SFD-YOLO لاكتشاف تأثير شظايا الأجسام الصغيرة في اختبار صفائح الهدف للرؤوس الحربية

رؤية أدق علامات الاصطدام

عندما تنفجر رأس حربية في اختبار مضبوط، يتعلم المهندسون مدى خطورتها فعلياً من خلال دراسة العلامات الدقيقة التي تتركها شظاياها على صفائح معدنية كبيرة. اليوم، لا يزال هذا التفتيش كثيراً ما يُجرى يدوياً، وهو بطيء ومتعب ومعرض للأخطاء — خصوصاً حين تكون معظم علامات الاصطدام نقاطاً بالكاد تَرى. يقدم هذا البحث نهجاً ذكياً اصطناعياً يُسمى SFD-YOLO قادر على اكتشاف تلك الندوب الدقيقة تلقائياً وفي الزمن الحقيقي، حتى تحت غبار أو ضباب أو طمس أو تغيرات إضاءة، ما يعد بتقييمات أسرع وأكثر موثوقية للأمان والأداء.

لماذا تهم الثقوب الصغيرة

في اختبارات الرؤوس الحربية، تُرتب صفائح الهدف المعدنية على شكل حلقة حول الشحنة المتفجرة. عند التفجير، تصطدم شظايا عالية السرعة بالصفائح، تاركة إما ثقوباً نظيفة حيث تخترق الصفيحة أو انبعاجات سطحية حيث تصطدم فقط بالسطح. عن طريق عد أماكن وأنواع كل منها، يمكن للمهندسين استنتاج كيفية انتشار الشظايا في الفراغ ومدى فتكها بالمعدات الحقيقية. لكن العلامات صغيرة ومكتظة، ومياهل الاختبار الخارجية مليئة بالغبار والوهج والطقس السيئ. يَجد المفتشون البشر وأدوات معالجة الصور التقليدية صعوبة في المواكبة، مما يصعّب الحصول على قياسات دقيقة وفي الوقت المناسب.

تعليم شبكة لتتطلّع مرة واحدة، لكن بتركيز

تستطيع أنظمة الكشف عن الأشياء الحديثة المعتمدة على التعلم العميق مسح الصور ورسم صناديق حول عناصر الاهتمام في جزء من الثانية. ومن بين هذه الأنظمة، تشتهر عائلة خوارزميات YOLO بتوازنها الجيد بين السرعة والدقة. ومع ذلك، تميل النسخ القياسية إلى تفويت الأجسام الصغيرة جداً التي تشغل بضع بيكسلات فقط — وهو بالضبط ما يحدث في صور تأثير الشظايا. لمواجهة ذلك، يبني المؤلفون على النموذج الأحدث YOLOv11 ويكيّفونه خصيصاً للعلامات الصغيرة على الأسطح المعدنية اللامعة، مع إعادة تصميم عدة مكوّنات رئيسية حتى تولي الشبكة اهتماماً أكبر للتفاصيل الباهتة دون أن تصبح كبيرة أو بطيئة جداً.

تركيز محسن على النتوءات والبقع

التطوير الأول يكمن في كيفية معالجة الشبكة للصور الخام. يُدخل المؤلفون كتلة معالجة ميزات تنظف ما تراه الشبكة على بعدين في آنٍ واحد: مكان ظهور الميزات في الصورة وأي القنوات تحمل المعلومات الأكثر فائدة. تقمع هذه الكتلة الأنماط المتكررة أو غير المفيدة وتُقوّي الحواف والملمس الطفيف الذي يدل على اصطدام حقيقي. كما يضيفون وحدة استخلاص خفيفة تحافظ على صغر حجم النموذج عبر استخدام عمليات أكثر كفاءة، بحيث يمكن تشغيله بسرعة على أجهزة قياسية مع الحفاظ على الإشارات الدقيقة لندوب الشظايا الصغيرة.

الرؤية عبر مقاييس متعددة في آن واحد

بما أن الاصطدامات الصغيرة يمكن أن تُمحى بسهولة عندما تُقَلَّص الصور مراراً داخل شبكة عصبية، أعاد المؤلفون تصميم جزء اتخاذ القرار في النظام أيضاً. بدلاً من النظر إلى ثلاثة مستويات من التفاصيل، يضيف SFD-YOLO طبقة رابعة عالية الدقة مخصصة لأصغر العلامات. تُدمَج بنية هرمية للميزات تدريجياً التفاصيل الدقيقة من الطبقات الضحلة مع السياق الأوسع من الطبقات الأعمق، مما يساعد الشبكة على متابعة كل من مكان العلامة وكيف تبرز من الخلفية. النتيجة نظام قادر على التمييز بين الثقوب التي تخترق والنتوءات السطحية، حتى عندما تكون مكتظة معاً على صفيحة عاكسة.

اختبار النظام

لتدريب وتقييم طريقتهم، جمع الباحثون مجموعة صور مخصصة من تجارب انفجار ثابتة حقيقية، التقطت آلاف الصور عالية الدقة لصفائح الهدف ووضعوا تسميات يدوياً لأكثر من عشرين ألف تأثير. يقارب تسعة من كل عشرة علامات في هذه المجموعة ما يُصنف "صغيرة" وفق معايير رؤية الحاسوب الشائعة، مما يجعلها حقل اختبار تحدّي. لم يتفوق SFD-YOLO على مجموعة من نماذج الكشف الشائعة فقط — بما في ذلك عدة متغيرات أخرى من YOLO وأنظمة قائمة على المحولات — بل فعل ذلك مع ما يزيد قليلاً عن مليونين من المعاملات القابلة للتعديل بينما يعالج أكثر من مئة صورة في الثانية. كما أثبت النموذج متانة أفضل من أقرب قاعدة مقارنة عند طمس الصور أو تعتيمها أو تفتيحها أو تغطيتها بضباب وغبار اصطناعي يحاكي ظروف الميدان القاسية.

من ميدان الاختبار إلى أرضية المصنع

بعبارة بسيطة، تُظهر الدراسة أن شبكة عصبية مُعايرة بعناية قادرة على اكتشاف وتصنيف علامات تلف بحجم ثقب الدبوس على صفائح معدنية كبيرة بدرجة موثوقية عالية، وأن تفعل ذلك بسرعة كافية للاستخدام في الزمن الحقيقي أثناء الاختبارات المتفجرة. يحول SFD-YOLO مهمة العد اليدوية المرهقة إلى أداة قياس آلية وموثوقة. وبعيداً عن تقييم الرؤوس الحربية، يمكن تطبيق نفس الأفكار في حالات أخرى حيث تهم العيوب الدقيقة على الأسطح المعدنية، مثل فحص الصلب المدلفن، أو مكونات شبكات الطاقة، أو غيرها من المكونات الصناعية عن عيوب يغفلها البشر — ومعظم الخوارزميات القياسية — بسهولة.

الاستشهاد: Liu, H., Ding, Y., You, W. et al. SFD-YOLO for small-object fragment impact detection in warhead target-plate testing. Sci Rep 16, 9291 (2026). https://doi.org/10.1038/s41598-026-40457-y

الكلمات المفتاحية: كشف الأشياء الصغيرة, اختبار تأثير الشظايا, فحص الأسطح المعدنية, شبكات YOLO العصبية, كشف العيوب الصناعية