إطار خفيف YOLO11n للتجزؤ للكشف الفوري عن تشققات السطح مع التقسيم

لماذا تهم الشقوق الدقيقة

قد تبدو الشقوق المخفية في الطرق والجسور والمباني غير ضارة، لكنها غالبًا ما تكون أول علامات تحذيرية على تدهور الهيكل. اكتشاف هذه الخطوط مبكرًا يمكن أن يمنع إصلاحات مكلفة أو حتى فشلًا كارثيًا. ومع ذلك، لا تزال معظم عمليات التفتيش تُجرى بواسطة أشخاص يمشون أو يقودون ببطء على السطوح ويسجلون ملاحظاتهم يدويًا. تستكشف هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي مدمج أن يكتشف ويحدّد الشقوق في الوقت الحقيقي، وبسرعة كافية للتشغيل على طائرات بدون طيار وروبوتات صغيرة وأجهزة استشعار منخفضة الطاقة بدلاً من الاقتصار على مراكز بيانات قوية.

من الفحص اليدوي إلى رؤية الآلة

حاول المهندسون منذ زمن طويل أتمتة اكتشاف الشقوق باستخدام حيل معالجة الصور التقليدية مثل كشف الحواف والتعتيم الواضح. تعمل هذه الطرق في بيئات مختبرية نظيفة لكنها تنهار بسرعة في العالم الحقيقي حيث تُربك الظلال والبقع والملمس الخشن الخوارزميات البسيطة. مؤخرًا غيّر التعلّم العميق قواعد اللعبة: يمكن للشبكات العصبية أن تتعلم مظهر الشقوق مباشرة من الصور. كانت النسخ الأولى قادرة على تحديد ما إذا كانت قطعة صورة صغيرة تحتوي شقًا، لكنها كانت تجد صعوبة في توضيح مكان الشق بدقة وغالبًا ما كانت بطيئة جدًا للفحوصات الحية.

كيف يتعلم نموذج نحيف رؤية الشقوق

يعتمد المؤلفون على عائلة نماذج YOLO، وهي مجموعة أدوات شائعة في رؤية الحاسوب معروفة بقدرتها على رصد الأشياء في تمريرة واحدة سريعة عبر الشبكة. يركّزون على نسخة صغيرة جدًا تسمى YOLO11n-seg، مصممة لتتبع الشكل الدقيق للتشققات، وليس مجرد رسم صناديق تقريبية حولها. يتم تدريب النموذج على مجموعة بيانات Crack-Seg، التي تحتوي على أكثر من 11,000 صورة طرق معنونة بعناية حيث تم تعليم كل بكسل يمثل شقًا. تُعاد تحجيم الصور إلى تنسيق قياسي وتُغَذّى إلى الشبكة التي تتعلم تدريجيًا التمييز بين الأنماط الرفيعة المتعرجة للضرر الحقيقي والتفاصيل الخلفية غير الضارة مثل النسيج أو الأوساخ.

حيل ذكية لتفاصيل دقيقة

لاكتشاف الشقوق الشعرية على الخرسانة الخشنة، يستخدم النموذج خدعتين تصميميتين. أولًا، كتلة بناء خاصة تُسمى C3k2 تبدّل تلقائيًا بين نوافذ مشاهدة صغيرة وأكبر قليلًا، مما يسمح لها بمتابعة الشقوق الرفيعة جدًا والأطول على حد سواء. ثانيًا، وحدة انتباه فراغي تسمى C2PSA تُعلّم النموذج التركيز على المناطق المرجّحة لوجود الشقوق مع تجاهل المشتتات مثل بقع الزيت والظلال أو الأسطح المنقوشة. معًا، تساعد هذه الإضافات النظام على تحديد حدود الشقوق بشكل أنظف وتقليل احتمال الخلط بين العيوب الخلفية والضرر البنيوي، مع الحفاظ في الوقت نفسه على صغر حجم النموذج ليعمل على عتاد متواضع.

نتائج سريعة دون عتاد ثقيل

في الاختبارات، يحتوي الشبك الخفيف على نحو 2.8 مليون معلمة فقط—قليل مقارنة بالعديد من أنظمة التعلّم العميق الحديثة—ومع ذلك يقدم أداءً بمستوى مشابه لتصميمات أكبر وأبطأ. على معيار Crack-Seg، يحدد مناطق الشق بدقة تقارب 79% ويحقق درجات قوية لمدى تطابق الأشكال المتوقعة للشقوق مع الحقيقة الأرضية. والأهم من ذلك، يعالج كل صورة في حوالي 3.6 ميلي ثانية على وحدة معالجة رسومية قياسية، ما يعادل مئات الإطارات في الثانية. عند مقارنته بنماذج مستخدمة على نطاق واسع مثل U-Net وMask R-CNN ونُسخة YOLO أقدم، يقدم دقة تقسيم تنافسية أو أفضل مع سرعة أعلى بشكل كبير، مما يجعله عمليًا لتدفقات الفيديو المستمرة من الطائرات بدون طيار أو مركبات التفتيش.

نحو فحوصات هيكلية آلية

لغير المتخصصين، الخلاصة الرئيسية هي أن هذا العمل يبيّن أنه بات ممكنًا بناء أدوات ذكاء اصطناعي صغيرة وفعالة لا تكتفي بالعثور على الشقوق بل تتبّع شكلها وحجمها بدقة وبسرعة كافية للمراقبة في الوقت الحقيقي. رغم أن الشقوق الشحيحة جدًا في ظروف إضاءة سيئة أو طقس قاسٍ لا تزال تشكل تحديًا، يقدم نظام YOLO11n-seg المقترح توازنًا واعدًا بين السرعة والموثوقية. مع مزيد من التحسينات والتكامل في معدات الميدان، قد تساعد مثل هذه النماذج المدن والجهات المسؤولة على اكتشاف الأضرار مبكرًا وترتيب أولويات الإصلاحات والحفاظ على البنية التحتية الحيوية أكثر أمانًا بجهد يدوي أقل.

الاستشهاد: Tiwari, S., Gola, K.K., Kanauzia, R. et al. A lightweight YOLO11n seg framework for real time surface crack detection with segmentation. Sci Rep 16, 6566 (2026). https://doi.org/10.1038/s41598-026-37073-1

الكلمات المفتاحية: تشققات البنية التحتية, رؤية الحاسوب, التعلّم العميق, الفحص في الوقت الحقيقي, تقسيم YOLO