برمتها، ومن هنا يقترح هذا البحث إطار كشف آلي لمكونات أشباه الموصلات داخل النفايات الإلكترونية يوظف التعلم التجميعي الذي يزاوج بين نقاط قوة نماذج كشف متعددة بدل الاعتماد على نموذج واحد

وتهم الدراسة الباحثين العرب وطلاب الدراسات العليا في الرؤية الحاسوبية والاستدامة لأن إدارة النفايات الإلكترونية تحدٍ متنامٍ في المنطقة العربية، ونتائج المقارنة المنهجية بين استراتيجيات الدمج التجميعي تمنح المهندسين والباحثين دليلًا عمليًا لاختيار التشكيلة الأنسب عند بناء خطوط فرز آلية لمصانع إعادة التدوير

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تقييم أساليب التعلم التجميعي المستندة إلى عائلة نماذج يولو لكشف الأجسام في كشف مكونات أشباه الموصلات ضمن النفايات الإلكترونية، وشملت النماذج المقارنة ستة إصدارات هي يولو الإصدار الخامس والثامن والتاسع والعاشر والحادي عشر والثاني عشر، وقورنت ثلاث استراتيجيات للدمج التجميعي بصورة منهجية، وهي كبت غير الأقصى القياسي، واستراتيجيات التصويت بأنماطها الثلاثة المتمثلة في التصويت الإيجابي وتصويت الإجماع والاتفاق الكلي، ودمج الصناديق المرجح بتحسين أوزان ثابت ودينامي على حد سواء، وقيس الأداء بمؤشرات الدقة المتوسطة عند عتبة محددة ومقياس إف واحد وأزمنة الاستدلال عبر محاكاة موسعة لتلك التشكيلات

ثانيًا: أبرز النتائج

1، ثبت أن استخدام نماذج متعددة معًا أكثر فاعلية بكثير من أي نموذج منفرد، إذ حققت أفضل تشكيلة وهي تصويت الإجماع لأفضل أربعة نماذج متوسط دقة متوسطة بلغ 59.63 في المئة، بتحسن مقداره 10.3 في المئة عن أفضل نموذج فردي وهو يولو الثامن الصغير الذي بلغ 54.04 في المئة، 2، خفّض الدمج التجميعي بدرجة كبيرة حالات الفقد أو ما يعرف بالكشوفات السلبية الزائفة التي تضيع فيها المكونات، حتى في سيناريوهات النفايات الإلكترونية المزدحمة والمشوشة الأصعب على الكشف، 3، بلغ زمن استدلال النموذج الفردي يولو الثامن 62.6 ميللي ثانية بما يدعم الكشف في الزمن الحقيقي، بينما بلغ زمن أفضل تشكيلة تجميعية 384.9 ميللي ثانية، بما يجسد مقايضة صريحة بين دقة الكشف وسرعته يتعين وزنها بحسب التطبيق، 4، أظهرت بعض استراتيجيات الدمج مقايضات طفيفة في الدقة المتوسطة لبعض المكونات، لكنها مجتمعة حققت ارتفاعًا مقداره 7 في المئة في مقياس إف واحد بما يدل على توازن أفضل بين الضبط والاستدعاء

ثالثًا: دلالات الدراسة وتطبيقاتها

تمثل النتائج تقدمًا ملموسًا في إعادة التدوير الذكية، فالتعرف المحسن على المكونات الصغيرة يتيح استردادًا أكفأ للمواد عالية النقاء، ويدعم الاقتصاد الدائري بضمان إعادة استخدام المواد النادرة والاستراتيجية في الإلكترونيات بدل التخلص منها، ويستطيع مهندسو أنظمة الفرز توظيف خلاصات المقارنة بحسب أولوياتهم، فيختارون النموذج الفردي السريع لخطوط الفرز فائقة السرعة أو التشكيلات التجميعية الأدق حين تكون قيمة المكونات المستردة أعلى من كلفة الزمن الإضافي، كما تفتح الدراسة بابًا لبحوث عربية تختبر هذه الاستراتيجيات على تدفقات نفايات محلية وتدمجها مع أذرع فرز روبوتية

وتثير الدراسة من زاوية اقتصادية بيئية سؤال الجدوى العملية للتجميع في خطوط الفرز الحقيقية، فالفارق الزمني بين النموذج الفردي والتشكيلة التجميعية قد يبدو كبيرًا نسبيًا لكنه يظل دون أجزاء من الثانية لكل صورة بصرية، بينما تنعكس كل نقطة دقة إضافية على كميات من المعادن النفيسة المستردة سنويًا وأطنان من المكونات الخطرة المحولة عن المكبات، ومن ثم تميل الكفة الاقتصادية والبيئية معًا لصالح الدقة في معظم مصانع التدوير الحديثة، لا سيما مع توفر مسرعات حاسوبية متوازية تخفف كلفة الزمن كثيرًا

وخلاصة القول إن التعلم التجميعي بنماذج يولو يقدم مسارًا مقنعًا لمعالجة نقطة ضعف بنيوية في إعادة تدوير النفايات الإلكترونية، فقد ثبت أن ذكاء نماذج متعاونة يتفوق على ذكاء نموذج وحيد مهما بلغت قوته، وبتحسن الكشف تتحسن استدامة سلاسل المواد الإلكترونية برمتها من الفرز الأول إلى الاسترداد عالي النقاء