شبكة متعددة المقاييس قابلة للتكيّف وخفيفة للكشف عن علامات المرور الصغيرة على مسافات بعيدة

لماذا تهم علامات الطرق الصغيرة

تعتمد أنظمة مساعدة السائق والسيارات ذاتية القيادة الحديثة على اكتشاف علامات المرور بسرعة وبشكل موثوق، حتى عندما تظهر تلك العلامات كبقع صغيرة بعيدة على الطريق. قد يعني فقدان علامة تحديد السرعة الصغيرة أو تفسير تحذير بشكل خاطئ اتخاذ قرارات متأخرة أو غير آمنة. ومع ذلك، تمتلك الحواسيب المحمولة داخل السيارة قدرة معالجة محدودة، وتغيب العلامات البعيدة بسهولة داخل مشاهد من المباني والأشجار والوهج. تُقدّم هذه الورقة YOLO‑AML، نظام رؤية مبسّط مصمّم لاختيار علامات المرور الصغيرة على مسافات بعيدة في الزمن الحقيقي، مما يساعد السيارات على «الرؤية» بشكل أفضل دون طلب عتاد ثقيل.

تحدي رؤية العلامات الصغيرة

في مشاهد المرور الحقيقية، قد تظهر نفس فئة العلامة بحجم كبير عندما تكون قريبة وتشغل أقل من جزء من الألف من الصورة عندما تكون بعيدة. تزيد العوامل الجوية والظلال والعوائق من طمس هذه العلامات أو إخفائها، بينما تخلق المقودات ومشاهد الطرق المليئة بالتفاصيل أنماطاً مشتتة. اعتمدت طرق الرؤية الحاسوبية التقليدية على دلائل لونية وحدية مصممة يدوياً، والتي تواجه صعوبة عند تغيّر الإضاءة. الأنظمة الحديثة القائمة على التعلم العميق، مثل عائلة كاشفات YOLO الشائعة، أسرع وأكثر دقة، لكنها لا تزال تفقد التفاصيل الدقيقة عند تصغير الصور لمعالجتها بكفاءة، وغالباً تحتاج إلى قوة حوسبة أكبر مما يمكن للأجهزة المدمجة في السيارة توفيره.

شبكة أخف تحافظ على التفاصيل

ينطلق YOLO‑AML من تصميم حديث لـ YOLO ويعيد تشكيل طبقاته الداخلية لتكون أخف وزنًا وأكثر حرصًا على التفاصيل الصغيرة. بدلاً من استخدام عمليات قياسية تتجاهل بكسلات أثناء تصغير الصورة، يستخدم النظام خطوة «المساحة إلى العمق» التي تعيد ترتيب تلك البكسلات إلى قنوات إضافية. هذا يحتفظ بالمعلومات الأصلية مع تقليل العرض والارتفاع للبيانات، مما يخفض الحسابات مع الحفاظ على نسيج العلامات الصغيرة. وحدة ظهرية معاد تصميمها تسمى CLSKA تستخدم أنماط مرشحات كبيرة لكنها اقتصادية للنظر في الحواف الموضعية والمحيط الأوسع، حتى يتمكن الشبكة من ربط لمحة خفيفة من اللون الأحمر أو الأصفر بسياق الطريق المحيط دون زيادة كبيرة في الحجم.

ضبط الانتباه وقياس الصناديق بحكمة أكبر

حفظ التفاصيل وحده لا يكفي، لأن المشاهد البعيدة مليئة بالأشجار والمباني وأعمدة الإضاءة وعلامات الطريق التي قد تربك الكاشف. لمواجهة هذا، يضيف YOLO‑AML كتلة انتباه تُسمى NAST تعيد بهدوء استخدام قيم التطبيع الموجودة داخل الشبكة كدليل لما يجب تجاهله. تُخفّض القنوات والبكسلات التي تتصرف كخلفية من أهميتها، بينما تُعزز تلك التي تشبه العلامات المحتملة، وكل ذلك دون إضافة طبقات ثقيلة إضافية. في مرحلة المخرجات، يغير النظام أيضاً طريقة تعلمه لرسم مربعات المحيط حول العلامات. بدلاً من الاعتماد على مقياس تداخل قد ينخفض فجأة إلى صفر عندما يتحرك صندوق صغير ببضع بكسلات، يعامل كل صندوق ككتلة ناعمة ويقيس مدى تشابه هذه الكتل باستخدام مقياس مسافة سلس. هذا يمنح النموذج إشارات تدريب مستقرة حتى عندما تكون العلامات صغيرة للغاية.

اختبار النظام

يقيم المؤلفون YOLO‑AML على مجموعة بيانات كبيرة لعلامات الطرق الصينية وعلى معيار أوروبي منفصل، تغطي آلاف المشاهد الحضرية وعلى الطرق السريعة. بالمقارنة مع خط أساس قوي والعديد من متغيرات YOLO الشائعة، يكتشف النظام الجديد نسبة أعلى من العلامات الحقيقية أثناء التشغيل بسرعة أكبر وباستخدام عدد معاملات أقل. في مجموعة البيانات الرئيسية، يخفض حجم النموذج بحوالي سدس ويعجّل المعالجة، ومع ذلك يحسن الدقة، خصوصاً للعلامات البعيدة والمخفية جزئياً. تؤكد خرائط «الحرارة» البصرية أن الشبكة تتركّز بشكل أكثر إحكاماً على العلامات الفعلية وتُشتّت أقل بالنقوش والظلال غير ذات الصلة. تُظهر اختبارات على لوحة Jetson Nano منخفضة الطاقة أن الطريقة ما تزال تعمل ضمن قيود الذاكرة والسرعة المشددة، مما يبرز ملاءمتها للاستخدام المدمج.

ماذا يعني هذا للسيارات المستقبلية

بعبارة بسيطة، يشبه YOLO‑AML منح السيارة بصرًا أطول مدى وأفضل تركيز مع الحفاظ على عقل صغير وفعال. عبر الحفاظ على تفاصيل الصورة الدقيقة، وتوجيه الانتباه بعيداً عن الفوضى، واستخدام طريقة أكثر تسامحاً لتقييم مواضع الصناديق، يمكن للنظام اكتشاف علامات المرور الصغيرة مبكراً وبشكل أكثر موثوقية. يجمع هذا المزيج من الدقة والسرعة والخفة ليجعل منه لبنة واعدة لمنصات مساعدة السائق والقيادة الذاتية المستقبلية، حيث تهم كل ميلي ثانية وكل واط من طاقة الحوسبة.

الاستشهاد: Liang, R., Qu, W. & Li, S. An adaptive multi-scale lightweight network for long-distance small traffic sign detection. Sci Rep 16, 13459 (2026). https://doi.org/10.1038/s41598-026-43920-y

الكلمات المفتاحية: القيادة الذاتية, كشف علامات المرور, كشف الأجسام الصغيرة, الشبكات العصبية الخفيفة, YOLO