پیاده‌سازی سیستم کنترل کیفیت روی نوار نقاله با پایتون

کالبدشکافی کدنویسی: گام‌به‌گام پیاده‌سازی منطق بازرسی

حالا که با زیرساخت‌ها و چالش‌ها آشنا شدیم، بیایید وارد دنیای کدها شویم. برای اینکه موضوع برای شما که شاید برنامه‌نویس حرفه‌ای نیستید هم قابل درک باشد، از یک مثال ملموس استفاده می‌کنیم: تصور کنید می‌خواهیم قطعات دایره‌ای شکل قرمز رنگی را روی نوار نقاله بررسی کنیم. اگر قطعه‌ای نباشد، یا رنگش آبی باشد، یا شکلش بیضی شود، باید به عنوان "معیوب" شناسایی شود.

اولین قدم در هر پروژه بینایی ماشین، ایجاد یک Pipeline یا خط لوله پردازشی است. یعنی تصویر از یک مرحله وارد می‌شود و در هر مرحله کمی تغییر می‌کند تا در نهایت به یک پاسخ "بله" یا "خیر" برسیم. بیایید این مراحل را با هم بررسی کنیم.

مرحله اول: پیش‌پردازش و ساده‌سازی تصویر

تصویری که دوربین می‌گیرد، پر از جزئیات اضافی است. سایه‌ها، بازتاب نور از روی فلز و رنگ نوار نقاله همگی در عکس هستند. اولین کاری که در پایتون با OpenCV انجام می‌دهیم، تبدیل تصویر رنگی به سیاه و سفید (Grayscale) است. چرا؟ چون برای تشخیص لبه‌ها یا ابعاد یک قطعه، ما به رنگ‌ها نیاز نداریم و پردازش تصاویر سیاه و سفید بسیار سریع‌تر است و فشار کمتری به CPU وارد می‌کند.

بعد از سیاه و سفید کردن، از تکنیکی به نام Gaussian Blur استفاده می‌کنیم. این کار در واقع تصویر را کمی تار می‌کند. شاید عجیب به نظر برسد، اما این تاری باعث می‌شود نویزهای ریز (پیکسل‌های پراکنده که شبیه نقص به نظر می‌رسند) حذف شوند و فقط ساختارهای اصلی قطعه باقی بمانند.

مرحله دوم: جداسازی قطعه از پس‌زمینه (Thresholding)

در این مرحله، ما به کامپیوتر می‌گوییم: "هر پیکسلی که تیره‌تر از مقدار X است را کاملاً سیاه کن و هر چه روشن‌تر است را کاملاً سفید". با این کار، قطعه ما به صورت یک توده سفید در یک زمینه سیاه ظاهر می‌شود. این عملیات که به آن Binary Thresholding می‌گویند، کلید اصلی تشخیص شکل است. حالا دیگر خبری از سایه‌های مزاحم نیست و ما یک ماسک تمیز از قطعه داریم.

نکته حرفه‌ای: اگر نور محیط شما تغییر می‌کند، به جای Threshold ساده از Adaptive Thresholding استفاده کنید. این متد، آستانه تغییر رنگ را برای هر بخش از تصویر به طور مجزا محاسبه می‌کند تا اثر سایه‌ها به طور کامل حذف شود.

مرحله سوم: تحلیل هندسی و استخراج ویژگی‌ها

اکنون که قطعه را از پس‌زمینه جدا کردیم، نوبت به تحلیل می‌رسد. در پایتون تابعی به نام findContours وجود دارد که دور تا دور قطعه را می‌گیرد و به ما می‌گوید محیط آن چقدر است. برای مثال، اگر می‌خواهیم بدانیم قطعه دایره است یا خیر, از نسبت دایره‌ای (Circularity) استفاده می‌کنیم.

فرمول ساده است: اگر محیط قطعه را به توان دو برسانیم و بر مساحت آن تقسیم کنیم و عدد به نزدیکی $4\pi$ باشد، یعنی ما با یک دایره تقریباً کامل طرف هستیم. اگر این عدد خیلی متفاوت باشد، سیستم بلافاصله علامت هشدار می‌دهد: "خطای هندسی! قطعه دفرمه شده است".

وقتی قوانین ساده جواب نمی‌دهند: ورود هوش مصنوعی و یادگیری عمیق

تا اینجا ما از "قوانین" استفاده کردیم (مثلاً: اگر دایره نبود $\rightarrow$ معیوب است). اما در دنیای واقعی، بعضی نقص‌ها را نمی‌شود با فرمول ریاضی تعریف کرد. مثلاً یک "خراش ریز" یا "تغییر رنگ جزئی در یک نقطه" را چطور تعریف کنیم؟ اینجا است که باید از مدل‌های Deep Learning استفاده کنیم.

در این روش، ما به جای نوشتن فرمول، به پایتون هزاران عکس از قطعات "سالم" و هزاران عکس از قطعات "معیوب" می‌دهیم. مدل (که معمولاً یک شبکه عصبی CNN است) خودش یاد می‌گیرد که تفاوت‌های ظریف بین این دو گروه چیست. در واقع، هوش مصنوعی الگوهایی را پیدا می‌کند که چشم انسان یا فرمول‌های ریاضی قادر به دیدن آن‌ها نیستند.

فرآیند آموزش مدل به زبان ساده:

• جمع‌آوری داده (Data Collection): عکاسی از هزاران قطعه در وضعیت‌های مختلف.
• برچسب‌گذاری (Labeling): مشخص کردن اینکه هر عکس "سالم" است یا "معیوب".
• آموزش (Training): دادن این عکس‌ها به مدل (مثلاً با استفاده از TensorFlow) تا الگوها را یاد بگیرد.
• اعتبارسنجی (Validation): تست مدل با عکس‌هایی که قبلاً ندیده تا مطمئن شویم واقعاً یاد گرفته و فقط حفظ نکرده است.

یکی از جذاب‌ترین ابزارها برای این کار در سال‌های اخیر، YOLO (You Only Look Once) است. همانطور که از نامش پیداست، این مدل می‌تواند در یک نگاه، هم موقعیت قطعه را روی نوار نقاله پیدا کند و هم نوع نقص آن را تشخیص دهد. سرعت YOLO به قدری بالاست که می‌تواند روی نوار نقاله‌های با سرعت بسیار زیاد، در لحظه (Real-time) عمل کند.

اتصال دنیای نرم‌افزار به دنیای سخت‌افزار (Integration)

داشتن یک کد عالی که در مانیتور می‌گوید "قطعه معیوب است" عالی است، اما در محیط صنعتی، ما نیاز داریم که این تصمیم به یک اتفاق فیزیکی منجر شود. اینجاست که مفهوم I/O (ورودی و خروجی) وارد می‌شود.

برای اینکه پایتون بتواند با سخت‌افزار صحبت کند، معمولاً از یک واسطه استفاده می‌کنیم. رایج‌ترین روش‌ها عبارتند از:

۱. استفاده از پروتکل Modbus TCP: اگر خط تولید شما دارای PLC (مثل زیمنس یا دلتا) است، پایتون می‌تواند از طریق شبکه، متغیری را در PLC تغییر دهد. مثلاً مقدار متغیر Reject_Valve را از ۰ به ۱ تغییر دهد تا شیر پنوماتیک باز شود و قطعه را بیرون بیندازد.

۲. استفاده از بردهای میکروکنترلری (Arduino/ESP32): در پروژه‌های کوچک‌تر، پایتون از طریق پورت سریال (USB) به آردوینو دستور می‌دهد. دستور ساده‌ای مثل 'R' ارسال می‌شود و آردوینو با دریافت این حرف، یک سروو موتور را می‌چرخاند.

۳. کارت‌های خروجی دیجیتال (DAQ): برای سرعت‌های بسیار بالا، از کارت‌های صنعتی استفاده می‌شود که پایتون می‌تواند مستقیماً پین‌های الکتریکی آن‌ها را High یا Low کند.

بهینه‌سازی برای سرعت: وقتی میلی‌ثانیه‌ها حیاتی هستند

بیایید روراست باشیم؛ پایتون به طور ذاتی کندتر از C++ است. اما در صنعت، ما نمی‌توانیم منتظر بمانیم تا پایتون هر عکس را با خیال راحت پردازش کند. برای اینکه سیستم ما "Real-time" شود، از چند ترفند مهندسی استفاده می‌کنیم.

اولین ترفند، پردازش موازی (Multiprocessing) است. در حالت عادی، پایتون عکس اول را می‌گیرد $\rightarrow$ پردازش می‌کند $\rightarrow$ تصمیم می‌گیرد $\rightarrow$ و سپس به سراغ عکس دوم می‌رود. در این حالت، دوربین در زمان پردازش بیکار است. اما با استفاده از متد Multiprocessing، ما یک "صف" (Queue) ایجاد می‌کنیم. یک هسته از CPU فقط مسئول گرفتن عکس‌هاست و آن‌ها را در صف می‌ریزد، و هسته‌های دیگر به طور همزمان عکس‌های موجود در صف را پردازش می‌کنند.

ترفند دوم، استفاده از GPU Acceleration است. اگر از مدل‌های یادگیری عمیق استفاده می‌کنید، پردازش روی CPU بسیار کند خواهد بود. با استفاده از کتابخانه CUDA (مخصوص کارت گرافیک‌های NVIDIA)، می‌توانیم محاسبات ریاضی سنگین را از CPU به GPU منتقل کنیم. این کار سرعت تشخیص را گاهی تا ۲۰ برابر افزایش می‌دهد.

در نهایت، می‌توانیم از تکنیک ROI (Region of Interest) استفاده کنیم. به جای اینکه کل تصویر (مثلاً Full HD) را پردازش کنیم، به پایتون می‌گوییم فقط یک مستطیل کوچک در مرکز تصویر (جایی که قطعات عبور می‌کنند) را بررسی کند. این کار حجم محاسبات را به شدت کاهش داده و سرعت را بالا می‌برد.

مدیریت خطاها و پایداری سیستم در محیط صنعتی

تا اینجای مسیر، ما یاد گرفتیم چگونه سیستم را طراحی کنیم، کد بزنیم و آن را به سخت‌افزار متصل کنیم. اما یک حقیقت تلخ در مورد دنیای اتوماسیون وجود دارد: هر چیزی که بتواند خراب شود، بالاخره خراب خواهد شد. در محیط کارخانه، سیستم شما با لرزش، گرد و غبار، قطع و وصل شدن‌های لحظه‌ای برق و حتی تغییرات دمایی مواجه است. اگر کد شما در برابر این اتفاقات "سخت" (Robust) نباشد، اولین بار که یک کابل شل شود یا یک حشره جلوی دوربین را بگیرد، کل خط تولید متوقف می‌شود.

برای جلوگیری از این اتفاقات، باید استراتژی "مدیریت استثناها" (Exception Handling) را به شدت جدی بگیرید. در پایتون، استفاده از بلوک‌های try...except فقط برای برنامه‌نویسان تازه‌کار نیست، بلکه در سیستم‌های صنعتی، این تنها راه نجات است. برای مثال، اگر دوربین به هر دلیلی برای یک ثانیه قطع شود، برنامه نباید با یک خطای Crash بسته شود؛ بلکه باید به طور خودکار سعی کند دوباره به دوربین متصل شود و در همین حال، یک هشدار را به اپراتور خط تولید ارسال کند.

سیستم مانیتورینگ و داشبورد مدیریتی

یک سیستم کنترل کیفیت بدون مانیتورینگ، مثل رانندگی با چشم‌های بسته است. مدیر تولید نیاز دارد بداند که در هر ساعت چند قطعه بررسی شده و چند مورد معیوب شناسایی شده است. برای این کار، پیشنهاد می‌شود خروجی‌های پایتون را به یک دیتابیس (مانند SQLite یا PostgreSQL) متصل کنید و با استفاده از ابزارهایی مثل Streamlit یا Grafana، یک داشبورد زنده بسازید.

تصور کنید مدیر کارخانه روی تبلت خود ببیند که نرخ ضایعات در ساعت ۱۰ صبح به طور ناگهانی ۵ درصد افزایش یافته است. این یعنی احتمالاً یکی از دستگاه‌های تولیدی در ابتدای خط دچار نقص شده است. در اینجا، سیستم کنترل کیفیت شما از یک ابزار "حذف قطعه خراب" به یک ابزار "تحلیل استراتژیک تولید" تبدیل می‌شود که می‌تواند میلیون‌ها تومان از خسارات احتمالی جلوگیری کند.

بررسی هزینه‌ها و بازگشت سرمایه (ROI)

وقتی می‌خواهید این سیستم را به مدیریت یا سرمایه‌گذار پیشنهاد دهید، آن‌ها احتمالاً از شما می‌پرسند: "چقدر هزینه دارد و چه زمانی این هزینه برمی‌گردد؟". برای پاسخ به این سوال، نباید فقط به قیمت دوربین و کامپیوتر فکر کنید، بلکه باید به "هزینه عدم کیفیت" (Cost of Poor Quality) نگاه کنید.

بیایید یک محاسبه ساده انجام دهیم. فرض کنید هر سال ۱۰۰۰ قطعه معیوب به دست مشتری می‌رسد. هر شکایت مشتری شامل هزینه‌های ارسال مجدد، تخریب برند و جریمه‌های احتمالی است. اگر هر مورد را ۵۰ دلار تخمین بزنیم، سالانه ۵۰,۰۰۰ دلار ضرر می‌کنید. در مقابل، هزینه پیاده‌سازی یک سیستم پایتونی (شامل سخت‌افزار و نرم‌افزار) شاید ۱۰,۰۰۰ دلار باشد. این یعنی سیستم شما در کمتر از ۳ ماه، هزینه خود را باز می‌کند و از آن پس، سود خالص برای شرکت خواهد بود.

جمع‌بندی نهایی: از کدنویسی تا انقلاب صنعتی

پیاده‌سازی سیستم کنترل کیفیت روی نوار نقاله با پایتون، در واقع پلی است بین دنیای دیجیتال و دنیای فیزیکی. ما یاد گرفتیم که چگونه با ترکیب OpenCV برای پردازش‌های سریع، یادگیری عمیق برای تشخیص‌های پیچیده و پروتکل‌های صنعتی برای کنترل سخت‌افزار، می‌توانیم سیستمی بسازیم که خستگی‌ناپذیر، دقیق و مقیاس‌پذیر باشد.

مسیر یادگیری این حوزه ممکن است در ابتدا دشوار به نظر برسد، اما با پیشروی در آن، متوجه می‌شوید که ترکیب "بینایی ماشین" و "اتوماسیون صنعتی" یکی از پرتقاضاترین مهارت‌های دهه جاری است. چه یک مهندس باشید که می‌خواهد خط تولیدش را هوشمند کند و چه یک برنامه‌نویس که به دنبال کاربردهای واقعی کدش است، این مسیر فرصت‌های رشد بی‌انتهای شماست.

البته، انتقال از یک کد نمونه در محیط توسعه به یک سیستم صنعتی پایدار که ۲۴ ساعته و بدون توقف کار کند، نیازمند تجربه در زمینه معماری سیستم‌ها و شناخت دقیق استانداردهای صنعتی است. اگر نمی‌خواهید زمان خود را در آزمون و خطاهای تکراری تلف کنید و به دنبال یک پیاده‌سازی حرفه‌ای، بهینه و مطابق با استانداردهای جهانی هستید، متخصصین ما آماده‌اند تا از مرحله تحلیل نیازها تا نصب نهایی در کنار شما باشند. برای دریافت مشاوره تخصصی و بررسی امکان‌سنجی پروژه خود، می‌توانید به راحتی از طریق بخش ارتباطات زیرساخت‌های هوشمند زیروکس با ما در تماس باشید تا بهترین استراتژی پیاده‌سازی را برای صنعت شما طراحی کنیم.

دنیای صنعت در حال تغییر است؛ یا با هوش مصنوعی پیش بروید، یا در رقابت با کسانی که پیش رفته‌اند، عقب بمانید.