طريقة خفيفة الوزن مبنية على YOLOv8n لاكتشاف وضعيات الجسم الشاذة لدى البشر

لماذا يهم رصد وضعيات الجسم غير المعتادة

تحدث حالات السقوط، ألم الصدر المفاجئ، أو انهيار شخص في ممر خلال ثوانٍ؛ وإذا لم يكن هناك من قريب، قد تصل المساعدة متأخرة. تعرض هذه الورقة نظام ذكاء اصطناعي مدمج يمكنه مراقبة فيديو عادي من كاميرات أمنية أو مرافق رعاية وإشعار الوضعيات الخطرة وغير الطبيعية في الوقت الحقيقي تلقائياً. من خلال جعل البرنامج دقيقاً وخفيفاً، يهدف الباحثون إلى توفير اكتشاف موثوق للسقوط والأحداث الصحية على أجهزة يومية، من شاشات المستشفيات إلى كاميرات منخفضة التكلفة في منازل كبار السن.

من كاميرات بسيطة إلى مراقبة أكثر ذكاءً

تستخدم أنظمة المراقبة الحديثة بالفعل الرؤية الحاسوبية لاكتشاف الأشخاص وتتبع حركاتهم، لكن من الصعب بشكل خاص رصد الوضعيات غير الاعتيادية. يمكن أن يظهر الشخص بمظهر مختلف تماماً عند الوقوف، أو الإمساك بالصدر، أو التقيؤ، أو الاستلقاء على الأرض؛ وهذه الأحداث قصيرة ومتنوعة وغالباً ما تكون مخفية جزئياً خلف أثاث أو إضاءة ضعيفة. يمكن أن تكون الخوارزميات الحالية دقيقة، لكنها غالباً ما تكون ثقيلة وبطيئة، وتحتاج إلى عتاد قوي وضبط دقيق. يركز المؤلفون على جعل الاكتشاف سريعاً ومقتصداً في استهلاك الموارد بحيث يمكن أن يعمل على بطاقات رسومية شائعة أو حتى أجهزة مدمجة دون التضحية بالموثوقية.

دماغ أخف للتعرف على الوضعيات الخطرة

جوهر العمل هو نسخة محسنة من نموذج اكتشاف الأشياء الشهير YOLOv8n. طور الباحثون متغيراً أخف وأكثر تركيزاً يسمونه PSD‑YOLOv8n. أولاً، أضافوا وحدة انتباه جديدة، PoseMSA، التي تساعد الشبكة على التركيز على أجزاء الجسم الأكثر إفادة مع تجاهل الخلفيات المربكة. تعمل هذه الوحدة بعمليات مبسطة تحاكي النظر عبر الصورة وعبر طبقات السمات المختلفة، مما يعزز الإشارات المهمة للوضعية بينما يحافظ على عدد العمليات الحسابية منخفضاً. ثانياً، أعادوا تصميم كيفية «تكبير» النموذج للتفاصيل باستخدام كتلة تكبير KA‑Sample، التي تتعلم تشديد المناطق حول نقاط الجسم الرئيسية—مثل الرأس والجذع والأطراف—حتى تبرز الوضعيات المنتوية أو المنهارة بوضوح أكبر.

مربعات أوضح وقرارات أدق

مع إدراك أن الوضعيات غير الطبيعية غالباً ما تمتزج مع محيطها—تخيّل شخصاً ممدداً جزئياً تحت طاولة—قام المؤلفون أيضاً بإصلاح مرحلة القرار النهائية، المعروفة برأس الكشف. تمزج وحدة Detect‑PSA الخاصة بهم معلومات من مستويات متعددة وتطبق طريقة مرسومة على أساس الاحتمالات لرسم صناديق الإحاطة. بدلاً من افتراض حافة صلبة واحدة لموضع بداية ونهاية الشخص، يمثل النظام كل جانب من جوانب الصندوق كتوزيع صغير من المواضع المحتملة ثم يأخذ المتوسط. تجعل هذه الطريقة الحدود أكثر استقراراً عندما تكون الأطراف قصيرة المنظور، أو محجوبة، أو ممتدة على الأرض، مما يؤدي إلى صناديق تتطابق بشكل أوثق مع الحقيقة المرجعية المرسومة يدوياً في المشاهد الصعبة.

اختبار النظام عملياً

لمعرفة مدى فاعلية التصميم عملياً، أنشأ الفريق مجموعة صور مخصصة، SSHDataset، مبنية من فيديوهات داخلية متعددة الزوايا تُظهر أشخاصاً في أربع حالات: طبيعية، ألم صدر، تقيؤ، وسقوط. بعد وضع وسوم يدوية دقيقة وتوسيع البيانات، دربوا PSD‑YOLOv8n ومجموعة من النماذج المنافسة ضمن إعدادات متطابقة. على مقاييس الدقة القياسية، حقق طريقتهم درجة اكتشاف بلغت 97.8% عند عتبة تداخل شائعة وحافظ على أداء قوي حتى عند معايير أشد. وفي الوقت نفسه، استخدم النموذج نحو مليوني معامل فقط وملف أوزان بحجم 4.5 ميغابايت—بنسبة تقل بنحو الثلث في عدد المعاملات وأكثر من ثُلث أقل في العمليات الحسابية مقارنةً بالنسخة الأصلية YOLOv8n—مع تشغيل يتجاوز 80 إطاراً في الثانية. أظهرت الاختبارات على مجموعة بيانات عامة مستقلة لكشف السقوط أن التحسينات انتقلت أيضاً إلى بيانات جديدة، مع تحسينات قوية خاصة في رصد حالات السقوط الحقيقية.

ما الذي يعنيه هذا لسلامة الحياة اليومية

ببساطة، تقدم الدراسة «حارساً رقمياً» مدمجاً يمكنه مراقبة الفيديو المباشر والاشتباه بشكل موثوق عندما تشير وضعية الجسم إلى وجود مشكلة. من خلال إعادة تصميم كيفية تركيز النموذج على مناطق الجسم، وإعادة بناء التفاصيل الدقيقة، ورسم الصناديق حول الأشخاص، يحقق المؤلفون مزيجاً نادراً من دقة عالية وسرعة وحجم صغير. يمكن تضمين مثل هذا النظام في شاشات المستشفيات، أو محاور المنزل الذكي، أو كاميرات الأماكن العامة لإطلاق تنبيهات فورية عند السقوط أو الضيق المفاجئ، حتى في غرف مزدحمة وتحت إضاءة متنوعة. ومع مزيد من تطوير النهج وتمديده لسلاسل فيديو أطول وبيئات جديدة، قد يؤسس هذا لمنتج جيل جديد من الحراس الصامتين الدائمين الذين يساعدون على حماية الأشخاص الضعفاء دون الحاجة لمراقبة بشرية مستمرة.

الاستشهاد: Li, G., Zhang, J., Ji, Q. et al. A lightweight YOLOv8n-based method for human abnormal posture detection. Sci Rep 16, 7222 (2026). https://doi.org/10.1038/s41598-026-37903-2

الكلمات المفتاحية: كشف السقوط, وضعية الإنسان, رؤية حاسوبية, ذكاء اصطناعي خفيف, رعاية المسنين