מחקר על גילוי תכונות רב-קנה מידה לסדקים בכבישי מכרה פתוחים

מדוע סדקים זעירים בכבישי המכרה חשובים

מכרות פתוחים מסתמכים על כבישים ארוכים ומתפתלים להובלת אלפי טון סלע מדי יום. כאשר כבישים אלה נסדקים, משאיות עלולות להינזק, התנועה מתעכבת ובמקרים הקשים אף מתרחשים תאונות. עם זאת, סדקים רבים מתחילים כסדקים דקים כמעט בלתי נראים בעין, במיוחד בסביבות מכרה מלאות אבק וצללים. מחקר זה מציג שיטה מבוססת בינה מלאכותית (AI) שיכולה לזהות ולמפות סדקים בכבישים במכרות פתוחים באופן מדויק ויעיל יותר מטכניקות קיימות, ובכך להניח את היסוד לפעילות בטוחה וחסכונית יותר.

האתגר בזיהוי סדקים בנוף קשה

בדיקת כבישי מכרה עדיין מתבצעת פעמים רבות על ידי עובדים שהולכים או נוסעים לאט לאורך דרכי ההובלה ובוחנים בצורה ויזואלית את המשטח. גישה זו איטית, סובjectiveית וכמעט בלתי ניתנת להרחבה על פני הקילומטרים הרבים של כבישים במכרה גדול. טריקים קלאסיים בעיבוד תמונה, כמו סף פשוט או מציאת קצוות, מתקשים גם הם משום שכבישים במכרה נראים לעין כאזור העמוס בפרטים: סלעים חופשיים, סימני צמיגים, שלוליות ותנאי תאורה קיצוניים יוצרים תבניות שניתן לבלבל עם סדקים. גם דגמי למידה עמוקה מודרניים נתקלים בקושי בהקשר הזה, מכיוון שהסדקים עצמם דקים, שבורים ולעתים חלקית מכוסים בגרוטאות, ורשתות סטנדרטיות נוטות לאבד פרטים עדינים אלה.

מודל AI הממזג פרטים ממספר רמות

כדי להתגבר על המכשולים הללו, המחברים מתחילים מ-U‑Net, רשת מפורסמת לחלוקת תמונה, ומשנים את האופן בו היא משלבת מידע. מודול המיזוג המותאם שלהם פועל כמיקסר חכם שאוסף תכונות ממספר קני מידה בתמונה — מטקסטורות עדינות ברמת הפיקסל ועד צורות רחבות — ומיישר אותן לגודל אחיד. לאחר מכן הוא משתמש בשני שלבי תשומת לב: אחד שלומד אילו ערוצים נושאים את הרמזים החשובים ביותר לסדקים, ואחר שמזריק מידע על הסצנה הרחבה יותר. על ידי שקלול דינמי של הקלטים האלה, המודול מחזק אותות סדקים חלשים ודוחק מטה הסחות כגון צללים וחצץ, מה שמוביל לקצוות סדק חדים יותר במפת הפלט.

להדריך את הרשת היכן להסתכל

מעבר למיזוג התכונות, החוקרים מציגים מודול תשומת לב תעלתי-מרחבי (Channel–Spatial Attention Module) שמלמד את הרשת גם מה לחפש וגם היכן לחפש. בהשראת טכניקות תשומת לב עצמית הנפוצות במודלים לשפה, הוא מנתח תחילה כיצד ערוצי התכונות השונים מתקשרים זה עם זה, ושואל למעשה אילו שילובים נוטים להצביע על "זה סדק". לאחר מכן הוא מוסיף שלב תשומת לב מרחבי שמדגיש את האזורים המדויקים בתמונה שבהם סביר שהסדקים יופיעו. בשילוב, שלבים אלה מסייעים למודל להפריד טקסטורות סדק מרקע מבולגן ולשמור על רציפות של סדקים דקים ומתפתלים, גם כאשר חלקים מוסתרים או בעלי ניגודיות נמוכה.

להפוך את ה-AI למהיר מספיק לשטח

דיוק גבוה לבדו אינו מספיק למכרה פעיל, שבו המחשבים עשויים לשכון במשאיות, במשרדי שטח או על רחפנים עם כוח עיבוד מוגבל. כדי לענות על כך, הצוות מיישם אסטרטגיית כרסום שנקראת Layer‑Adaptive Magnitude Pruning. בפשטות, היא מודדת עד כמה חשובה כל קבוצת משקלים פנימית להחלטות המודל ואז גוזרת את אלה הפחות שימושיים, שכבה אחר שכבה. עד לרמת כרסום מתונה, הרשת הופכת רזה ומהירה יותר — קיצוץ של כשיעור רבע מהפרמטרים וכמעט שליש מהחישובים — מבלי לפגוע בדיוק, ובמקרה זה אף עם שיפור קל בזיהוי. המודל הסופי יכול לעבד ארגז תמונה בכ-שליש שנייה, מה שהופך סינון סדקים בזמן קרוב לאפשרי.

כמה טוב המערכת עובדת במכרות אמיתיים

החוקרים בחנו את השיטה שלהם על 2,847 תמונות ברזולוציה גבוהה שנאספו ממכרה פחם פתוח במונגוליה הפנימית, וסיקרו מגוון רחב של משטחים כבישיים, תנאי תאורה וצורות סדק. בהשוואה ל-U‑Net המקורי ולכמה דגמי סגמנטציה מוכרים נוספים, הרשת המשופרת השיגה חפיפה גבוהה יותר עם מסכות סדק שצוירו על ידי בני אדם, פחות אזעקות שווא ויתרון ברציפות עבור סדקים קטנים או חלקית מוסתרים. במקביל היא פעלה מהר יותר ודרשה זיכרון פחות מאשר מתחרות רבות. הישגים אלה מרמזים שהגישה אינה רק חזקה מבחינה אקדמית, אלא גם מעשית לפריסה במכשירי קצה כגון שרתי אתר המכרה, מצלמות או פלטפורמות רחפן.

מה זה אומר עבור הפעלה בטוחה יותר של מכרות

עבור הקורא הלא מומחה, המסקנה היא שעבודה זו הופכת תמונות גולמיות של כבישי מכרה מאובקים למפות סדקים מדויקות וקריאות מכונה באמצעות מודל AI קומפקטי. הדבר מקל על סריקה תדירה של מרחבים ארוכים של כביש — פוטנציאלית על-ידי רחפנים או מצלמות ממונעות על כלי רכב — ואיתור נקודות הצורך בתחזוקה לפני שחרקים קטנים יהפכו לסכנות משמעותיות. למרות שעדיין קיימים אתגרים בתנאים רעשניים או בלתי שגרתיים מאוד, גישת המיזוג המבוססת תשומת לב הזאת מהווה צעד משמעותי כלפי תחזוקה חכמה ומניעתית של כבישים במכרות פתוחים גדולים.

ציטוט: Wang, L., Zhao, M., Yu, Z. et al. Research on multi-scale feature detection of open-pit mine road cracks. Sci Rep 16, 6060 (2026). https://doi.org/10.1038/s41598-026-37153-2

מילות מפתח: כבישים במכרות פתוחים, גילוי סדקים, ראייה ממוחשבת, למידה עמוקה, בטיחות תשתיות