YOLO11-WLBS: نموذج فعال لاكتشاف عيوب الأرصفة

لماذا تهم فحوصات الطرق الأفضل

كل شق أو حفرة في الطريق ليست مجرد منظر مزعج—بل يمكن أن تقصر عمر الرصف، وتلحق أضراراً بالمركبات، وتساهم في وقوع حوادث. اليوم، لا تزال العديد من الطرق تُفحص بواسطة أشخاص يسيرون ببطء مع لوحات تسجيل أو بكاميرات بسيطة، وهو أمر يستغرق وقتاً طويلاً ومكلفاً وسهل أن يحدث به خطأ. تُقدّم هذه الدراسة YOLO11-WLBS، نظام رؤية حاسوبية أذكى وأخف يستطيع رصد أنواع مختلفة من أضرار الطريق في الزمن الفعلي، حتى على هاتف ذكي أو طائرة بدون طيار، مع وعد بصيانة أسرع وأكثر أماناً لشبكات الطرق لدينا.

من الدوريات البطيئة إلى الكاميرات الذكية

مع نمو حركة المرور وتوسع شبكات الطرق، تزداد شيوع العيوب مثل الشقوق العرضية والطولية، وتشقق الجلد (alligator cracking)، والشقوق المائلة، والحفر، وترقيعات الإصلاح. تعتمد الفحوصات التقليدية—المسح سيراً أو بالقيادة، أو المعالجة البسيطة للصور—بشكل كبير على حكم الإنسان وتواجه صعوبات في الإضاءة الضعيفة أو المشاهد المزدحمة. خلال العقد الماضي، غيّرت تقنيات التعلم العميق وبخاصة عائلة شبكات YOLO لتحسس الأشياء طريقة تحليل الصور عبر تعلم الأنماط مباشرة من الصور الخام. حسّنت أنظمة الرصف المبنية على YOLO السابقة الدقة لكنها لا تزال تواجه مفاضلة أساسية: النماذج التي تتمتع بدقة كافية غالباً ما تكون كبيرة جداً وبطيئة للاستخدام في الزمن الحقيقي على الطائرات أو المركبات أو الأجهزة المحمولة.

محرك مضبوط مبني على YOLO11

انطلق المؤلفون من YOLO11، شبكة كشف الأشياء الحديثة التي توازن بالفعل بين السرعة والدقة، وكيّفوها لتحديات أسطح الطرق الخاصة. يحافظ نموذجهم المحسّن، المسمى YOLO11-WLBS، على التصميم الثلاثي المعتاد—"العمود الفقري" لاستخراج الميزات، و"الرقبة" لدمج المعلومات على مقاييس مختلفة، و"الرأس" لرسم المربعات والتسميات حول العيوب—ولكنه يضيف أربعة تحسينات مختارة بعناية. تعمل هذه الإضافات معاً على حدة على حدة لتنقية قدرة النموذج على رؤية الشقوق الدقيقة، وتحسين تعامله مع أحجام عيوب متعددة، وتقليص الحسابات غير الضرورية ليعمل بكفاءة على الأجهزة الطرفية.

أربع حيل ذكية لرؤية الشقوق

تستخدم أولى التحسينات الالتفاف القائم على الموجات (wavelet) لتأكيد التفاصيل عالية التردد—التغيرات الحادة في السطوع التي تحدد الشقوق والثقوب الصغيرة—دون تضخيم حجم النموذج. يساعد هذا النظام على ملاحظة العيوب الخافتة أو الرفيعة أو غير المنتظمة التي قد تفوتها المرشحات التقليدية. بعد ذلك، تعيد خطوة "استخراج تكيفي خفيف الوزن" تنظيم خرائط الميزات بحيث يركز الشبكة جهده على القنوات الأكثر معلوماتية بينما تخفض إجمالي عدد المعاملات بنحو ربع. ثم تسمح هرمية ميزات ثنائية الاتجاه بتدفق المعلومات صعوداً وهبوطاً بين المقاييس الخشنة والناعمة، مما يحسّن التعرف على كل من الشقوق الدقيقة والأنماط الأكبر المتصلة. أخيراً، يبرز آلية انتباه بسيطة أهم المناطق في كل خريطة ميزات، موجهة الكاشف نحو العيوب الحقيقية وابتعاده عن المشتتات مثل علامات الحارة والظلال أو البقع.

إثبات الفعالية في العالم الحقيقي

لاختبار YOLO11-WLBS، درّب الفريق النموذج وقيّمه على صور عالية الدقة مأخوذة بطائرات بدون طيار لأسطح طرق حقيقية، تغطي أكثر من عشرة آلاف عيب معنّن عبر ست فئات. مقارنةً بـ YOLO11 الأصلي، يعزز النموذج الجديد الدقة من 0.853 إلى 0.947 والاستدعاء من 0.698 إلى 0.895، مما يعني أنه يقلل الإنذارات الكاذبة ويفوت عيوباً أقل بكثير. ترتفع درجة الكشف الإجمالية (mAP@0.5) بنسبة 12.2%، بينما ينخفض عدد المعاملات بنحو 25.5%. يبقى النظام دقيقاً في ظروف إضاءة منخفضة وعالية وعندما تكون الصور ضبابية أو مخفضة الدقة، وينتقل جيداً إلى مجموعة بيانات طائرات بدون طيار منفصلة بزوايا رؤية ودقة أدنى. نشر المؤلفون حتى نسخة مُكمَّلة بالكامل على هاتف أندرويد، محققة تقريباً 30 إطاراً في الثانية لاكتشاف الفيديو الحي لعدة أنواع من الشقوق.

ماذا يعني هذا للسائقين والمدن

بعبارة بسيطة، YOLO11-WLBS هو زوج من العيون أسرع وأكثر حدة لطرقنا. من خلال الجمع بين اكتشاف حواف أفضل، واستخدام أذكى لسعة النموذج، ودمج ميزات متعددة المقاييس، وانتباه خفيف الوزن، يجد المزيد من العيوب أثناء تشغيله على أجهزة متواضعة مثل الطائرات والهواتف. يجعل هذا من العملي مسح أطوال كبيرة من الرصف بشكل متكرر، واكتشاف المشكلات مبكراً، وتخطيط الإصلاحات بكفاءة أكبر، وكل ذلك دون إرسال فرق كبيرة إلى حركة المرور. على الرغم من أن النموذج لا يزال يواجه صعوبة إلى حد ما مع العيوب النادرة مثل الحفر—ويرجع ذلك أساساً إلى قلة أمثلة التعلم—إلا أنه يوفر أساساً قوياً للأنظمة المستقبلية التي لا تكتفي بالكشف عن أماكن الأضرار فحسب بل تقدر أيضاً شدة الضرر، موجهة المدن نحو صيانة أكثر أماناً وكفاءة من حيث التكلفة.

الاستشهاد: Lin, J., Wang, P., Ruan, Y. et al. YOLO11-WLBS: an efficient model for pavement defect detection. Sci Rep 16, 5284 (2026). https://doi.org/10.1038/s41598-026-35743-8

الكلمات المفتاحية: كشف عيوب الأرصفة, كشف شقوق الطرق, YOLO11-WLBS, فحص بالطائرات بدون طيار, الحوسبة الطرفية