تحقیقی جالب درباره تشخیص خودکار آسیب به صفحات فیبر-فلزی با یادگیری عمیق و هوش مصنوعی

بذارید یک موضوع خیلی باحال رو براتون تعریف کنم! توی صنعت هوافضا و خودرو، از یه نوع صفحات به اسم “فیبر-فلزی” یا به انگلیسی Fiber Metal Laminate (FML) حسابی استفاده می‌کنن. این صفحات چون مقاومت خیلی خوبی دارن، برای جاهایی که امنیت مهمه واقعاً عالی هستن. ولی خب، مثل هر چیز دیگه‌ای، این صفحاتم دچار آسیب میشن، مخصوصاً آسیب‌هایی که از ضربه خوردن به وجود میان و می‌تونن باعث شکستن یا شکست سازه بشن.

حالا سوال اینجاست که چطوری میشه خودکار و دقیق این آسیب‌ها رو پیدا کرد، جداسازی کرد (یعنی کدوم قسمت آسیب دیده رو مشخص کنیم)، بازسازی و خلاصه کلی اطلاعات مفید ازشون درآورد؟ اینجاست که سر و کله یادگیری عمیق پیدا میشه! یادگیری عمیق یا Deep Learning یعنی مدل‌های هوش مصنوعی که خودشون بر اساس داده‌ها یاد می‌گیرن و می‌تونن چیزهای پیچیده رو بفهمن، مثلاً تشخیص اشیا یا آسیب‌ها توی عکس‌ها.

توی این تحقیق، چند تا مدل جدید و باحال استفاده شده: یکی به اسم SAM (که مخفف “Segment Anything Model”ـه و یعنی مدلی که می‌تونه هر چیزی رو توی عکس جدا کنه) و یکی دیگه به اسم Mask R-CNN که بر پایه تکنیک‌های پیچیده شبکه‌های عصبی کانولوشنی کار می‌کنه. این Mask R-CNN توی یه فریم‌ورک معروف به اسم Detectron2 پیاده‌سازی شده که واقعاً برای کارهای بینایی کامپیوتری، مخصوصاً شناسایی اشیاء توی عکس‌ها، عالیه.

توی این تحقیق اومدن یه سری عکس اشعه ایکس (X-ray CT) از این صفحات FML که با مقادیر انرژی مختلف (۵، ۷.۵، ۱۰ و ۱۲.۵ ژول) ضربه خوردن رو گذاشتن جلوی مدل‌ها و بررسی کردن. برای آموزش هم روش یادگیری تحت نظارت به کار بردن. یادگیری تحت نظارت یعنی به مدل می‌گیم “اینا تصویر سالمه، اینا آسیب دیده” تا خودش کم کم یاد بگیره تفاوت‌ها رو تشخیص بده.

حالا نتیجه چی شد؟ خداوکیلی Mask R-CNN همه رو با عملکردش متعجب کرد! توی همه معیارهای مهم بهتر از SAM عمل کرد. جالب‌تر اینکه آموزش مدل Mask R-CNN حدود ۸ برابر سریع‌تر بود و زمانی که لازم داشت تا یک تصویر رو بررسی کنه تقریباً ۸۰ برابر کمتر از SAM بود! این یعنی فوق‌العاده سریع و کارآمد. تازه یک ویژگی خیلی خوب دیگه هم داشت: برای آدم‌ها، توضیح دادن و فهمیدن اینکه چرا این مدل، این تصمیم رو گرفته خیلی راحت‌تره (که به این قابلیت می‌گن Explainability، یعنی شفاف و قابل توضیح بودن تصمیم هوش مصنوعی).

با اینکه نتایج خیلی خوب بود، اما چون داده‌های معیار قطعی و صد درصد درست (که بهشون Ground Truth می‌گن) زیاد در دسترس نبوده، هنوز جای مطالعه و بهبود باقی می‌مونه. یعنی نمی‌تونن با اطمینان مطلق بگن که کدوم مدل دقیق‌تره، ولی واقعاً Mask R-CNN در عمل بهتر بوده.

در کل این تحقیق هم به پیشرفت روش‌های تشخیص آسیب در مواد کامپوزیتی (مواد ترکیبی مثل همین FMLها) کمک می‌کنه و هم نشون می‌ده مدل‌های یادگیری عمیق چقدر می‌تونن برای بازرسی و کنترل کیفیت توی کارخونه‌ها و صنایع بزرگ به درد بخورن و آینده این تکنولوژی‌ها رو روشن‌تر می‌کنه. پس بریم به استقبال هوش مصنوعی توی صنعت!

منبع: +