با گسترش روزافزون صنایع و حرکت جهان بهسوی تولید هوشمند، تلفیق فناوری اینترنت اشیا با رویکردهای یادگیری ماشینی و بهویژه شبکههای عصبی عمیق، موجی از تحول بنیادین در سیستمهای کنترل کیفیت صنعتی پدید آورده است. در صنایع مرتبط با تولید پروفیلهای آلومینیومی، کنترل کیفیت سطح پروفیل بهمنزلهی یکی از حیاتیترین مراحل تضمین کیفیت، نقش تعیینکنندهای در شناسایی، طبقهبندی و حذف قطعات معیوب دارد. به همین دلیل، هوشمندسازی این فرآیند، گامی ضروری در جهت افزایش بهرهوری و کاهش هزینههای تولید محسوب میشود. در سالهای اخیر، استفاده از الگوریتمهای بینایی ماشین و یادگیری عمیق، جایگزینی مؤثر برای روشهای سنتی و پرهزینهی بازرسی چشمی و سیستمهای مبتنی بر قوانین ثابت، شده است. این الگوریتمها با قابلیت تحلیل خودکار تصاویر و استخراج ویژگیهای دقیق از سطوح صنعتی، دقت و سرعت تصمیمگیری را بهشکل قابلتوجهی افزایش دادهاند. در میان این رویکردها، خانوادهی مدلهای YOLO بهدلیل عملکرد بلادرنگ، سادگی در پیادهسازی و توازن مناسب میان سرعت و دقت، به یکی از پرکاربردترین چهارچوبهای نرم افزاری در زمینهی تشخیص اشیا تبدیل شدهاند. با این حال، در کاربردهای خاصی همچون تشخیص نقوص سطح پروفیلهای آلومینیومی، چالشهایی نظیر اندازهی کوچک عیوب، شباهت بافتی میان مناطق سالم و معیوب، و پیچیدگی الگوهای نوری و بازتابی، موجب کاهش دقت شناسایی میگردد. ازاینرو، در این پژوهش با هدف بهبود فرآیند استخراج ویژگیها و افزایش دقت مدل در طبقهبندی نقوص، معماری YOLOv5 مورد بازطراحی و بهینهسازی قرار گرفته است. در این بازطراحی، ماژولهای محاسباتی اصلی تشکیلدهندهی ساختار درونی Backbone و Neck شبکه YOLOv5 با بهرهگیری از ماژولهای کارآمدتر و سبکتر مورد بهبود قرار گرفتهاند. در این راستا، با ادغام ماژول SENet در بخش Backbone، قابلیت مدل در استخراج ویژگیهای معنادار و تقویت کانالهای اطلاعاتی مهم افزایش یافته و منجر به بهبود بازنمایی ویژگیها شده است. همچنین، بهمنظور بهینهسازی مسیر انتقال ویژگیها و افزایش کارایی ادغام اطلاعات چندمقیاسی، از ساختار پیشنهادی PENeck بهعنوان جایگزینی بهینه در بخش Neck شبکه استفاده شده است. افزون بر این، با انجام تنظیم مجدد Anchor ها متناسب با ویژگیهای آماری دادههای نقوص سطح آلومینیوم، دقت مکانیابی و تشخیص اشیای هدف بهطور محسوسی بهبود یافته است. بهمنظور کاهش پدیدهی Overfitting و ارتقای توان تعمیمپذیری مدل، مجموعهای از تکنیکهای Data Augmentation شامل چرخش تصاویر، تغییر روشنایی و اعمال فیلترهای گاوسی بهکار گرفته شده است. نتایج تجربی نشان میدهد که معماری پیشنهادی، ضمن حفظ کارایی مناسب در زمان اجرا، توانسته است دقت تشخیص نقوص سطح را بهطور قابلتوجهی افزایش دهد و بستری قابلاعتماد برای پیادهسازی سیستمهای کنترل کیفیت خودکار در صنایع آلومینیوم فراهم سازد.
