بینایی ماشین صنعتی چیست؟ راهنمای هوشمندسازی خط تولید

تصور کنید در یک خط تولید، دوربینی صنعتی هر محصول را در کسری از ثانیه می‌بیند، عیب‌های مهم را تشخیص می‌دهد و نتیجه را به دستگاه یا اپراتور اعلام می‌کند. این همان کاری است که بینایی ماشین صنعتی انجام می‌دهد: تبدیل تصویر محصول، قطعه یا فرایند تولید به یک تصمیم قابل اجرا.

برای مدیر کارخانه، بینایی ماشین فقط خرید یک دوربین نیست. این فناوری باید مسئله‌ای مشخص را حل کند؛ مثلاً جلوگیری از خروج محصول معیوب، کنترل کامل بودن مونتاژ، خواندن کد، شمارش محصول یا هدایت ربات. در این راهنما می‌بینید که سیستم بینایی ماشین چگونه کار می‌کند، چه اجزایی دارد و چه زمانی اجرای آن برای خط تولید شما منطقی است.

بینایی ماشین صنعتی به زبان ساده

بینایی ماشین صنعتی سامانه‌ای است که با دوربین، نورپردازی، نرم‌افزار و تجهیزات ارتباطی، از محصول یا محیط تولید تصویر می‌گیرد و بر اساس معیارهای تعیین‌شده تصمیم می‌سازد. این تصمیم می‌تواند «قبول»، «رد»، «توقف خط»، «ارسال هشدار» یا ثبت داده در سیستم کارخانه باشد.

به بیان ساده، دوربین چشم سیستم است؛ اما به‌تنهایی هوشمند نیست. نور مناسب باعث می‌شود جزئیات دیده شوند، نرم‌افزار تصویر را تحلیل می‌کند و ارتباط با PLC یا تجهیزات خط، نتیجه را به عمل تبدیل می‌کند. به همین دلیل موفقیت پروژه فقط به مدل دوربین وابسته نیست.

بینایی ماشین چه مشکلی را حل می‌کند؟

خطوط تولید معمولاً با سه چالش روبه‌رو هستند: کنترل یکنواخت کیفیت، سرعت بالای تولید و ثبت‌نشدن دقیق خطاها. بازرسی انسانی در بسیاری از موقعیت‌ها ضروری است، اما در کارهای تکراری، پرسرعت یا نیازمند دقت ثابت، احتمال خستگی و تفاوت در قضاوت وجود دارد.

بینایی ماشین برای جایگزین‌کردن بی‌هدف نیروی انسانی طراحی نمی‌شود. هدف آن این است که کنترل‌های تکراری و قابل تعریف، سریع‌تر و قابل‌اندازه‌گیری انجام شوند تا افراد متخصص روی تصمیم‌های پیچیده‌تر تمرکز کنند. نتیجه مورد انتظار، کاهش ضایعات، شناسایی سریع‌تر خطا و داده بهتر برای مدیریت تولید است.

تفاوت بینایی ماشین با پردازش تصویر

پردازش تصویر یعنی انجام عملیات فنی روی عکس یا ویدئو؛ مانند تغییر نور، تشخیص لبه یا جداسازی رنگ‌ها. بینایی ماشین یک مرحله جلوتر می‌رود: از این پردازش‌ها استفاده می‌کند تا درباره محصول یا فرایند تصمیم بگیرد.

برای نمونه، پیدا کردن لبه یک بطری بخشی از پردازش تصویر است. تشخیص اینکه درِ بطری درست بسته شده یا نه و ارسال فرمان رد محصول به خط، یک کاربرد بینایی ماشین است. برای آشنایی دقیق‌تر با کاربردها، مقاله کاربرد بینایی ماشین در صنعت را ببینید.

اجزای اصلی یک سیستم بینایی ماشین

هر پروژه جزئیات خاص خود را دارد، اما بیشتر سامانه‌های موفق از چند جزء اصلی ساخته می‌شوند. انتخاب درست این اجزا باید پس از شناخت محصول، سرعت خط، نوع عیب و محیط کارخانه انجام شود.

دوربین صنعتی

دوربین صنعتی تصویر را با سرعت، رزولوشن و پایداری مناسب ثبت می‌کند. در انتخاب آن باید به اندازه کوچک‌ترین عیب، میدان دید، سرعت عبور محصول، نوع شاتر و شرایط محیطی توجه شود. دوربین گران‌تر لزوماً نتیجه بهتری نمی‌دهد؛ دوربینی مناسب است که نیاز پروژه را با حاشیه اطمینان منطقی پوشش دهد.

لنز و فاصله نصب

لنز تعیین می‌کند دوربین چه بخشی از صحنه را ببیند و جزئیات با چه اندازه‌ای ثبت شوند. فاصله نامناسب، اعوجاج، لرزش یا عمق میدان کم می‌تواند دقت سامانه را کاهش دهد. پیش از خرید، باید محل نصب، ارتفاع، فضای فیزیکی و امکان محافظت از تجهیزات بررسی شود.

نورپردازی صنعتی

نورپردازی در بسیاری از پروژه‌ها مهم‌تر از خود دوربین است. نور مناسب می‌تواند ترک، خراش، چاپ ناقص یا اختلاف رنگ را آشکار کند؛ درحالی‌که نور نامناسب همان عیب را پنهان می‌کند. نور باید پایدار، هماهنگ با سرعت خط و متناسب با جنس سطح محصول باشد.

پردازش، نرم‌افزار و ارتباط با خط

واحد پردازش تصویر را تحلیل می‌کند و نرم‌افزار با قوانین تعریف‌شده یا مدل هوش مصنوعی، نتیجه را تعیین می‌کند. سپس خروجی از طریق PLC، رله، شبکه صنعتی یا سامانه مدیریتی به خط می‌رسد. شرح فنی‌تر اجزا در مقاله اجزای سیستم بینایی ماشین آمده است.

سیستم بینایی ماشین چگونه کار می‌کند؟

فرایند معمول با تعریف یک معیار روشن شروع می‌شود. مثلاً «محصولی که لیبل آن کج است»، «قطعه‌ای که سوراخ آن وجود ندارد» یا «بسته‌ای که کد آن خوانده نمی‌شود» باید با نمونه و شرایط قابل سنجش مشخص شود.

سپس دوربین در لحظه مناسب تصویر می‌گیرد؛ نورپردازی جزئیات مورد نیاز را برجسته می‌کند؛ نرم‌افزار ویژگی‌های تصویر را می‌سنجد و نتیجه به کنترل‌کننده خط می‌رسد. در پایان، محصول تأیید یا جدا می‌شود، هشدار ثبت می‌گردد یا دستگاه متوقف می‌شود. ثبت دلیل رد شدن محصول، بخش مهمی از ارزش مدیریتی سامانه است.

کاربردهای بینایی ماشین در خط تولید

کاربرد بینایی ماشین به صنعت خاص محدود نیست. هرجا محصول یا فرایندی وجود دارد که بتوان آن را «دید»، معیار پذیرش آن را تعریف کرد و واکنش عملی انجام داد، امکان استفاده از این فناوری مطرح است.

• کنترل عیوب ظاهری: تشخیص خراش، ترک، شکستگی، آلودگی یا تغییر رنگ.
• کنترل ابعادی: سنجش طول، قطر، فاصله یا موقعیت، بدون تماس فیزیکی.
• کنترل مونتاژ: بررسی حضور قطعات، جهت نصب و کامل‌بودن محصول.
• بازرسی چاپ و لیبل: کنترل کیفیت چاپ، جایگاه لیبل، OCR، OCV، بارکد و دیتاماتریکس.
• شمارش و سورتینگ: شمارش محصول و تفکیک آن بر اساس ظاهر، اندازه یا درجه کیفی.
• هدایت ربات: شناسایی موقعیت و جهت قطعه برای برداشتن، جابه‌جایی یا مونتاژ توسط ربات.

برای مقایسه مثال‌های صنعتی و انتخاب کاربرد مناسب، صفحه کاربرد بینایی ماشین در صنعت را مطالعه کنید.

کنترل کیفیت با بینایی ماشین

کنترل کیفیت تصویری زمانی ارزشمند است که معیارها به‌صورت شفاف تعریف شوند. سامانه باید بداند چه چیزی محصول سالم و چه چیزی محصول معیوب است. اگر تعریف عیب مبهم باشد، حتی پیشرفته‌ترین الگوریتم هم نتیجه قابل اعتماد تولید نمی‌کند.

مثلاً در خط بسته‌بندی مواد غذایی، معیار می‌تواند وجود درب، سالم بودن پلمب، خوانایی تاریخ تولید و قرارگیری درست لیبل باشد. در قطعه‌سازی، معیار ممکن است وجود یک سوراخ، زاویه درست مونتاژ یا نبودن خراش در سطح قطعه باشد. مقاله کنترل کیفیت با بینایی ماشین جزئیات این مسیر را توضیح می‌دهد.

بینایی ماشین در صنایع مختلف

صنایع غذایی می‌توانند سلامت بسته‌بندی، رنگ محصول، سطح پرشدن و چاپ اطلاعات را کنترل کنند. صنایع دارویی معمولاً روی خوانایی کد، کامل بودن بسته و کنترل ظاهر محصول حساس‌اند. در خودرو و قطعه‌سازی، کنترل مونتاژ، اندازه‌گیری و تشخیص عیوب سطحی اهمیت بالایی دارد.

فولاد، پلاستیک، کاشی، شیشه، نساجی، کابل، چوب و لوازم خانگی نیز هرکدام مسئله‌های بصری خاصی دارند. نکته کلیدی این است که راهکار نباید با نام صنعت انتخاب شود؛ باید بر پایه مشخصات محصول، سرعت، عیب هدف، محیط و خروجی مورد نیاز طراحی شود.

نقش هوش مصنوعی در بینایی ماشین

همه پروژه‌ها به هوش مصنوعی نیاز ندارند. اگر محصول شکل ثابت، نور کنترل‌شده و معیار مشخص دارد، روش‌های قاعده‌محور ممکن است سریع‌تر، ساده‌تر و اقتصادی‌تر باشند. استفاده از هوش مصنوعی زمانی مفید است که تنوع ظاهری، پیچیدگی عیب یا تعداد حالت‌های قابل بررسی زیاد باشد.

در پروژه‌های مبتنی بر یادگیری عمیق، نمونه‌های سالم و معیوب باید با کیفیت مناسب جمع‌آوری و برچسب‌گذاری شوند. مدل پس از آموزش باید با محصولات جدید و شرایط واقعی خط آزمایش شود. تصمیم درست معمولاً ترکیبی از مهندسی نور، مکانیک، پردازش کلاسیک و هوش مصنوعی است؛ نه صرفاً نصب یک مدل آماده.

اتصال بینایی ماشین به تجهیزات کارخانه

یک سامانه بینایی ماشین وقتی مفید است که نتیجه آن به جریان کار کارخانه وصل شود. خروجی می‌تواند فرمان رد محصول به جک پنوماتیک، توقف دستگاه، هشدار به اپراتور، ثبت آمار در داشبورد یا ارسال داده به PLC و SCADA باشد.

پیش از طراحی، باید مشخص شود زمان مجاز برای تصمیم‌گیری چقدر است، خطا چه واکنشی می‌خواهد و در صورت قطع ارتباط چه حالت ایمنی لازم است. همچنین بهتر است داده‌های رد شدن محصول، زمان وقوع و نوع خطا ذخیره شوند تا برای بهبود کیفیت و نگهداری خط قابل استفاده باشند.

مزایای بینایی ماشین برای مدیر کارخانه

مزیت اصلی، امکان مشاهده یکنواخت و قابل اندازه‌گیری است. سیستم می‌تواند در شیفت‌های مختلف با یک معیار مشخص کار کند و از نتیجه بازرسی داده بسازد. این داده به مدیر کمک می‌کند منبع خطا، روند ضایعات و نقاط نیازمند اصلاح را شناسایی کند.

البته صرف خرید تجهیز، مزیت ایجاد نمی‌کند. مزیت واقعی زمانی شکل می‌گیرد که شاخص موفقیت از ابتدا تعیین شود؛ مثلاً کاهش نرخ محصول معیوب خارج‌شده از خط، کم‌شدن ضایعات، افزایش دقت کنترل یا کاهش زمان توقف. اگر معیار مشخص نباشد، سنجش بازگشت سرمایه نیز دشوار می‌شود.

هزینه سیستم بینایی ماشین چگونه تعیین می‌شود؟

هزینه پروژه به تعداد ایستگاه‌های بازرسی، سرعت خط، دقت مورد نیاز، نوع دوربین و لنز، نورپردازی، تجهیزات مکانیکی، نرم‌افزار، اتصال به خط و آزمون‌های لازم بستگی دارد. به همین دلیل اعلام یک قیمت ثابت، بدون شناخت مسئله، قابل اتکا نیست.

برای محاسبه بازگشت سرمایه، هزینه کل پروژه را در کنار هزینه ضایعات، دوباره‌کاری، مرجوعی، توقف خط، نیروی بازرسی و ریسک عبور محصول معیوب قرار دهید. مقاله هزینه سیستم بینایی ماشین و بازگشت سرمایه آن چارچوب این ارزیابی را ارائه می‌کند.

مراحل اجرای پروژه بینایی ماشین

پروژه موفق با «تعریف مسئله» شروع می‌شود، نه با انتخاب برند دوربین. ابتدا باید مشخص شود چه محصولی، با چه سرعتی، در چه محیطی و با چه تعریف عیبی بررسی می‌شود. سپس نمونه‌های سالم و معیوب، محدودیت‌های مکانیکی، فضای نصب و رابط مورد نیاز با خط ثبت می‌شوند.

مرحله بعد، امکان‌سنجی است: آیا عیب مورد نظر با تصویر قابل مشاهده است؟ آیا نور مناسب می‌تواند تفاوت عیب و محصول سالم را آشکار کند؟ آیا زمان تصمیم با سرعت خط سازگار است؟ بعد از تأیید این موارد، نمونه اولیه، طراحی نهایی، نصب، آزمون پذیرش و آموزش اپراتور انجام می‌شود. برای شناخت این مرحله، مقاله تست امکان‌سنجی پروژه‌های بینایی ماشین و رباتیک را بخوانید.

پیش از سفارش، چه اطلاعاتی آماده کنیم؟

هرچه اطلاعات ورودی کامل‌تر باشد، برآورد فنی و زمان اجرای پروژه دقیق‌تر می‌شود. عکس و ویدئوی واقعی خط، ابعاد محصول، تعداد محصول در دقیقه، نمونه سالم و معیوب، محل نصب، نور محیط، نوع خروجی مورد نیاز و نمونه خطاهای فعلی، اطلاعات بسیار ارزشمندی هستند.

همچنین مشخص کنید اگر محصول معیوب تشخیص داده شد چه اتفاقی باید بیفتد. آیا فقط هشدار داده شود؟ آیا محصول جدا شود؟ آیا خط متوقف شود؟ پاسخ این پرسش‌ها روی طراحی نرم‌افزار، ارتباطات و هزینه نهایی اثر می‌گذارد.

خطاهای رایج هنگام راه‌اندازی

اولین خطای رایج، انتخاب دوربین پیش از تعریف مسئله است. خطای دوم، نادیده گرفتن نورپردازی و شرایط واقعی محیط مانند لرزش، گردوغبار، بخار یا تغییر نور است. خطای سوم، سنجش دقت فقط با چند نمونه محدود و نه با محصولات واقعی شیفت‌های مختلف است.

برای جلوگیری از این مشکلات، باید آزمون پذیرش مکتوب داشته باشید. در این آزمون، نوع خطا، نرخ تشخیص مورد انتظار، نرخ هشدار اشتباه، سرعت خط، زمان پاسخ و وضعیت‌های توقف یا قطع ارتباط مشخص می‌شوند. این توافق، هم برای کارخانه و هم برای مجری پروژه شفافیت ایجاد می‌کند.

بینایی ماشین و هوشمندسازی خط تولید

بینایی ماشین یکی از پایه‌های هوشمندسازی است، زیرا به خط تولید «قدرت مشاهده» می‌دهد. وقتی نتیجه بازرسی به PLC، سامانه مانیتورینگ یا داشبورد مدیریتی وصل شود، داده تصویری به تصمیم تولید تبدیل می‌شود. به‌تدریج می‌توان الگوهای خطا را پیدا کرد و اقدام‌های اصلاحی را دقیق‌تر انجام داد.

برای دیدن نقشه کامل‌تر این مسیر، مقاله هوشمندسازی خطوط تولید با بینایی ماشین را مطالعه کنید. هوشمندسازی یک مسیر مرحله‌ای است و معمولاً بهتر است از پرهزینه‌ترین یا بحرانی‌ترین نقطه کنترل کیفیت شروع شود.

چگونه دقت سامانه را بسنجیم؟

«دقت» یک عدد واحد و مستقل از شرایط نیست. ممکن است سامانه در تشخیص یک نوع خراش عملکرد بسیار خوبی داشته باشد، اما در تشخیص تغییر رنگ ظریف یا محصولی که با سرعت بالاتر حرکت می‌کند، نیاز به تنظیم دوباره داشته باشد. بنابراین باید پیش از بهره‌برداری، معیار سنجش و نمونه آزمون مشخص شود.

چهار شاخص عملی برای ارزیابی وجود دارد: درصد عیب‌های واقعی که پیدا شده‌اند، درصد محصولات سالمی که اشتباه رد شده‌اند، زمان پاسخ از لحظه تصویربرداری تا فرمان خروجی، و پایداری عملکرد در شیفت‌ها یا شرایط نوری مختلف. این شاخص‌ها باید با نمونه‌های واقعی و در سرعت واقعی خط سنجیده شوند، نه فقط روی چند تصویر منتخب.

برای مثال، اگر هدف جلوگیری از عبور درِ ناقص بطری است، نمونه‌های سالم، معیوب و مرزی باید از تولید واقعی جمع‌آوری شوند. سپس کارخانه و مجری پروژه توافق می‌کنند که چه سطحی از تشخیص و چه تعداد هشدار اشتباه برای فرایند قابل قبول است. این روش مانع می‌شود که پس از نصب، انتظارهای مبهم یا اختلاف در تعریف «دقت کافی» ایجاد شود.

چه زمانی به بینایی دو بعدی یا سه بعدی نیاز داریم؟

بسیاری از مسئله‌های رایج با یک تصویر دوبعدی حل می‌شوند: خواندن بارکد، کنترل لیبل، تشخیص درب بطری، بررسی چاپ، شمارش و یافتن عیب سطحی. در این حالت معمولاً دوربین، لنز و نورپردازی مناسب می‌توانند اطلاعات لازم را فراهم کنند.

وقتی عمق، ارتفاع، حجم، فرورفتگی، تاب‌برداشتن قطعه یا موقعیت نامنظم آن اهمیت دارد، راهکار سه‌بعدی مطرح می‌شود. اسکن سه‌بعدی یا دوربین عمق‌سنج می‌تواند برای کنترل ابعادی پیچیده، اندازه‌گیری سطح یا هدایت ربات در برداشتن قطعات نامنظم مفید باشد.

انتخاب سه‌بعدی نباید صرفاً به‌دلیل پیشرفته‌تر بودن فناوری انجام شود. این راهکار معمولاً طراحی، کالیبراسیون و پردازش پیچیده‌تری دارد. اگر نیاز واقعی با روش دوبعدی حل می‌شود، راهکار ساده‌تر اغلب سریع‌تر اجرا می‌شود و نگهداری آسان‌تری خواهد داشت. امکان‌سنجی به شما نشان می‌دهد کدام روش واقعاً داده مورد نیاز را تولید می‌کند.

نگهداری سامانه پس از راه‌اندازی

سیستم بینایی ماشین یک تجهیز ثابت و بدون نیاز به مراقبت نیست. گردوغبار، روغن، بخار، لرزش، تغییر جایگاه دوربین، کثیف‌شدن محافظ لنز و تغییر نور محیط می‌توانند کیفیت تصویر را تغییر دهند. حتی تغییر ظاهری محصول، لیبل یا بسته‌بندی ممکن است به بازبینی تنظیمات یا داده‌های مدل نیاز داشته باشد.

برای بهره‌برداری پایدار، یک برنامه ساده نگهداری داشته باشید: تمیزکردن ایمن لنز و نور، بازدید مکانیکی پایه دوربین، ثبت تغییرات محصول و بسته‌بندی، بررسی فضای ذخیره‌سازی تصاویر و آزمون دوره‌ای با نمونه مرجع. در سامانه‌های مجهز به هوش مصنوعی، نمونه‌های خطاهای تازه نیز باید برای ارزیابی یا آموزش مجدد نگهداری شوند.

مسئولیت‌ها باید روشن باشند. اپراتور باید بداند هشدار چه معنایی دارد و در صورت بروز خطا چه کاری انجام دهد؛ مسئول فنی باید به گزارش‌ها و سلامت تجهیزات دسترسی داشته باشد؛ و مسیر پشتیبانی برای رخدادهای پیچیده تعیین شود. این نظم بهره‌برداری، ارزش پروژه را در بلندمدت حفظ می‌کند.

از کدام ایستگاه خط تولید شروع کنیم؟

بهترین نقطه شروع، لزوماً اولین ایستگاه خط یا پیچیده‌ترین مسئله نیست. نقطه‌ای را انتخاب کنید که هم اثر اقتصادی قابل توجهی دارد و هم امکان‌سنجی آن روشن‌تر است. محصول معیوبی که هزینه مرجوعی، دوباره‌کاری یا توقف خط ایجاد می‌کند، معمولاً اولویت بالاتری دارد.

برای انتخاب، پنج پرسش ساده مطرح کنید: خطا چند بار رخ می‌دهد؟ هزینه هر خطا چقدر است؟ آیا عیب در تصویر قابل مشاهده است؟ آیا بعد از تشخیص، امکان اقدام عملی وجود دارد؟ و آیا فضای نصب و اتصال به خط مهیاست؟ پاسخ این پرسش‌ها کمک می‌کند پروژه اول کوچک، قابل سنجش و موفق باشد.

پس از موفقیت در یک ایستگاه، تجربه فنی و داده‌های واقعی آن می‌تواند برای توسعه به مراحل دیگر تولید استفاده شود. این رویکرد مرحله‌ای، ریسک تصمیم را پایین می‌آورد و باعث می‌شود هوشمندسازی به‌جای یک خرید مقطعی، به یک مسیر بهبود مستمر تبدیل شود.

پرسش‌های متداول درباره بینایی ماشین

آیا بینایی ماشین برای هر کارخانه مناسب است؟

اگر مسئله‌ای قابل مشاهده و معیار قابل تعریف داشته باشید، احتمالاً می‌توان برای آن راهکار بررسی کرد. مناسب‌بودن نهایی به امکان‌سنجی فنی، سرعت خط، محیط و توجیه اقتصادی بستگی دارد.

آیا برای هر پروژه به هوش مصنوعی نیاز است؟

خیر. بسیاری از مسئله‌های ثابت با نورپردازی مناسب و الگوریتم‌های ساده‌تر قابل حل هستند. هوش مصنوعی برای عیب‌های پیچیده یا تنوع بالای محصول می‌تواند انتخاب مناسبی باشد.

دقت سیستم بینایی ماشین چقدر است؟

دقت به نوع عیب، نمونه‌ها، نور، کیفیت تصویر، سرعت خط و معیار آزمون بستگی دارد. به‌جای وعده یک عدد کلی، باید دقت روی نمونه‌ها و شرایط واقعی همان پروژه سنجیده شود.

اجرای پروژه چقدر زمان می‌برد؟

زمان اجرا به پیچیدگی مسئله و نیاز به نمونه‌سازی، مکانیک، نرم‌افزار و یکپارچه‌سازی خط بستگی دارد. امکان‌سنجی نخستین گام برای برآورد زمان واقع‌بینانه است.

برای شروع از کجا اقدام کنیم؟

توضیح کوتاهی از مسئله، عکس یا ویدئو، نمونه سالم و معیوب و سرعت خط را آماده کنید. سپس از طریق صفحه تماس با رویتگر درخواست مشاوره و بررسی امکان اجرای پروژه را ثبت کنید.

جمع‌بندی: از مسئله واقعی شروع کنید

بینایی ماشین صنعتی زمانی بیشترین ارزش را ایجاد می‌کند که به یک مسئله واقعی خط تولید متصل باشد: عیبی که هزینه می‌سازد، کنترلی که سرعت خط را محدود کرده یا داده‌ای که مدیر برای تصمیم بهتر به آن نیاز دارد. دوربین، نور، نرم‌افزار و ارتباط با تجهیزات باید در کنار هم طراحی شوند.

اگر می‌خواهید کنترل کیفیت یا بخشی از خط تولید را هوشمند کنید، ابتدا مسئله و داده‌های واقعی آن را مشخص کنید. رویتگر می‌تواند مسیر بررسی، امکان‌سنجی، طراحی و اجرای راهکار را از طریق خدمات بازرسی صنعتی و راهکارهای هوشمند و صفحه تماس با ما آغاز کند.