الاستفادة من الميزات الواعية للضباب لتحسين وضوح الصور ودقة الكشف باستخدام شبكة DCNN-YOLOv8 محسّنة

لماذا رؤية واضحة في الضباب مهمة

عند القيادة في صباح ضبابي أو مشاهدة لقطات كاميرا مراقبة ضبابية، نشعر بطبيعة الحال بخطورة السيارات أو المشاة المخفيين. تعتمد أنظمة حديثة كثيرة—مثل السيارات ذاتية القيادة، ومراقبة الطرق، وحتى رسم الخرائط عبر الأقمار الصناعية—على حواسب قادرة على «الرؤية» بوضوح. لكن الضباب والضبابة يربكان خوارزميات الرؤية الحالية ويجعلانها تفوّت أشياء مهمة. تقدم هذه الورقة نهجًا جديدًا يعلّم الحواسب ليس فقط كيفية تنظيف الصور الضبابية ولكن أيضًا كيفية تقييم جودة التنظيف ثم اكتشاف الأجسام بشكل أكثر موثوقية في ظروف جوية صعبة.

الرؤية عبر الضباب

تعاني الصور الخارجية الملتقطة في الضباب من ألوان باهتة وتباين منخفض وحدود ضبابية لأن جزيئات الهواء الصغيرة تبعثر وتمتص الضوء. وهذا يعني أن السيارات البعيدة تتلاشى في الخلفية وتصبح لافتات الطرق صعبة التمييز. اقترحت العديد من طرق «إزالة الضباب» من الصور، ومع ذلك لا تزال الأداء في العالم الحقيقي غير متسق: تستعيد بعض الطرق التباين لكنها تشوّه الألوان؛ بينما تقوّي أخرى التفاصيل لكنها تظل غير موثوقة عبر تغيرات الطقس أو المواقع. قطعة مفقودة رئيسة هي وجود طريقة قوية للحاسب نفسه لتقييم الجودة البصرية للصور المعاد تنقيتها، خصوصًا عندما لا تتوفر صورة مرجعية صافية تمامًا.

تعليم الحاسب كيف تبدو الصورة الجيدة

يتعامل المؤلفون مع هذا التحدي ببناء خط معالجة يبدأ باستخراج ميزات واعية للضباب ومصممة للمشاهد الضبابية. لكل صورة مدخلة، يحسب النظام نوعًا جديدًا من الوصفيات يدعى ميزات الجيران البيكسلية الهيكلية الواعية للضباب (HSPN)، والتي تلخص كيفية علاقة كل بكسل بجيرانه من حيث السطوع والملمس. تُدمج هذه مع مقاييس متوسطة للسطوع والتفاوت المحلي وتوازن اللون، بالإضافة إلى إحصاءات تلتقط كيف يغير الضباب توزيع شدة الصورة الطبيعي. مجتمعة تعطي هذه الميزات للنظام وصفًا مَرْكزيًا غنيًا يصف مدى تدهور البنية واللون بفعل الضباب في المشهد.

محرك تعلم أذكى تحت الغطاء

تُغذى هذه الميزات الواعية للضباب إلى شبكة عصبية تلافيفية عميقة (DCNN) تتنبأ بـ «درجة جودة» موضوعية لكل صورة. لتدريب هذه الشبكة بفعالية، يقدم المؤلفون استراتيجية تحسين جديدة اسمها خوارزمية تحسين الشمبانزي الزمني (CChOA). مستوحاة من سلوك الصيد الجماعي لدى الشمبانزي ومعززة بآلية واعية بالزمن، توجه CChOA عملية التدريب عبر حلول مرشحة من الماضي والحاضر، مما يساعد الشبكة على تجنّب الوقوع في قيعان محلية ضعيفة. عمليًا، يعني هذا أن شبكة التنبؤ بالجودة تتقارب أسرع، وتصل إلى خطأ تدريبي أقل، وتكون أكثر استقرارًا مقارنةً باستخدام المحسّنات القياسية أو الطريقة الأصلية المستوحاة من الشمبانزي.

من صور أفضل إلى كشف أفضل

بعد أن يحسّن النظام الصور ويقَيِّم جودتها، تُمرَّر الصور المُحسَّنة إلى نسخة مُخصّصة من YOLOv8، وهي شبكة سريعة لكشف الأجسام. يقوم المؤلفون بتكييف YOLOv8 خصيصًا لظروف الضباب من خلال تحسين دالة الخسارة لتحديد مواقع الأجسام الصغيرة والمتداخلة بدقة أكبر، وإضافة وحدة على طراز Inception لالتقاط التفاصيل على مقاييس متعددة، وإدراج كتلة تجميع هرمية مكانية تساعد الشبكة على فهم كل من التفاصيل المحلية والسياق الأوسع. عند التدريب والاختبار على مجموعتي بيانات مرجعية للضباب (RESIDE وFRIDA)، يقدم خط المعالجة المتكامل صورًا أوضح وكشفًا أكثر موثوقية مقارنة بعدة تقنيات موجودة لإزالة الضباب وتقييم الجودة، بالإضافة إلى تفوقه على YOLOv8 الأساسي في دقة الكشف تحت الضباب.

ما يعنيه هذا لأنظمة الرؤية في العالم الحقيقي

بعبارات بسيطة، توضح الدراسة أن الحواسب يمكن أن تصبح أفضل كثيرًا في رصد الأجسام في الضباب إذا تعلمت أولًا فهم شكل جودة الصورة الجيدة في تلك الظروف وإذا تم تحسين عملية تعلمها بعناية. من خلال الجمع بين ميزات واعية للضباب، واستراتيجية تحسين حساسة للزمن، وشبكة كشف مضبوطة، يعزز النظام المقترح بشكل ملموس الوضوح ودرجات الكشف على مقاييس معيارية. يمكن أن يجعل هذا النهج المتكامل كاميرات المراقبة المستقبلية وأنظمة مساعدة السائق وأدوات الاستشعار عن بُعد أكثر أمانًا واعتمادًا عندما يكون الطقس في أسوأ حالاته.

الاستشهاد: Saini, A., Gill, N.S. & Gulia, P. Leveraging haze-aware features for improved image clarity and detection accuracy with an optimized DCNN-YOLOv8 network. Sci Rep 16, 14213 (2026). https://doi.org/10.1038/s41598-026-38265-5

الكلمات المفتاحية: إزالة الضباب من الصور, اكتشاف الأجسام, التعلّم العميق, الرؤية الحاسوبية في الضباب, YOLOv8