بحث في كشف الميزات متعددة المقاييس لشقوق طرق المناجم المكشوفة

لماذا تهم الشقوق الدقيقة في طرق المناجم

تعتمد المناجم المكشوفة على طرق طويلة ومتعرجة لنقل آلاف الأطنان من الصخور يوميًا. عندما تتشقق هذه الطرق، قد تتعرض الشاحنات للضرر، يتباطأ المرور، وفي أسوأ الحالات تحدث حوادث. ومع ذلك تبدأ هذه الشقوق غالبًا كسقوطات شعيرية يصعب رؤيتها بالعين المجردة، خاصة في بيئات المناجم المغبرة والمظللة. تعرض هذه الدراسة طريقة ذكاء اصطناعي تستطيع رصد ورسم خرائط شقوق الطرق في المناجم المكشوفة بدقة وكفاءة أعلى من التقنيات الحالية، ممهدة الطريق لعمليات أكثر أمانًا وفاعلية من حيث التكلفة.

تحدي العثور على الشقوق في بيئة قاسية

لا يزال فحص طرق المناجم يُجري غالبًا بواسطة عمال يمشون أو يقودون ببطء على مسارات النقل ويفحصون السطح بصريًا. هذا النهج بطيء وذو طابع شخصي ويكاد يكون من المستحيل توسيعه عبر الكيلومترات العديدة من الطرق في منجم كبير. حيل معالجة الصور الكلاسيكية، مثل العتبة البسيطة أو اكتشاف الحواف، تواجه صعوبات أيضًا لأن طرق المناجم المكشوفة مشوشة بصريًا: الصخور المفككة، علامات الإطارات، برك المياه، وتباينات الإضاءة الشديدة كلها تخلق أنماطًا يمكن خلطها مع الشقوق. حتى نماذج التعلم العميق الحديثة تجد صعوبة في هذا السياق، لأن الشقوق نفسها رفيعة ومفتتة وأحيانًا مغروسة جزئيًا تحت الحطام، والشبكات القياسية تميل إلى فقدان هذه التفاصيل الدقيقة.

نموذج ذكاء اصطناعي يدمج التفاصيل من عدة مستويات

لتجاوز هذه العقبات، يبدأ المؤلفون من U‑Net، وهي شبكة شائعة لتقسيم الصور، ويعيدون تصميم كيفية جمعها للمعلومات. يعمل وحدة الدمج التكيفية للميزات كخلاط ذكي يجمع الميزات من عدة مقاييس في الصورة — من القوام الدقيق عند مستوى البكسل إلى الأشكال العريضة — ويجعلها بحجم موحّد. ثم يستخدم خطوتي انتباه: إحداهما تتعلم أي القنوات تحمل أدلة الشق الأكثر فائدة، والأخرى تضخ معلومات عن المشهد الأوسع. من خلال إعادة وزن هذه المدخلات ديناميكيًا، تعزز الوحدة إشارات الشق الضعيفة بينما تخفض الانحرافات مثل الظلال والحصى، مما يؤدي إلى حواف شق أوضح في خريطة المخرجات.

تعلّم الشبكة أين تنظر

بجانب دمج الميزات، يقدم الباحثون وحدة انتباه قنوية‑مكانية تُعلّم الشبكة كلًّا ما الذي تنظر إليه وأين تنظر. مستوحاة من تقنيات الانتباه الذاتي المستخدمة على نطاق واسع في نماذج اللغة، تحلل أولاً كيف تتعلق قنوات الميزات المختلفة ببعضها، منفعلةً بسؤال أي التركيبات تميل للدلالة على «هذه شق». ثم تضيف مرحلة انتباه مكاني تُبرز المناطق الدقيقة في الصورة حيث من المرجح ظهور الشقوق. بالمجمل، تساعد هذه الخطوات النموذج على استخلاص قوام الشق من خلفيات مزدحمة والحفاظ على استمرارية الشقوق الرفيعة والمتعرجة، حتى عندما تكون أجزاء منها محجوبة أو منخفضة التباين.

جعل الذكاء الاصطناعي سريعًا بما يكفي للميدان

الدقة العالية وحدها لا تكفي في منجم عامل، حيث قد تُوضع الحواسيب داخل شاحنات أو مكاتب ميدانية أو طائرات دون طيار ذات قدرة معالجة محدودة. لمعالجة ذلك، يطبق الفريق استراتيجية تقليم تسمى تقليم المقدار القائم على الطبقة (Layer‑Adaptive Magnitude Pruning). ببساطة، يقيس مدى أهمية كل مجموعة من الأوزان الداخلية لقرارات النموذج ثم يقص أقلها فائدة، طبقة بطبقة. حتى مستوى تقليم معتدل، تصبح الشبكة أنحف وأسرع — تقطع نحو ربع معلماتها ونحو ثلث حساباتها — دون الإضرار بالدقة، وفي هذه الحالة تحسّنها قليلًا. يمكن للنموذج النهائي معالجة لوحة صورة في نحو ثلث الثانية، مما يجعل فحص الشقوق شبه في الوقت الحقيقي ممكنًا.

مدى فعالية النظام في مناجم حقيقية

اختبر الباحثون طريقتهم على 2,847 صورة عالية الدقة جُمعت من منجم فحم مكشوف في منغوليا الداخلية، شاملة مجموعة واسعة من أسطح الطرق وظروف الإضاءة وأشكال الشقوق. بالمقارنة مع U‑Net الأصلي وعدة نماذج تقسيم معروفة أخرى، حققت الشبكة المحسّنة تراكبًا أعلى مع أقنعة الشق المرسومة يدويًا، تنبيهات خاطئة أقل، واستمرارية أفضل للشقوق الصغيرة أو المخفية جزئيًا. وفي الوقت نفسه، عملت بسرعة أكبر واحتاجت ذاكرة أقل من العديد من المنافسين. تشير هذه المكاسب إلى أن النهج ليس قويًا أكاديميًا فحسب، بل عملي أيضًا للنشر على أجهزة الحافة مثل خوادم مواقع المناجم، الكاميرات، أو منصات الطائرات دون طيار.

ماذا يعني هذا لسلامة عمليات المناجم

بالنسبة لغير المتخصص، خلاصة القول هي أن هذا العمل يحول صورًا خام لطُرُق المناجم المغبرة إلى خرائط شقوق دقيقة قابلة للقراءة آليًا باستخدام نموذج ذكاء اصطناعي مدمج. هذا يجعل من الممكن مسح مسافات طويلة من الطريق بشكل متكرر — ربما بواسطة طائرات دون طيار أو كاميرات مركبة على مركبات — وتحديد أماكن الصيانة المطلوبة قبل أن تتطور العيوب الصغيرة إلى مخاطر خطيرة. بينما تبقى تحديات في ظروف شديدة الضوضاء أو غير الاعتيادية، يمثل نهج دمج الميزات القائم على الانتباه خطوة مهمة نحو صيانة طرق أذكى وأكثر وقائية في المناجم المكشوفة الكبيرة.

الاستشهاد: Wang, L., Zhao, M., Yu, Z. et al. Research on multi-scale feature detection of open-pit mine road cracks. Sci Rep 16, 6060 (2026). https://doi.org/10.1038/s41598-026-37153-2

الكلمات المفتاحية: طرق المناجم المكشوفة, كشف الشقوق, الرؤية الحاسوبية, التعلّم العميق, سلامة البنية التحتية