يحتل كشف العيوب مكانة محورية في ضمان جودة الأقمشة وتسعيرها، إذ تُستبعد كميات كبيرة من الأقمشة بوصفها هدرًا بسبب العيوب مما يسبب خسائر سنوية فادحة لصناعة النسيج، وبينما كان الفحص اليدوي هو الأسلوب التقليدي المعتمد في الكشف، فإن تبني مخطط آلي للكشف عن العيوب يقوم على نماذج التعلم العميق يقدم حلًا سريعًا وفعالًا لتقييم جودة الأقمشة، غير أن سيناريوهات التصنيع في الزمن الحقيقي تفتقر إلى صور عالية الجودة ودقيقة المواضع، كما أن الأقمشة السادة والمطبوعة تُصنع في الصناعات في وقت واحد، مما يستلزم نموذجًا واحدًا قادرًا على كشف العيوب في جميع أنواع الأقمشة بدقة عالية وتكلفة حسابية منخفضة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تدريب نموذج تعلم عميق قوي يكشف العيوب في مجموعات بيانات الأقمشة المتولدة أثناء الإنتاج بدقة عالية وتكاليف حسابية أقل، وقد اعتمدت مجموعة بيانات محلية جُمعت مباشرة من شركة تشناب للمنسوجات بما يوفر صورًا أصيلة ومتنوعة تمثل ظروف التصنيع الفعلية، واستخدمت هذه البيانات في تدريب شبكة يولو إف 8 التي تجمع بين السرعة الحسابية وخفة البنية، ولأغراض المقارنة دُرب أيضًا نموذجا يولو إف 5 وموبايل نت إف 2 على مجموعة البيانات نفسها، ثم قورن أداء النماذج الثلاثة عبر مؤشرات دقة الكشف والاستدعاء ومتوسط الدقة المتوسطة عبر سبع فئات مختلفة من العيوب، بما يعطي صورة متوازنة عن كفاءة كل نموذج في ظروف إنتاج حقيقية
ثانيًا: أبرز النتائج
أظهرت النتائج تفوق نموذج يولو إف 8 إن على النموذجين المقارنين في كشف عيوب الأقمشة، ويمكن إجمال أبرز النتائج فيما يأتي
1- حقق النموذج أعلى أداء بين النماذج المدروسة بمتوسط دقة متوسطة قدره 84.8 في المئة عبر فئات العيوب السبع
2- بلغت دقة الكشف للنموذج 0.818 وبلغ الاستدعاء 0.839 بما يعكس توازنًا جيدًا بين صحة التنبيهات وشمول الكشف
3- أثبت النموذج قدرته على التعامل مع الأقمشة السادة والمطبوعة معًا ضمن نموذج واحد يلائم بيئة الإنتاج المختلطة
4- تحقق هذا الأداء ببنية خفيفة وسريعة حسابيًا تناسب متطلبات الفحص في الزمن الحقيقي على خطوط الإنتاج
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي هذه النتائج على دلالات تطبيقية مباشرة لمصانع النسيج والملابس، إذ يمكن لاعتماد أنظمة كشف آلي بالتعلم العميق أن يقلل كميات الأقمشة المهدرة بسبب العيوب المتأخر اكتشافها، ويحسن اتساق الجودة ويدعم التسعير العادل للمنتجات، كما أن استخدام مجموعة بيانات مأخوذة من بيئة إنتاج فعلية يعزز قابلية تعميم النتائج على المصانع المشابهة ويختصر المسافة بين البحث الأكاديمي والتطبيق الصناعي، ويفتح الباب أمام دمج هذه النماذج الخفيفة في كاميرات فحص مدمجة على خطوط النسيج تعمل بصورة مستمرة وتنبه المشغلين فور ظهور العيوب، بما يرفع كفاءة سلسلة الإنتاج ويخفض التكاليف التشغيلية على المدى الطويل
ويتصل تحقيق هذا الأداء بطبيعة التحديات البصرية في بيئة الغزل والنسيج، إذ تتشابه أنماط الأقمشة المطبوعة مع أشكال العيوب أحيانًا وتتفاوت الإضاءة وسرعة الخطوط وسماكات الخيوط، مما يجعل النموذج القادر على التمييز الدقيق في هذه الظروف المتقلبة ذا قيمة مضاعفة، كما أن الاعتماد على صور ملتقطة من خطوط الإنتاج الفعلية بكل ما فيها من ضوضاء واهتزاز وتنوع في الخامات يمنح النتائج مصداقية تطبيقية تفوق الدراسات القائمة على صور مخبرية مصطنعة، ويمهد لربط أنظمة الكشف بمعدات الفرز والقص الآلية لاستبعاد الأجزاء المعيبة مبكرًا وتقليل الهدر، ولتوثيق سجلات الجودة الرقمية القابلة للتتبع والتحليل الإحصائي المستمر
وخلاصة القول إن الدراسة برهنت على جدوى توظيف نماذج التعلم العميق الخفيفة في كشف عيوب الأقمشة ضمن ظروف تصنيع حقيقية، إذ حقق نموذج يولو إف 8 إن أداء متفوقًا في الدقة والاستدعاء عبر سبع فئات من العيوب وبنية سريعة ملائمة للزمن الحقيقي، وتوصي مخرجات الدراسة مصانع النسيج بتبني أنظمة الفحص الآلي المدربة على بيانات إنتاج أصيلة للحد من الهدر ورفع جودة المنتجات وتعزيز القدرة التنافسية