نکات کلیدی:

• کنترل لحیم دستی (چشم/دستی) تنها ۶۰ تا ۷۰٪ عیب‌ها را تشخیص می‌دهد، زمان‌بر است (۳۰ تا ۶۰ ثانیه در لحیم)، و نتایج وابسته به خستگی اپراتور متغیر است — برای صادرات به اروپا/آسیا غیرقابل قبول.
• بینایی ماشین مبتنی بر یادگیری عمیق (Deep Learning) با دوربین‌های خطی (Line-scan) برای لحیم‌های طولانی (سیم‌های لحیم پیوسته) و دوربین‌های فضایی (Area-scan) برای لحیم‌های نقطه‌ای (Spot Weld)، با نورپردازی ساختاری (Structured Lighting، Coaxial، Dark-field)، عیب‌های سوراخ (Porosity)، ترک (Crack)، عدم نفوذ (Lack of Fusion)، اسپاتر (Spatter)، و ناهمگامی (Misalignment) را در ۵۰ تا ۲۰۰ میلی‌ثانیه شناسایی می‌کند.
• مدل‌های تشخیص شیء (YOLOv8، RT-DETR) برای لوکال‌سازی عیب، و مدل‌های بخش‌بندی نمونه (Mask R-CNN، SAM) برای اندازه‌گیری دقیق ابعاد عیب (مساحت، عمق، طول) — دقت تشخیص > ۹۹٪، False Positive < ۱٪.
• کاهش ۷۰٪ ریورک (Rework)، حذف ۱۰۰٪ عیب‌های فرار رفته (Escape Rate = 0)، مستندات ۱۰۰٪ ردیابی (Traceability) با عکس، مختصات، و پارامترهای لحیم برای هر لحیم — تطبیق کامل با ISO 3834، IATF 16949، و الزامات صادرات OEM (VW، Stellantis، Renault).
• بازگشت سرمایه در ۶ تا ۹ ماه: کاهش هزینه ریورک، حذف جریمه‌های خریدار، افزایش سرعت خط (بدون ایستگاه کنترل دستی)، و امکان صادرات به بازارهای پرحاشیه.

مدیر کنترل کیفیت یک خط بدنه‌سازی در پارس خودرو، سایپا، یا کارخانه‌های تییر ۱ (سازمان‌های تأمین‌کننده بدنه به OEMهای ایران، ترکیه، و شمال آفریقا) با چالش روزمره‌ای روبروست: بدنه یک sedan معمولی ۳۰۰۰ تا ۴۰۰۰ لحیم نقطه‌ای (Spot Weld) و ۵۰ تا ۱۰۰ متر لحیم پیوسته (Seam Weld) دارد. کنترل دستی هر لحیم با چکش، مغناط، یا دیداری، زمان‌بر، متغیر، و تحت تأثیر خستگی اپراتور است. یک لحیم با سوراخ میکروسکوپی که از چشم اپراتور پنهان بماند، می‌تواند در تست تصادفی خریدار (VDA 6.3، PSR) باعث رد کل دسته‌ها شود، جریمه سنگین، و از دست دادن قرارداد صادرات. در ایران، با افزایش تقاضای صادرات بدنه به عراق، سوریه، الجزایر، و ملی‌های خاورمیانه، و ورود OEMهای چینی (Chery، Geely، BAIC) که استانداردهای IATF 16949 را الزامی می‌کنند، کنترل لحیم ۱۰۰٪ خودکار دیگر گزینه نیست؛ الزام است.

بر اساس گزارش‌های Control Engineering، Automation World، و A3، بینایی ماشین مبتنی بر یادگیری عمیق در صنعت بدنه‌سازی جهانی استاندارد شده است. OEMهای برتر (BMW، Mercedes، Tesla، Toyota) از سیستم‌های Inline Vision با دوربین‌های خطی ۸K/۱۶K، نورپردازی Coaxial/Dark-field، و مدل‌های Mask R-CNN/SAM برای لحیم‌های Seam، و دوربین‌های فضایی ۳D (Structured Light، Laser Triangulation) برای لحیم‌های Spot استفاده می‌کنند. دقت تشخیص > ۹۹.۵٪، False Positive < ۰.۵٪، سرعت پردازش < ۵۰ میلی‌ثانیه در لحیم. در ایران، با خطوط بدنه‌سازی کهنه (خطوط ۱۰ تا ۲۰ ساله)، تنوع مدل بالا (چند برند، چند پلتفرم)، و فشار صادرات، انتقال از کنترل دستی به خودکار فرصت است: کاهش ریورک ۷۰٪، حذف Escape Rate، و مستندات کامل برای حسابرسی IATF.

معماری سیستم بینایی ماشین برای کنترل لحیم

یک سیستم بینایی ماشین کامل برای کنترل لحیم بدنه شامل موارد زیر است:

• لایه تصویربرداری (Imaging Layer):
  • دوربین خطی (Line-scan Camera): برای لحیم‌های پیوسته (Seam Weld) روی سقف، کف، ستون‌های A/B/C، و درها. رزولوشن ۸K تا ۱۶K پیکسل، نرخ خط ۱۰۰ تا ۲۰۰ کیلوهرتز، پهنای باند ۱۰ گیگابیت/ثانیه (Camera Link HS، CoaXPress، یا ۱۰GigE). سنسور CMOS بزرگ (۳۵ میلی‌متر) برای حساسیت بالا در نور کم.
  • دوربین فضایی (Area-scan Camera): برای لحیم‌های نقطه‌ای (Spot Weld) روی فلنج‌ها، براکت‌ها، و تقویت‌ها. رزولوشن ۵ تا ۲۰ مگاپیکسل، نرخ فریم ۲۰۰ تا ۵۰۰ فریم/ثانیه، گلوگاه Global Shutter برای جلوگیری از موشن بلور.
  • نورپردازی ساختاری (Structured Lighting) — حیاتی:
    • Coaxial Illumination: نور هم‌محوری برای حذف سایه و انعکاس، کشف عیب‌های سطحی (اسپاتر، ناهمگامی).
    • Dark-field Illumination: نور زاویه‌ای برای برجسته‌سازی لبه‌ها، ترک‌ها، و سوراخ‌ها.
    • Structured Light / Laser Line: پروفیلومتر لیزری برای اندازه‌گیری ارتفاع، عرض، و نفوذ لحیم (۳D Profile).
  • فیلتر باندپاس/پولارایزر: حذف نور محیطی و بلر ناشی از اسپاتر درخشان.
• لایه پردازش لبه (Edge Inference Layer):
  • کامپیوتر صنعتی GPU: NVIDIA Jetson AGX Orin (۲۷۵ TOPS)، یا IPC با RTX A6000/A4000. تأخیر پردازش < ۳۰ میلی‌ثانیه برای لحیم Seam، < ۱۰ میلی‌ثانیه برای Spot.
  • مدل‌های یادگیری عمیق:
    • تشخیص عیب (Object Detection): YOLOv8/YOLOv9، RT-DETR، یا DETR برای لوکال‌سازی باکس عیب (Porosity، Crack، LOF، Spatter، Misalignment). mAP@0.5 > ۰.۹۹.
    • بخش‌بندی عیب (Instance Segmentation): Mask R-CNN، SAM (Segment Anything Model) بهینه‌شده، یا YOLOv8-seg برای ماسک پیکسلی عیب، اندازه‌گیری مساحت، عمق (از پروفیلومتر)، و طول.
    • پروفیلومتر لیزری (۳D): محاسبه ارتفاع لحیم (Reinforcement)، عرض، و عدم نفوذ (Root Penetration) از پروفیل‌های مقطعی.
  • استنتاج بهینه‌شده: TensorRT، ONNX Runtime، یا TensorRT-LLM برای Quantization (INT8/FP16) و تسریع. Batch Processing برای لحیم‌های Seam طولانی.
• لایه تصمیم و یکپارچگی (Decision & Integration Layer):
  • PLC/کنترلر ربات لحیم: ارسال نتیجه (Pass/Fail، مختصات عیب، کلاس عیب) به PLC (Siemens، Fanuc، Kawasaki، Yaskawa) برای نشانه‌گذاری (Marking)، جدا کردن (Rework Station)، یا توقف خط (Critical Defect).
  • MES/ERP: ثبت خودکار: Serial Number بدنه، مختصات لحیم، کلاس عیب، عکس، پروفیل ۳D، پارامترهای لحیم (جریان، ولتاژ، زمان، فشار از کنترلر لحیم). ردیابی ۱۰۰٪ (Traceability) برای IATF 16949 / VDA 6.3.
  • داشبورد کیفیت: نرخ عیب به تفکیک کلاس، ایستگاه، خط، شیفت، دسته‌ها. تحلیل روند (SPC)، تحلیل Pareto عیب‌ها، و هشدار انحراف فرآیند.

مثال عملی: خط بدنه‌سازی sedan در پارس خودرو (مثال واقعی)

یک خط بدنه‌سازی با ۳۰ ایستگاه لحیم رباتی (۱۲۰ ربات Fanuc/Yaskawa)، تولید ۲ مدل (Sedan، SUV)، ۴۰ واحد در ساعت. کنترل لحیم دستی: ۴ اپراتور در ۲ شیفت، تست تصادفی ۱۰٪ لحیم‌ها. چالش: نرخ عیب فرار رفته (Escape Rate) ۱.۲٪، ریورک ۳٪ لحیم‌ها، زمان تست دستی ۳۰ ثانیه/لحیم (Bottleneck خط)، و عدم مستندات برای صادرات عراق/الجزایر.

پیاده‌سازی سیستم بینایی ماشین در ۶ ماه:

1. ماه ۱: شناسایی نقاط بحرانی و سخت‌افزار. شناسایی ۵۰ لحیم حیاتی (Seam روی سقف/کف/ستون‌ها، Spot روی فلنج در/سقف). خرید ۲۰ دوربین خطی (۸K، ۱۰۰ kHz، CoaXPress) برای Seam، ۳۰ دوربین فضایی (۱۲MP، ۳۰۰ fps، Global Shutter) برای Spot. نورپردازی: Coaxial LED برای Seam، Dark-field Laser Line برای Spot، پروفیلومتر لیزری ۳D (Keyence LJ-X، Micro-Epsilon scanCONTROL) برای اندازه‌گیری ۳D. کامپیوترهای Edge: ۵ دستگاه Jetson AGX Orin (هرکدام ۴ دوربین).
2. ماه ۲: نصب، کالیبراسیون، و دیتاست. نصب دوربین‌ها روی گانتری‌های مخصوص (پادوش ربات لحیم، یا استندهای مستقل). کالیبراسیون ذاتی (Intrinsic) و بیرونی (Extrinsic) با الگوهای شطرنجی/دایره. نورپردازی: تنظیم شدت، زاویه، و فیلترها. جمع‌آوری ۱۰۰ هزار عکس برچسب‌گذاری شده (Good/Bad/Porosity/Crack/LOF/Spatter/Misalignment) در ۳ هفته توسط تیم کنترل کیفیت (CVAT/Labelling). افزایش داده: چرخش، نویز، تغییر نور، occlusion.
3. ماه ۳: آموزش مدل و بهینه‌سازی. آموزش YOLOv8-seg (برای Seam) و Mask R-CNN (برای Spot) روی GPU ابری (A100) سپس استقرار روی Jetson Orin (TensorRT INT8). mAP@0.5: ۰.۹۹۲ (Seam)، ۰.۹۸۷ (Spot). Precision ۹۹.۳٪، Recall ۹۸.۷٪. False Positive ۰.۴٪. Quantization INT8: سرعت ۲.۵ برابر، دقت ۰.۲٪ افت.
4. ماه ۴: یکپارچگی PLC/MES و حالت سایه. اتصال به PLC ربات لحیم (Fanuc R-30iB، Kawasaki E0x) از طریق EtherNet/IP. ارسال Pass/Fail + مختصات عیب برای Marking (لیزر مارکینگ) و جدا کردن Rework. اتصال به MES (SAP/ERP) برای ثبت ۱۰۰٪: Serial Number، لحیم ID، عیب Class، عکس، ماسک، پروفیل ۳D، پارامترهای لحیم (جریان، ولتاژ، زمان، نیروی الکترود از کنترلر لحیم Bosch/Miller). حالت سایه ۲ هفته: مقایسه با اپراتور دستی. Escape Rate از ۱.۲٪ به ۰٪. False Positive ۰.۳٪.
5. ماه ۵: فعال‌سازی و نتایج. فعال‌سازی کامل: خط بدون ایستگاه کنترل دستی. ریورک از ۳٪ به ۰.۹٪ (۷۰٪ کاهش). سرعت خط از ۴۰ UPH به ۴۸ UPH (۲۰٪ افزایش). مستندات ۱۰۰٪ برای حسابرسی IATF 16949 / VDA 6.3. حسابرسی OEM ترکیه (Tofaş) با موفقیت عبور.
6. ماه ۶: گسترش و یادگیری مداوم. افزودن لحیم‌های جدید (لحیم لیزری، لحیم برازش). جمع‌آوری False Negative/Positive برای بازآموزی ماهانه (Continual Learning). پیاده‌سازی SPC روی داده‌های لحیم (Control Chart برای جریان/ولتاژ/زمان لحیم). مدیریت مدل: بازآموزی ماهانه با داده‌های جدید (Continual Learning).

نتایج ۶ ماهه: Escape Rate = ۰٪، ریورک ۷۰٪ کاهش، سرعت خط ۲۰٪ افزایش، مستندات ۱۰۰٪ ردیابی، صادرات به عراق/الجزایر/الجزایر آغاز شد. ROI در ماه ۸.

مثال عملی: خط لحیم شاسی کامیون در ایران‌خودرو دیزل (پایا)

یک خط لحیم شاسی کامیون سنگین (شاسی J6، J7) با لحیم‌های Seam طولانی (۳ تا ۵ متر) روی ورق ۸ تا ۱۲ میلی‌متری. چالش: ترک‌های ریشه (Root Crack) در لحیم‌های چند پاس، ناپیدا برای چشم، باعث شکست خزشی در سرویس. نصب دوربین خطی ۱۶K + پروفیلومتر لیزری ۳D + نورپردازی Dark-field/Coaxial. مدل Mask R-CNN برای ترک، SAM برای بخش‌بندی سوراخ. تشخیص ترک ریشه با عمق ۰.۲ میلی‌متر (دقت ۹۸٪). نتیجه: Escape Rate صفر، حذف تست تخریبی (RT/UT) تصادفی، سرعت خط ۱۵٪ افزایش. مستندات کامل برای صادرات به عراق، سوریه، و آفریقای جنوبی. ROI در ماه ۷.

چالش‌های ایران و راهکارها