خط أنابيب TinyML لتصنيف الشقوق بكفاءة في فحوصات سلامة الهياكل باستخدام الطائرات بدون طيار

عيون أذكى في السماء

الجسور والسدود والهياكل الحيوية الأخرى تتقدم في العمر مثل البشر، والشقوق الصغيرة قد تكون علامات تحذير مبكرة لفشل مستقبلي. يرسل المهندسون بشكل متزايد طائرات صغيرة لالتقاط صور لهذه الأسطح، لكن اليوم يتعين إرسال كثير من تلك الصور إلى خوادم بعيدة لتحليلها، ما يستهلك بطارية الطائرة ويعرض خصوصية البيانات للخطر. تستكشف هذه الورقة كيفية تقليص "الدماغ" الكاشف للشقوق إلى شريحة صغيرة تستهلك ميلي واط ويمكن حملها على الطائرة نفسها، مما يجعل الفحوصات أسرع وأكثر أمانًا وأكثر كفاءة.

لماذا الشقوق مهمة

تعتمد الطرق التقليدية لتتبع حالة الهياكل غالبًا على حساسات تلامسية تُثبت أو تُلصق على الخرسانة والفولاذ. يمكن أن تكون هذه الأنظمة مكلفة في التركيب وغالبًا ما تكتشف المشكلات بعد تفاقم الضرر. يوفر التفتيش البصري رؤية أكثر مباشرة، لكن إرسال مفتشين بشريين على سقالات أو إلى ممرات مرور بطيء ومحفوف بالمخاطر وذو طابع شخصي. توعد الطائرات الصغيرة غير المأهولة المجهزة بكاميرات بطريقة أفضل: إذ يمكنها مسح أسطح الجسور والجدران بسرعة، والتقاط آلاف الصور التفصيلية التي تكشف عن تشققات دقيقة. التحدي هو كيفية التعامل مع كل تلك البيانات عندما تمتلك الطائرة مدى بطارية محدودًا وغالبًا اتصالات شبكة غير موثوقة.

المشكلة في إرسال كل شيء إلى السحابة

تتبع معظم الأنظمة الحالية نمط "اكتساب على الحافة – استدلال في السحابة". تعمل الطائرة ببساطة ككاميرا طائرة، تبث الصور إلى كمبيوتر قوي في مكان آخر يشغّل نموذج تعلم عميق ليقرر ما إذا كانت كل بقعة من الخرسانة تحتوي على شق أم لا. هذا النهج منطقي من ناحية الحوسبة، لكنه يأتي مع عيوب كبيرة. بث الصور عالية الجودة يستنزف بطارية الطائرة، ويقصر زمن الطيران بشكل كبير. إذا انقطع الرابط اللاسلكي أو ضعُف، قد تتوقف مهمة التفتيش في أسوأ لحظة. وإرسال صور مفصّلة لبُنى استراتيجية إلى خوادم بعيدة يثير مخاوف مفهومة حول الخصوصية والأمن. تدفع هذه الضغوط إلى نهج مختلف: وضع الذكاء مباشرة على الطائرة، على عتاد يكاد لا يكون أقوى من ساعة رقمية.

تقليص الدماغ ليتناسب مع شريحة صغيرة

بنى المؤلفون خط أنابيب متكامل يعمل على متحكم دقيق منخفض الطاقة، STM32H7، باستخدام شبكة عصبية مدمجة تُدعى MobileNetV1x0.25. بدلًا من اختراع نموذج جديد، ركزوا على كل ما يحيط به: كيف تُعالج الصور مسبقًا وكيف يُضغط النموذج. استخدموا مجموعة بيانات مدروسة جيدًا تضم أكثر من 50,000 صورة خرسانة، مقسمة إلى رقع صغيرة معنونة "شق" أو "لا شق"، ثم دربوا واختبروا طرقًا مختلفة لتحضير هذه الرقع للنموذج الصغير. اتبع مسار واحد سلسلة خطوات مصممة يدويًا مثل التحويل إلى التدرج الرمادي، وتعزيز التباين، وإزالة الضوضاء، والتنقية، وأخيرًا تحويل الصور إلى ظلال سوداء وبيضاء صارخة. واتّبع مسار آخر استراتيجية بحث "جشعة" تبني سلسلة المعالجة خطوة بخطوة، محافظة دائمًا على التوليفة التي حسّنت أداء النموذج بالفعل.

إيجاد النقطة المثلى في خط الأنابيب

كشفت الاختبارات أن المزيد من المعالجة ليس بالضرورة أفضل. في الواقع، أدى خط المعالجة اليدوي الذي انتهى بعملية ثنائية عنيفة إلى الإضرار بالشبكة العصبية، حيث أزال تدرجات دقيقة كانت النموذج بحاجة إليها لرؤية الشقوق الرفيعة. بالمقابل، وجدت استراتيجية البحث الجشع أن زوجًا أبسط من الخطوات — التحويل إلى التدرج الرمادي يليه ترشيح الوسيط لتنعيم الضوضاء بلطف — أعطى أفضل النتائج. بالإضافة إلى ذلك، استكشف الفريق بشكل منهجي أربع طرق لضغط النموذج: تحويل الأرقام من دقّة كاملة إلى أعداد صحيحة ثمانية بت، تدريبه بينما هو "يتظاهر" بأنه مُكمّم، اقتطاع الأوزان الأقل أهمية، وتجميع قيم الأوزان المتشابهة. جرّبوا هذه التقنيات منفردة ومجتمعة، ثم نشروا النماذج الناتجة على لوحة المتحكم وقاسوا ليس الدقة فحسب، بل استخدام الذاكرة ووقت المعالجة والطاقة لكل قرار.

حاسوب صغير، أداء كبير

برز تكوين واحد كأفضل خيار شامل: إدخال بتدرج رمادي زائد مرشح وسيط يغذي نموذجًا يجمع بين الاقتطاع وتدريب الوعي بعملية التكميم بصيغة ثمانية بت. حقق هذا الإعداد المضغوط درجة F1 — توازن بين التقاط الشقوق الحقيقية وتجنب الإنذارات الكاذبة — بلغت 0.938، بزيادة تزيد عن 11 نقطة مئوية مقارنة بكاشفات الشقوق على الجهاز الأقدم. في الوقت نفسه، احتاج إلى نحو 2.9 ميغابايت فقط من ذاكرة العمل، و309 كيلوبايت من تخزين البرنامج، وأقل من نصف ثانية لمعالجة كل رقعة صورة. استهلك كل قرار نحو 0.6 جول من الطاقة. عند تثبيته على طائرة DJI Mini 4 Pro، فإن تشغيل هذا المصنف باستمرار سيقلل زمن الطيران بنحو 4 بالمئة فقط، مقارنة بحوالي ربع البطارية التي تستهلكها لوحات الحوسبة على الحافة الشائعة والأثقل بكثير.

ما الذي يعنيه هذا للفحوصات العملية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن التقييمات الهيكلية الجادة لم تعد تتطلب إرسال صور حساسة إلى مراكز بيانات بعيدة أو حمل حواسب ضخمة ومستهلكة للطاقة إلى السماء. عبر ضبط كيفية تنظيف الصور وكيفية ضغط الشبكة العصبية بعناية، يوضح المؤلفون أن شريحة بحجم الإبهام يمكنها اكتشاف الشقوق في الخرسانة بشكل موثوق مع استهلاك طاقة ضئيل من بطارية الطائرة. يظل النظام متينًا إلى حد معقول أمام الضبابية الناتجة عن الحركة وتغير الإضاءة، ويتصرف بشكل معقول حتى عندما تكون صور الشقوق نادرة بين العديد من الرقع السليمة. معًا، تدفع هذه النتائج التفتيش القائم على الطائرات بدون طيار أقرب إلى مستقبل يمكن فيه لأسراب من الطائرات الصغيرة الرخيصة أن تجوب هياكلنا بهدوء، مكتشفة المشكلات مبكرًا بذكاء فعّال على متنها.

الاستشهاد: Zhang, Y., Nürnberg, A., Rau, L.S.M. et al. TinyML pipeline for efficient crack classification in UAV-based structural health inspections. Sci Rep 16, 8964 (2026). https://doi.org/10.1038/s41598-026-43534-4

الكلمات المفتاحية: تفتيش الطائرات بدون طيار, شقوق الخرسانة, التعلم الآلي الصغير, مراقبة سلامة الهياكل, الذكاء الاصطناعي على الحافة