شبكة انتباه ميزات هجينة محلية-عالمية لتصنيف صور الشرائح الرقيقة للصخور

لماذا تهم صور الصخور الأذكى

تحمل الصخور المدفونة عميقاً تحت الأرض دلائل حول أماكن بناء الأنفاق بأمان، أو العثور على المياه الجوفية، أو استكشاف احتياطيات جديدة من النفط والغاز. يدرس الجيولوجيون شرائح رقيقة للغاية من هذه الصخور تحت المجهر، لكن تمييز آلاف الصور يدوياً ببطء وبشكل متأثر بالمراقب. تقدم هذه الدراسة نظام ذكاء اصطناعي جديداً يُسمى HFANet، يتعلم التعرّف على أنواع الصخور من صور الشرائح الرقيقة بدقة تقارب الكمال، مما قد يُسرّع المسوحات الجيولوجية ويجعلها أكثر اتساقاً.

رؤية الصورة الكاملة والتفاصيل الصغيرة

غالباً ما تكون أدوات الرؤية الحاسوبية جيدة إما في رؤية الأنماط العامة أو التركيز على التفاصيل الدقيقة، لكن نادراً ما تجمع بينهما معاً. الشرائح الصخرية الرقيقة صعبة بشكل خاص: قد تبدو الحجر الرملي واللافا والصخور المتحولة متشابهة ومضللة عند التكبير أو التصغير. يتعامل HFANet مع هذا الأمر بتقسيم المشكلة إلى منظورين مكمِّلين. فرع واحد من الشبكة ينظر إلى الصورة كاملة لالتقاط البنية العامة وأنماط المعادن عبر مجال الرؤية، بينما يقسم الفرع الآخر الصورة إلى رقع أصغر ليفحص القوام وحدود الحبيبات والشقوق الدقيقة في كل قطعة.

تعليم الشبكة أين تولي اهتمامها

تشغيل فرعين بالتوازي وحده ليس كافياً؛ فهما بحاجة إلى التفاعل مع بعضهما. يستخدم HFANet آليات انتباه — أدوات رياضية تُخبر النموذج أي أجزاء الصورة أكثر أهمية لاتخاذ القرار. أولاً، يتعلم الفرع المخصص للرقع أي المناطق المحلية تحمل المعلومات الأكثر فائدة عبر السماح للرقع "بالانتباه" إلى بعضها البعض. ثم يسمح مرحلة التبادل المتقاطع للميزات العالمية والمحلية بإرشاد بعضها البعض في كلا الاتجاهين. يدفع المنظور العالمي النموذج نحو مناطق ذات مغزى جيولوجياً، بينما تُرجع الرقع التفصيلية القوام والحدود الدقيقة إلى الملخّص العالمي. هذا التبادل في الانتباه يساعد النظام على تحديد الإشارات الأساسية، مثل الفرق بين نوعين متشابهين جداً من الحجر الرملي، والتي قد تسبب ارتباكاً بخلاف ذلك.

مزج الدلائل المصممة بشرياً مع التعلم العميق

بالإضافة إلى ما تتعلمه الشبكة ذاتياً، يستعين المؤلفون بوصفات صور تقليدية استخدمها الجيولوجيون ومحللو الصور طويلاً. تشمل هذه القياسات توازن اللون، وخشونة القوام، وتغيرات السطوع التي تلتقط، على سبيل المثال، كيف تبرز الحبيبات عن الخلفية أو مدى انتظام النسيج. يعامل HFANet هذه الميزات الكلاسيكية كمصدر بيانات إضافي، ويغذيها في الفرع العالمي ويترك للشبكة تعلم كيفية وزنها. هذه الاندماج يضيف تكلفة حسابية طفيفة فقط لكنه يحسّن الدقة بشكل ملحوظ، لا سيما في الصخور النارية الصعبة حيث تجعل التحولات الطفيفة في القوام ومزيج المعادن التصنيف أصعب.

تقييم الأداء واختبار العمومية

درّب الباحثون HFANet وقيّموه على مجموعة تعليمية كبيرة من جامعة نانجينغ تضم أكثر من 2600 صورة مجهرية تغطي 108 أنواع صخرية — رسوبية ونارية ومتحولة. في المهام الدقيقة، مثل التمييز بين تحتأنواع رسوبية، تفوق HFANet بدقة تجاوزت 99٪ وحقق نتائج مثالية على مقاييس الترتيب التي تقيس مدى قدرة النموذج على فصل الفئات. عبر المجموعات الصخرية الثلاث الرئيسية مجتمعين، تفوق باستمرار على نماذج CNN وTransformer الشائعة الاستخدام. ثم طرح الفريق سؤالاً أصعب: كيف يتصرف النموذج على مجموعة مختلفة من شرائح المعادن لم يرها أثناء التدريب؟ هنا، أنتجت شبكة أبسط دقة خام أعلى بقليل، لكن HFANet لا يزال أظهر أفضل قدرة على ترتيب الفئة الصحيحة في مرتبة عالية، مما يشير إلى أن تمثيله الداخلي لأنماط الصخور يبقى قوياً حتى عند تغير شروط التصوير.

النظر داخل منطق النموذج

للتحقق مما إذا كان HFANet يركّز على مناطق ذات مغزى جيولوجياً، قارن المؤلفون خرائط الانتباه الخاصة بالنموذج مع التعليقات التوضيحية من الخبراء. في صور نموذجية لصخور رسوبية بركانية، سلّط HFANet الضوء على شظايا الزجاج البركاني، وحطام البلورات، والشقوق — الهياكل التي يستخدمها الخبراء لتسمية هذه الصخور وتفسيرها. تماشى تركيزه جيداً مع الأقنعة المرسومة يدوياً للميزات المهمة وكان أدق من أدوات التصور القياسية المطبقة على نموذج مرجعي رائد. تشير هذه المطابقة إلى أن النظام لا يحفظ الألوان أو الضوضاء فحسب، بل يركّز على الحدود والنُسق والعلاقات بين الحبيبات التي تهم من الناحية العلمية.

ماذا يعني هذا للعمل الجيولوجي المستقبلي

بالنسبة للجيولوجيا العملية اليومية، يشير HFANet إلى أدوات آلية يمكنها وضع علامات سريعة وموثوقة على صور الشرائح الرقيقة، وتنبيه إلى الحالات الغامضة، والمساعدة في توحيد مجموعات التدريس. وعلى الرغم من أن تصميمه ذو الفرعين والمكثف بالانتباه أكثر تطلباً حسابياً من الشبكات الأبسط، فإنه يقدم مزيجاً نادراً من الدقة والقابلية للتفسير والاحترام للبنية الجيولوجية. مع مزيد من العمل على تسريع النموذج وتكييفه مع مجاهر ومجموعات صخرية جديدة، قد تصبح نظم مثل HFANet مساعدين موثوقين للخبراء البشريين، يتولون تصنيف الصخور الروتيني بينما يتركّز الجيولوجيون على التفسير المعقد واتخاذ القرار.

الاستشهاد: Wei, P., Fan, C., Yang, X. et al. A hybrid local-global feature attention network for thin section rock image classification. Sci Rep 16, 6446 (2026). https://doi.org/10.1038/s41598-026-36669-x

الكلمات المفتاحية: صور الشرائح الرقيقة للصخور, تصنيف التعلم العميق, شبكات الانتباه, تحليل الصور الجيولوجية, أتمتة البتروغرافيا