مجموعة صور تحت الماء لتجزئة أسماك فردية مع مراعاة الاعتراض

لماذا يعد عد الأسماك تحت الماء أمراً صعباً

تتحول مزارع الأسماك إلى عمليات ذات تقنية عالية، حيث تراقب الكاميرات والخوارزميات بهدوء آلاف الحيوانات. ومع ذلك، فإن مهمة تبدو أساسية بشكل مدهش — تمييز سمكة عن أخرى في حوض مكتظ — تتضح أنها صعبة للغاية. تسبح الأسماك فوق بعضها وتحت بعضها، تحجب رؤيتها عن الكاميرا، وتظهر أجزاء منها فقط عند حافة الصورة. يقدم هذا البحث مجموعة صور تحت الماء جديدة، اسمها مجموعة اعتراض الأسماك (FOD)، صُممت لمساعدة الحواسيب على تمييز الأسماك الفردية حتى عندما تكون مخفية جزئياً. وتعد هذه القدرة أساسية لأتمتة التغذية، وفحوصات الصحة، وتقدير المخزون في تربية الأحياء المائية الحديثة.

مكتبة صور جديدة لأحواض الأسماك المزدحمة

جوهر هذا العمل هو مجموعة كبيرة ومنسقة بعناية من صور تحت الماء لسمك الكراوسين (crucian carp)، وهو سمك مزرعي شائع. سجّل الباحثون 66 سمكة في حوض باستخدام كاميرا متخصصة تحت الماء مثبتة فوق السطح، ثم استخرجوا إطارات ثابتة من مقاطع الفيديو. بعد إزالة الصور المتشابهة جداً، انتهوا بأكثر من ألف صورة لسمكة واحدة ومئات المشاهد التي تحتوي على أسماك متعددة. تم تحديد كل سمكة مرئية يدوياً على مستوى وحدات البكسل، مما يتيح للحواسيب الوصول إلى أشكال دقيقة بدلاً من مربعات تقريبية. تحتوي FOD إجمالاً على 14,376 صورة و144,894 سمكة معنونة بدقة متناهية، مما يجعلها من بين أكثر الموارد العامة تفصيلاً من نوعها.

تعليم الحواسيب رؤية ما وراء التداخل

لاختبار مدى تعامل الخوارزميات مع الاكتظاظ فعلياً، احتاج الفريق إلى أمثلة كثيرة حيث تتداخل الأسماك. رسم الخطوط التفصيلية في مثل هذه المشاهد يستغرق وقتاً طويلاً للغاية، فاتباعوا اختصاراً ذكياً. أولاً، أنشأوا أقنعة عالية الجودة لكل سمكة على حدة. ثم قطعوا تلك الأسماك رقمياً ولصقوها على صور خلفية بترتيبات جديدة. من خلال تدوير الأسماك وتغيير قياسها وتحريكها، وعبر تحديد مقدار التغطية المتبادل بينها، أنشأوا 13,000 صورة تركيبية تحتوي على أسراب كثيفة وواقعية وتداخل مضبوط. يحافظ الدمج السلس على الحواف على مظهر طبيعي لهذه التراكيب. تمزج المجموعة النهائية بين المشاهد الأصلية والتركيبية، مما يوفر تنوعاً وواقعية في آن واحد.

تقييم مدى إخفاء كل سمكة

ليس كل اعتراض متساوياً: السمكة التي تظهر بالكامل أسهل بكثير في التعرف عليها من تلك التي تظهر كقطع متناثرة. لالتقاط هذا البُعد، صنّف المؤلفون كل سمكة إلى ثلاث فئات بسيطة. الأسماك "كاملة" مرئية تماماً، والأسماك "جزء" محجوبة جزئياً بواسطة أخرى، و"القطع" تظهر فقط كقطع منفصلة. تتيح هذه الطبقة الإضافية من الوسم للباحثين معرفة الأماكن التي تتعثر فيها الخوارزميات بالضبط. عند تحليل الأرقام، وجدوا أن معظم الأسماك في المجموعة تقع ضمن فئة "الجزء"، مما يعكس ما يحدث فعلاً في الأحواض المكتظة. كما أظهروا أن المقاييس الملخصة التقليدية قد تخفي الإخفاقات على القطع الصغيرة، لذا فالإبلاغ عن النتائج حسب مستوى الاعتراض يعطي صورة أوضح عن نقاط قوة ونقاط ضعف النماذج.

كيف تقارن الخوارزميات الحالية

لإظهار ما تستطيع FOD تحقيقه، اختبر الفريق ثمانية أساليب شائعة لتجزئة الصور، بما في ذلك نماذج قائمة على الكشف طويلة الأمد وتصاميم أحدث "خالصة الاقتراح" التي تعمل بشكل أكثر مباشرة مع مناطق الصورة. حققت جميعها دقة متوسطة عالية على المجموعة، وبرزت طريقة واحدة، Mask2Former، لإنتاجها أوضح الخطوط المحيطة، خاصة عندما تتداخل الأسماك. ومع ذلك، تعثرت حتى أفضل النماذج عندما تقسمت الأسماك إلى قطع — فالأداء انخفض بشكل ملحوظ مقارنة بالأسماك المرئية بالكامل. أظهر تجربة إضافية سبب أهمية مزيج FOD من البيانات الحقيقية والتركيبية: التدريب فقط على المشاهد الحقيقية أدى إلى تعامل سيئ مع الاعتراض، بينما التدريب فقط على التركيبيات أغفل بعض تفاصيل الصور الحقيقية. إنتاج نماذج أكثر صلابة تحقق الجمع بين النوعين.

ماذا يعني هذا لمزارع أسماك أكثر ذكاءً

عملياً، تقدم هذه المجموعة الجديدة ساحة اختبار لأنظمة الرؤية الحاسوبية التي يجب أن تعمل في مزارع الأسماك الحقيقية، حيث تكون الرؤية الواضحة هي الاستثناء لا القاعدة. من خلال التركيز المتعمد على الأسماك المتداخلة ومشاركة كلٍ من الصور والكود المستخدم في بنائها، يوفر المؤلفون أساساً لأدوات مراقبة أكثر موثوقية وواعٍة بالاعتراض. ومع أن المجموعة الحالية تغطي نوعاً واحداً فقط وفي حوض مسيطر عليه، يمكن توسيع نفس المنهج ليشمل أنواعاً أخرى وبيئات أكثر تحدياً. مع انتشار هذه التقنيات، قد يحصل مزارعو الأسماك على معلومات مستمرة ودقيقة عن حجم المخزون وسلوكه ونموه — ما يساعدهم على استخدام العلف بكفاءة أكبر، واكتشاف المشكلات الصحية مبكراً، وإدارة عمليات أكثر استدامة.

الاستشهاد: Wang, X., Yu, H., Zhang, C. et al. An underwater image dataset for occlusion-aware fish instance segmentation. Sci Data 13, 526 (2026). https://doi.org/10.1038/s41597-026-06898-w

الكلمات المفتاحية: التصوير تحت الماء, تربية الأسماك, رؤية حاسوبية, تجزئة الحالات الفردية, الاعتراض