خوارزمية كشف أهداف السفن بالأشعة تحت الحمراء PEW_YOLOv8 في بيئات معقدة

مراقبة السفن في الظلام

ممرات الشحن الحديثة مزدحمة ونشيطة، وتعتمد العديد من السفن الآن على كاميرات الأشعة تحت الحمراء للمراقبة ليلاً وفي الأحوال الجوية السيئة. لكن تحويل تلك الصور الحرارية الباهتة إلى إنذارات موثوقة أصعب مما يبدو: قد تكون القوارب البعيدة بقعًا صغيرة، ضباب البحر يطمس المشهد، والأضواء الساطعة أو الأمواج قد تُضلّل البرمجيات. تقدم هذه الورقة PEW_YOLOv8، طريقة رؤية حاسوبية جديدة مصممة لرصد السفن في فيديوهات الأشعة تحت الحمراء بدقة أعلى، حتى عندما يكون المشهد معتماً أو مزدحماً.

لماذا يعد رصد السفن أمراً صعباً

يهدف كشف السفن بالأشعة تحت الحمراء إلى إيجاد السفن تلقائياً في الصور اعتماداً على إشاراتها الحرارية بدلاً من الضوء المرئي. هذا جذاب لأن كاميرات الأشعة تحت الحمراء تعمل نهاراً وليلًا وفي ظروف قاسية عديدة. ومع ذلك، غالباً ما تكون الصور الناتجة منخفضة التفصيل والتباين. قد يتسبب الهواء البحري الرطب في ضبابية وتمويه، لتظهر السفن مُشوّهة أو باهتة. السفن الصغيرة والبعيدة قد تحتل عدداً قليلاً فقط من البكسلات، لذا تتجاهلها الخوارزميات القياسية. عندما تخلق الأمواج أو الأرصفة أو أضواء المدينة خلفيات مزدحمة، قد تخلط الأنظمة القديمة هذه الأنماط مع أهداف حقيقية، مما يزيد الإنذارات الكاذبة أو يفوت التهديدات كلياً.

البناء على أدوات رؤية سريعة

ينطلق المؤلفون من YOLOv8، نظام تعلم عميق مستخدم على نطاق واسع يمكنه تحديد أنواع عديدة من الأجسام في الزمن الحقيقي. YOLOv8 سريع، لكنه في صور السفن بالأشعة تحت الحمراء الخام لا يزال يكافح في المشاهد المزعجة، والأهداف المتداخلة، والسفن الصغيرة. لمعالجة ذلك، يقدم الباحثون أربعة ترقيات رئيسية تشكل معاً PEW_YOLOv8. تركز كل ترقية على نقطة ضعف مختلفة في المسار الأصلي: تنقية صورة الإدخال، استخراج تفاصيل أغنى، دمج ذكي للمعلومات عبر المقاييس، وتقييم صناديق الكشف بعناية أكبر عندما تتداخل السفن أو تكون حدودها غامضة.

تنقية المشهد واكتشاف التفاصيل الدقيقة

الترقية الأولى هي وحدة نزع الضباب تسمى FFA-Net. قبل أن ينظر الكاشف الرئيسي إلى الصورة، تعمل FFA-Net على تعزيز التباين واستعادة التفاصيل المفقودة من خلال الانتباه لكل من قنوات المعلومات ككل وللبكسلات الفردية. عملياً، تزيل الضباب بحيث يحصل الشبكة اللاحقة على بيانات أوضح للعمل عليها. تليها بنية "العمود الفقري" المعاد تصميمها لاستخراج الميزات، والمعروفة باسم PGIG-Backbone. توجه هذه البنية كيفية سريان المعلومات وكيف تُحدَّث إشارات الشبكة الداخلية. من خلال إدارة هذه التدرجات ودمج الإشارات من مسارات متعددة بعناية، تصبح أفضل في تمثيل أهداف السفن الصغيرة منخفضة الدقة التي تميل التصاميم القياسية إلى إغفالها.

تمكين الشبكة من التركيز والحكم بشكل أفضل

إلى جانب صور أوضح وعمود فقري أقوى، يضيف PEW_YOLOv8 وحدة انتباه متعدد المقاييس فعالة في منتصف الشبكة. يقوم هذا المكون بوزن مناطق وطبقات مختلفة في خرائط الميزة، معزّزاً الأنماط المشابهة للسفن ومخففاً من تشويش الخلفية مثل الأمواج أو الأرصفة. أخيراً، يستبدل المؤلفون طريقة تقييم صناديق التحديد التقليدية بطريقة تسمى Wise-IoU v3. بدلاً من أن يتأثر النموذج بشكل مفرط ببعض الأمثلة الإشكالية، تقوم هذه دالة الفقد بضبط قوة التعلم من حالات مختلفة، مما يساعد النظام على التعامل مع السفن المتداخلة والحدود غير الواضحة دون أن يصبح غير مستقر.

ماذا أظهرت الاختبارات

قيّم الفريق طريقتهم على مجموعة بيانات صناعية لكشف السفن بالأشعة تحت الحمراء تحتوي على 9400 صورة من مشاهد دفاع ساحلية حقيقية، بما في ذلك البحر المفتوح والموانئ والمياه الساحلية، وسبعة أنواع من السفن من الزوارق الصغيرة إلى سفن الحاويات الكبيرة. قارنوا PEW_YOLOv8 مع YOLOv8 الأصلي وعدة كواشف شائعة أخرى. كل وحدة مُضافة — نزع الضباب، العمود الفقري المحسن، آلية الانتباه، ودالة الفقد الجديدة — رفعت الدقة بمقدار يمكن قياسه. عند الجمع بين هذه التعديلات، ارتفع مقياس الكشف الرئيسي إلى 92.2 بالمئة، بزيادة تقارب أربع نقاط مئوية عن YOLOv8 الأساسي، مع الحفاظ على سرعة المعالجة الملائمة للمراقبة في الزمن الحقيقي.

إنذارات أوضح في عرض البحر

ببساطة، تُظهر هذه الدراسة كيف يمكن للترقيات المصممة بعناية أن تحول صور السفن الباهتة بالأشعة تحت الحمراء إلى إنذارات آلية أكثر موثوقية بكثير. من خلال تنظيف الصورة أولاً، ثم استخراج تفاصيل أغنى، والتركيز على مناطق محتملة لوجود السفن، واتخاذ قرارات أذكى بشأن الأهداف المتداخلة، يرى PEW_YOLOv8 المزيد من السفن ويرتكب أخطاء أقل من الأنظمة السابقة. مع مزيد من التحسين لمشاهد مكتظة جداً ومعالجة أسرع، قد تساعد مثل هذه الأساليب على جعل حركة البحر أكثر أماناً، خصوصاً ليلاً وفي ظروف قاسية حيث تكون العيون البشرية والكاميرات التقليدية الأكثر عرضة للفشل.

الاستشهاد: Dong, T., Zhu, M. & Tang, G. Infrared ship target detection algorithm PEW_YOLOv8 in complex environments. Sci Rep 16, 10240 (2026). https://doi.org/10.1038/s41598-026-40574-8

الكلمات المفتاحية: كشف السفن بالأشعة تحت الحمراء, المراقبة البحرية, كشف الأجسام, التعلم العميق, YOLOv8