خوارزمية ما ورائية للرؤية الآلية للتعرف الآلي على الأجسام تحت الماء باستخدام صور السونار الجانبي

1. المقدمة

يُشكّل الكشف عن الأجسام تحت الماء وتحديد هويتها تحديات كبيرة بسبب البيئة المعادية، وجودة الصور المنخفضة، والتكاليف التشغيلية المرتفعة للطرق التقليدية مثل الغوص أو المركبات التي تعمل عن بعد. أدى الانتشار الواسع للمركبات الذاتية تحت الماء المجهزة بسونار جانبي إلى تفاقم مشكلة فيض البيانات، مما خلق عنق زجاجة في مرحلة المعالجة اللاحقة. تقترح هذه الورقة خوارزمية ما ورائية جديدة مصممة للتعرف الآلي في الوقت الفعلي على الأجسام في صور السونار الجانبي. الهدف هو تحويل تدفقات البيانات الصوتية الخام إلى كتالوج جغرافي مرجعي للأجسام، مما يعزز الوعي الظرفي للتطبيقات في علم الآثار تحت الماء وإدارة النفايات البحرية (مثل استعادة معدات الصيد المفقودة).

2. الأعمال السابقة وبيان المشكلة

تشارك مناهج الرؤية الحاسوبية التقليدية للكشف عن الأجسام، مثل SIFT وSURF والشبكات العصبية التلافيفية الحديثة (AlexNet، VGG)، في قيد حرج: فهي تتطلب معرفة مسبقة واسعة وبيانات تدريبية للأجسام المستهدفة. وهذا يمثل عقبة كبرى في المجالات تحت الماء حيث:

• تتنوع الأجسام المستهدفة بشكل كبير ولا يمكن تصنيفها بسهولة (مثل حطام السفن، ومعدات الصيد المختلفة).
• الحصول على مجموعات بيانات كبيرة موسومة للتدريب صعب للغاية ومكلف.

تعالج الخوارزمية المقترحة هذه المشكلة بالتحول من نموذج التصنيف إلى نموذج كشف الشذوذ والتجميع، مما يلغي الحاجة إلى نماذج مسبقة للأجسام.

3. المنهجية: الخوارزمية الماورائية ذات الثلاث مراحل

التجديد الأساسي هو سير عمل مبسط يعالج بيانات السونار الخام ليحولها إلى معلومات قابلة للتنفيذ.

3.1 المرحلة الأولى: تركيب الصورة وتصحيحها

يتم معالجة بيانات السونار الجانبي الخام بصيغة XTF (من التدفقات المباشرة أو الملفات) لتركيب صور ثنائية الأبعاد. يتم تطبيق تعديلات هندسية (تصحيح المدى المائل) وإشعاعية (نمط الشعاع، تصحيح الكسب) لإنتاج صور مصححة وجاهزة للتحليل. تضمن هذه المرحلة تطبيع بيانات الإدخال، مما يقلل من التشوهات الخاصة بالمستشعر.

3.2 المرحلة الثانية: توليد سحابة نقاط الميزات

بدلاً من البحث عن أجسام كاملة، تكتشف الخوارزمية الميزات الدقيقة البصرية الأساسية (مثل الزوايا، والحواف، والبقع) باستخدام خوارزميات كشف الميزات ثنائية الأبعاد (مشابهة لكاشف زوايا هاريس أو FAST). الناتج هو سحابة نقاط حيث تمثل كل نقطة ميزة دقيقة مكتشفة. يُفترض أن الأجسام في الصورة هي تجمعات كثيفة لهذه الميزات وسط خلفية من الضوضاء.

3.3 المرحلة الثالثة: التجميع وتحديد منطقة الاهتمام

يتم معالجة سحابة نقاط الميزات باستخدام خوارزمية تجميع (مثل DBSCAN أو طريقة مخصصة قائمة على الكثافة). تحدد هذه الخوارزمية المناطق ذات الكثافة العالية للميزات، والتي تتوافق مع الأجسام المحتملة. يتم رفض نقاط الضوضاء (الميزات المتناثرة المعزولة). لكل مجموعة، يتم حساب النقط المركزية، مما يوفر منطقة اهتمام دقيقة ومرجعية جغرافيًا. الناتج النهائي هو كتالوج لهذه المناطق ذات الإحداثيات الجغرافية.

4. دراسات الحالة والتطبيقات

تتحقق الورقة من صحة الخوارزمية مع حالتين استخدام مختلفتين:

1. علم الآثار تحت الماء: الكشف عن حطام السفن غير المنتظم والمتجزئ حيث يكون إنشاء مجموعة تدريبية شاملة مستحيلاً.
2. استعادة معدات الصيد المفقودة: تحديد شباك الصيد والفخاخ والخيوط المفقودة أو المهملة ذات الأشكال والأحجام التي لا حصر لها في البيئات البحرية.

تسلط كلتا الحالتين الضوء على قوة الخوارزمية في التعامل مع مشاكل الكشف "ذات الذيل الطويل" حيث يكون تنوع الأجسام مرتفعًا والأمثلة نادرة.

5. التفاصيل التقنية والإطار الرياضي

مرحلة التجميع حاسمة رياضياً. لتكن $P = \{p_1, p_2, ..., p_n\}$ مجموعة نقاط الميزات في $\mathbb{R}^2$. تحدد خوارزمية تجميع قائمة على الكثافة مثل DBSCAN مجموعة بناءً على معلمتين:

• $\epsilon$: أقصى مسافة بين نقطتين لكي تعتبر إحداهما في جوار الأخرى.
• $MinPts$: الحد الأدنى لعدد النقاط المطلوبة لتشكيل منطقة كثيفة.

النقطة $p$ هي نقطة مركزية إذا كانت هناك على الأقل $MinPts$ نقاط ضمن مسافة $\epsilon$ منها. النقاط التي يمكن الوصول إليها من النقاط المركزية تشكل مجموعة. النقاط التي لا يمكن الوصول إليها من أي نقطة مركزية تُصنف على أنها ضوضاء. يتم حساب النقطة المركزية $C_k$ للمجموعة $k$ ذات النقاط $\{p_i\}$ كالتالي: $C_k = \left( \frac{1}{|k|} \sum_{p_i \in k} x_i, \frac{1}{|k|} \sum_{p_i \in k} y_i \right)$. هذه النقطة المركزية، عند تعيينها عبر بيانات ملاحة السونار، تنتج منطقة الاهتمام المرجعية جغرافيًا.

6. النتائج التجريبية والأداء

بينما لا يتضمن مقتطف PDF المقدم نتائج كمية محددة، فإن المنهجية الموصوفة تشير إلى مقاييس أداء رئيسية:

• معدل الكشف: قدرة الخوارزمية على تحديد الأجسام الحقيقية (حطام السفن، معدات الصيد) في مجموعات البيانات الاختبارية.
• معدل الإيجابيات الكاذبة: المعدل الذي تُصنف فيه ميزات قاع البحر الطبيعية (الصخور، تموجات الرمل) بشكل خاطئ على أنها أجسام. يتم ضبط معلمات التجميع ($\epsilon$, $MinPts$) لتقليل هذا المعدل.
• زمن التأخير في المعالجة: الوقت من استقبال نبضة السونار إلى إخراج كتالوج مناطق الاهتمام يجب أن يكون منخفضًا بما يكفي للاستخدام في الوقت الفعلي على مركبة ذاتية تحت الماء.
• المخرجات المرئية: يمكن تصور المخرجات النهائية كطبقة فوقية على صورة السونار الجانبي، حيث تبرز الصناديق المحيطة أو العلامات مناطق الاهتمام المكتشفة، مرتبطة بجدول للإحداثيات الجغرافية.

7. إطار التحليل: مثال عملي

السيناريو: تقوم مركبة ذاتية تحت الماء بمسح موقع حطام سفينة تاريخي. يعيد السونار صورة معقدة تحتوي على حطام ورواسب وتكوينات صخرية.

1. الإدخال: تدفق بيانات XTF الخام.
2. مخرجات المرحلة 1: صورة سونار مصححة ذات تدرج رمادي.
3. مخرجات المرحلة 2: رسم مبعثر فوق الصورة، يظهر آلاف نقاط الزوايا/الحواف المكتشفة. يظهر حقل الحطام سحابة أكثر كثافة بشكل ملحوظ من قاع البحر المحيط.
4. مخرجات المرحلة 3: الرسم المبعثر الآن ملون: تم تحديد عدة مجموعات متميزة وكثيفة (أحمر، أزرق، أخضر) كمناطق اهتمام، بينما النقاط المعزولة رمادية (ضوضاء). يخرج النظام: ROI-001: خط عرض 48.123، خط طول -68.456 | ROI-002: خط عرض 48.124، خط طول -68.455.
5. الإجراء: يراجع عالم الآثار الكتالوج ويُعطي الأولوية لـ ROI-001 لمزيد من التفتيش بواسطة مركبة تعمل عن بعد.

8. التطبيقات المستقبلية واتجاهات البحث

إطار الخوارزمية الماورائية ناضج للتوسع:

• دمج متعدد المستشعرات: دمج ميزات من قياس الأعماق بمقياس الصدى متعدد الحزم أو بيانات مقياس الأعماق تحت القاع لإنشاء سحب نقاط ميزات ثلاثية الأبعاد لتحسين توصيف الأجسام.
• نماذج الذكاء الاصطناعي الهجينة: استخدام الكشف غير الخاضع للإشراف لمناطق الاهتمام كـ "مرشح أولي"، ثم تطبيق شبكات عصبية تلافيفية خفيفة الوزن ومتخصصة لتصنيف *نوع* الجسم داخل كل منطقة اهتمام عالية الثقة (مثل "شبكة" مقابل "فخ").
• التجميع التكيفي: تنفيذ تعلم آلي مباشر لمعلمات التجميع للتكيف تلقائيًا مع أنواع قاع البحر المختلفة (الطين، الرمل، الصخور).
• منتجات بيانات موحدة: إخراج مناطق الاهتمام بصيغ نظم المعلومات الجغرافية القياسية (GeoJSON، KML) للدمج الفوري في البنى التحتية للبيانات المكانية البحرية.

9. المراجع

1. Lowe, D. G. (1999). Object recognition from local scale-invariant features. Proceedings of the Seventh IEEE International Conference on Computer Vision.
2. Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding.
3. Viola, P., & Jones, M. (2004). Robust Real-Time Face Detection. International Journal of Computer Vision.
4. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. KDD.
5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI. (كمثال على التجزئة المتقدمة ذات الصلة بتنقية مناطق الاهتمام).

10. منظور المحلل: الفكرة الأساسية والنقد