مجموعة بيانات متعددة النماذج وفائقة الطيف لتجزئة النفايات الكبيرة باستخدام التصوير المرئي، تحت الأحمر، قرب تحت الأحمر، والتيراهرتز

لماذا يهم فرز النفايات بذكاء أكبر

القمامة المنزلية الكبيرة — من خزائن مكسورة إلى أرائك مترهلة — غالباً ما تحتوي على خشب قابل لإعادة الاستخدام. ومع ذلك، ينتهي الكثير منها محروقاً أو مدفوناً في المكبات لأن الآلات تجد صعوبة في التفريق بين الخشب والبلاستيك والمعادن والحشوات، خصوصاً عندما تكون هذه المواد مكدسة أو مخفية داخل بعضها البعض. يقدم هذا المقال مجموعة WoodVIT، وهي مجموعة صور مفصّلة بُنيت لمساعدة الذكاء الاصطناعي على “رؤية” داخل مثل هذه الأكوام الفوضوية بشكل أفضل، حتى تتمكن أنظمة الفرز المستقبلية من إعادة تدوير المزيد من الخشب بأمان وكفاءة.

النظر إلى النفايات بعيون جديدة

تعتمد آلات إعادة التدوير التقليدية عادةً على كاميرات ترى تقريباً كما ترى أعيننا. هذا ينجح مع الأشياء النظيفة والمفردة، لكن النفايات الكبيرة فوضوية: قد يكون الخشب مطلياً أو مغطىً بالقماش، ملفوفاً بالبلاستيك، أو مدعوماً بمعدن. يتعامل المؤلفون مع هذا التحدي من خلال دمج أربعة “مظاهر” مختلفة لنفس قطع النفايات. يستخدمون كاميرا ضوء مرئي (صور ملونة عادية)، وكاميرا قرب تحت أحمر تلتقط بصمات طيفية مميزة للمواد، وكاميرا حرارية تراقب كيفية تسخين الأشياء وتبريدها، ومستشعر تيراهرتز يمكنه الكشف عن تراكيب مدفونة تحت السطح. كل تقنية تلتقط خصائص فيزيائية مختلفة، ومعاً تقدم صورة أشمل مما يمكن لأي مستشعر فردي تقديمه.

من الأثاث المكسور إلى بيانات للآلات

لبناء مجموعة البيانات، جمع الفريق أثاثاً مكروباً وبقايا كبيرة أخرى من منشأة نفايات محلية. وضعوا هذه القطع المختلطة على ألواح موحدة مرت تحت المستشعرات الأربعة على حزام ناقل، محاكين خط فرز صناعي. جُمعت صورة لكل لوح بواسطة كل مستشعر، ثم تم محاذاة الصور الأربعة بعناية بحيث يطابق كل بكسل في صورةٍ ما نفس النقطة الفيزيائية في الصور الأخرى. رسم المعلّقون البشريون حدوداً مفصّلة على الصور الملونة، محدّدين الخشب والمعادن والبلاستيك والمعادن الصخرية والتنجيد، وعدة حالات «مغطاة» مثل معدن مخفي تحت الخشب أو خشب مخفي تحت قماش. نُقلت هذه التصنيفات إلى منظورات المستشعرات الأخرى، منتجة 56 مشهدًا متموضعًا بالكامل و22,659 قطعة صور صغيرة جاهزة لتدريب واختبار نماذج التعلم الآلي.

تعليم الحواسيب الكشف عن الخشب والمخاطر المخفية

المهمة المركزية في WoodVIT بسيطة في صياغتها: قرّر ما إذا كانت كل قطعة صغيرة من الصورة هي «خشب» أم «غير خشب». تحت الغطاء، ينطوي ذلك على معالجة 717 قناة من المعلومات لكل قطعة عبر المستشعرات الأربعة. اختبر المؤلفون عدة نماذج شبكات عصبية على هذه المهمة، دربوها إما على مستشعر واحد أو على جميع المستشعرات مجتمعة. أداء النماذج التي استخدمت الصور الملونة فقط كان مقبولاً، لكن النماذج التي دمجت معلومات من المستشعرات الأربعة آدت أفضل وبشكل أكثر اتساقًا. بينما كانت بيانات الحرارة والتيراهرتز وحدها أصعب للتعلّم منها، أصبحت ذات قيمة عند دمجها مع المشاهد الملونة وقرب تحت الأحمر، خاصة في المشاهد المعقدة حيث يكون الخشب مطلياً أو مكدساً أو يخفي قطعاً معدنية.

فهم الاعتراض والمشاهد المعقّدة

سمة مميزة في WoodVIT هي تركيزها على الحالات الواقعية «غير المثالية». تتضمن مجموعة البيانات ألواحاً حيث تُدخَل مسامير معدنية داخل الخشب، أو إطارات خشبية مغلفة بالرغوة أو القماش. بالنسبة لهذه الحالات المغطاة، بنى الباحثون الحقيقة الأرضية على خطوتين: صوروا ووسموا أولاً الطبقة الأساسية، ثم أضافوا الغطاء، وأعادوا التصوير ودمجوا الوسوم. هذا التصميم المتأنّي يجعل من الممكن تقييم مدى قدرة مجموعات الاستشعار المختلفة على الكشف عما يكمن تحت السطح. كما استكشف المؤلفون التجزئة على مستوى البكسل باستخدام تصميم شبكة عصبية شائع يرسم حدود مناطق الخشب داخل كل قطعة. أنتجت مدخلات اللون وقرب تحت الأحمر مخططات حدود دقيقة، مما يدل على أن البيانات تدعم ليس فقط قرارات نعم/لا بل خرائط مفصّلة لمواقع الخشب فعلياً.

ما الذي يعنيه هذا لمستقبل إعادة التدوير

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن إعادة التدوير الأذكى ليست مجرد بناء كاميرا أفضل — بل تتعلق بدمج طرق رؤية متعددة في منظور واحد متماسك. توفر WoodVIT المادة الخام لذلك: مجموعة متاحة للعامة ووسمت بعناية من الصور التي تلتقط كيف تبدو النفايات الكبيرة الحقيقية عبر النطاقات المرئية وتحت الحمراء والتيراهرتز. من خلال تمكين الباحثين من تدريب ومقارنة خوارزميات متقدمة على نفس البيانات متعددة النماذج والتحدي، تمهّد هذه العمل أرضية لأنظمة فرز من الجيل التالي قادرة على استرداد مزيد من الخشب القابل للاستخدام، واكتشاف الملوثات المعدنية المخفية، وفي النهاية جعل إعادة تدوير النفايات الكبيرة أنظف وأكثر أماناً وكفاءة.

الاستشهاد: Bihler, M., Roming, L., Čibiraitė-Lukenskienė, D. et al. Multimodal and Hyperspectral Dataset for Segmentation of Bulky Waste using VIS, IR, NIR, and Terahertz Imaging. Sci Data 13, 498 (2026). https://doi.org/10.1038/s41597-026-07053-1

الكلمات المفتاحية: إعادة تدوير النفايات الكبيرة, التصوير متعدد النماذج, البيانات فائقة الطيف, فرز الخشب, دمج المستشعرات