اكتشاف مورفولوجيا المرجان في الصور تحت الماء باستخدام YOLOv12 باندماج مشفرات CNN ومحولات

لماذا تهم أشكال المرجان لنا جميعًا

الشعاب المرجانية أكثر من مناظر تحت مائية جميلة؛ تساعد أشكالها في تحديد مدى فعاليتها في حماية السواحل، وتأمين موائل للكائنات البحرية، ودعم المصايد والسياحة. ومراقبة كيفية تغير هذه الأشكال مع الزمن أمر أساسي لفهم صحة الشعاب في محيط يزداد حرارة وتلوثًا. تقدم هذه الدراسة طريقة جديدة لاكتشاف أشكال نمو المرجان تلقائيًا في الصور تحت الماء، مما يساعد العلماء على تتبع حالة الشعاب بسرعة وموثوقية أكبر.

تحديات الرؤية بوضوح تحت الماء

اعتمدت مراقبة الشعاب المرجانية طويلاً على غطاسين يقومون بعناية بووسم الصور يدويًا، وهي عملية بطيئة ومكلفة وتتأثر بالحكم الشخصي. الصور تحت الماء صعبة التفسير للحواسيب لأن الضوء يُمتص ويتشتت، وتتحول الألوان، والجسيمات المعلقة تخفي التفاصيل الدقيقة. قد تبدو أشكال نمو المرجان المختلفة مثل المتفرعة، والكتلية القبة الشكل، والصفائحية المسطحة متشابهة بشكل محير في مياه معتمة. أدوات الذكاء الاصطناعي السابقة غالبًا ما تواجه صعوبات في هذه الظروف، فتفقد مستعمرات صغيرة، أو تخلط بين أشكال متشابهة، أو تعمل ببطء شديد للاستخدام اللحظي على روبوتات المسح.

عين رقمية أذكى للشعاب المرجانية

يبني الباحثون على عائلة شائعة من كاشفات الأجسام السريعة المعروفة باسم YOLO، مستخدمين الإصدار الأحدث YOLOv12 كأساس. يضيفون مكونين تكميليين: نوع من الشبكات يتفوق في ملاحظة القوام والحواف المحلية، وآخر يتفوق في فهم المشهد الأوسع. يلتقط المكون الأول، شبكة عصبية التفافية، التفاصيل البصرية الدقيقة مثل الفروع الصغيرة للمرجان ونقوش السطح. أما الثاني، المسمى مشفر المحول، فيتفحص الصورة بأكملها لفهم كيفية ترتيب المستعمرات وكيف تبرز عن الصخور أو الرمل أو الطحالب. ثم يجمع وحدة اندماج خاصة هذه الإشارات المحلية والعالمية حتى يتمكن النظام من تمييز الفروق الطفيفة بين أشكال المرجان.

كيف يتعلم النظام أشكال المرجان

لتدريب واختبار نموذجهم، يستخدم الفريق مجموعة صور تحت الماء متاحة للعامة تتضمن عدة مورفولوجيات مرجانية رئيسية: المتفرعة، والكتلية، والصفائحية. تُعاد تحجيم الصور وتحسينها، وتُطبَّق تغييرات لونية وهندسية متنوعة حتى يرى النموذج نسخًا كثيرة من المشهد نفسه، محاكياً التغيرات الواقعية في العمق والإضاءة ووضوح الماء. داخل الكاشف، تُعالَج الميزات على مقاييس متعددة بحيث يمكن العثور على رؤوس المرجان الصغيرة والمستعمرات الكبيرة على حد سواء. ثم تتدفق المعلومات المندمجة إلى مرحلة كشف تخرج مربعات تحديد حول المستعمرات وتُعيّن لكل منها فئة شكل النمو.

ماذا تُظهر النتائج

يُختبر النموذج المندمج، المسمى YOLOv12-CT، مقابل مجموعة من أنظمة الكشف المعروفة، بما في ذلك إصدارات YOLO السابقة، وكاشفات التعلم العميق الكلاسيكية، وتصميمات المحول الأحدث. عبر مقاييس أداء قياسية، مثل عدد المستعمرات المكتشفة، ودقة الوسم، ومدى الدقة في وضع المخططات، يحقق الأسلوب الجديد تفوقًا. يصل إلى متوسط دقة عالية عند عتبات التقييم الشائعة، متفوقًا على جميع النماذج المقارنة مع الحفاظ على أزمنة معالجة مناسبة للاستخدام شبه اللحظي. يثبت النظام قوته خصوصًا في التعرف على المرجان المسطح الشبيه بالصفائح، ويحسن بشكل كبير اكتشاف الأشكال المتفرعة الأكثر تعقيدًا، والتي عادة ما تكون الأصعب تمييزًا في مياه عكرة.

ماذا يعني هذا لحماية الشعاب

من خلال تحديد كيفية نمو المرجان بدقة وكفاءة أكبر، تسهّل هذه النهج تتبع بنية الشعاب والتنوع الحيوي والمرونة عبر الزمن. لا تزال الطريقة تواجه قيودًا، مثل عدم توازن بيانات التدريب والتكلفة الحاسوبية الإضافية لوحدات المحول، وقد يتباين الأداء في بيئات مائية شديدة القسوة أو غير مألوفة. ومع ذلك، تُظهر الدراسة أن مزج مؤشرات القوام التفصيلية مع رؤية أوسع للمشهد يمكن أن يمنح علماء البحار أداة قوية جديدة للمراقبة الآلية واسعة النطاق للشعاب المرجانية، مما يدعم قرارات أفضل بشأن الحفظ والترميم.

الاستشهاد: Nandal, P., Siwach, M. & Upadhyay, G.M. Coral morphology detection in underwater imagery using YOLOv12 with CNN and transformer encoder fusion. Sci Rep 16, 15426 (2026). https://doi.org/10.1038/s41598-026-42591-z

الكلمات المفتاحية: مورفولوجيا المرجان, تصوير تحت الماء, التعلم العميق, كشف الأجسام, مراقبة الشعاب