استكشاف أنواع مختلفة من البيانات لتطبيقات الذكاء الاصطناعي البصري

اعتادت التكنولوجيا مثل الطائرات بدون طيار أن تكون محدودة ومتاحة فقط للباحثين والمتخصصين، ولكن في الوقت الحاضر، أصبحت الأجهزة المتطورة في متناول جمهور أوسع. هذا التحول يغير الطريقة التي نجمع بها البيانات المرئية. فمع زيادة إمكانية الوصول إلى التكنولوجيا، يمكننا الآن التقاط الصور ومقاطع الفيديو من مصادر متنوعة، تتجاوز الكاميرات التقليدية.

في الوقت نفسه، يتطور تحليل الصور، الذي يتيحه computer vision، وهو فرع من فروع الذكاء الاصطناعي (AI)، بسرعة، مما يتيح للأجهزة تفسير ومعالجة البيانات المرئية بشكل أكثر فعالية. وقد فتح هذا التقدم إمكانيات جديدة للأتمتة، واكتشاف الكائنات، والتحليل في الوقت الفعلي. يمكن للأجهزة الآن التعرف على الأنماط، وتتبع الحركة، وفهم المدخلات المرئية المعقدة.

تشمل بعض الأنواع الرئيسية لـ visual data صور RGB (الأحمر، الأخضر، الأزرق)، والتي تُستخدم عادةً للتعرف على الكائنات، والتصوير الحراري، الذي يساعد في اكتشاف التوقيعات الحرارية في ظروف الإضاءة المنخفضة، وبيانات العمق، والتي تمكن الأجهزة من فهم البيئات ثلاثية الأبعاد. يلعب كل نوع من هذه البيانات دورًا حيوياً في تشغيل التطبيقات المختلفة للرؤية الحاسوبية، بدءاً من المراقبة إلى medical imaging.

في هذه المقالة، سوف نستكشف الأنواع الرئيسية للبيانات المرئية المستخدمة في الذكاء الاصطناعي البصري، ونستعرض كيف يساهم كل منها في تحسين الدقة والكفاءة والأداء عبر مختلف الصناعات. لنبدأ!

النوع الأكثر شيوعًا لمجموعات بيانات الصور والفيديو بالذكاء الاصطناعي#

عادةً، عندما تستخدم هاتفًا ذكيًا لالتقاط صورة أو مشاهدة لقطات كاميرات المراقبة (CCTV)، فإنك تتعامل مع صور RGB. يرمز RGB إلى الأحمر والأخضر والأزرق، وهي قنوات الألوان الثلاث التي تمثل المعلومات المرئية في الصور الرقمية.

صور ومقاطع فيديو RGB هي أنواع مترابطة من البيانات المرئية المستخدمة في الرؤية الحاسوبية، وكلاهما يتم التقاطه باستخدام كاميرات قياسية. الفرق الرئيسي هو أن الصور تلتقط لحظة واحدة، بينما مقاطع الفيديو هي سلسلة من الإطارات التي توضح كيفية تغير الأشياء بمرور الوقت.

تُستخدم صور RGB عموماً في computer vision tasks مثل اكتشاف الكائنات، وتقسيم المثيلات، وتقدير الوضعية، المدعومة بنماذج مثل Ultralytics YOLO11. تعتمد هذه التطبيقات على تحديد الأنماط، أو الأشكال، أو الميزات المحددة في إطار واحد.

من ناحية أخرى، تُعد مقاطع الفيديو ضرورية عندما تكون الحركة أو الوقت عاملًا مهماً، كما هو الحال في التعرف على الإيمانات، أو المراقبة، أو تتبع الإجراءات. وبما أنه يمكن اعتبار مقاطع الفيديو سلسلة من الصور، فإن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تقوم بمعالجتها إطاراً تلو الآخر لفهم الحركة والسلوك بمرور الوقت.

على سبيل المثال، يمكن استخدام Ultralytics YOLO11 لتحليل صور أو مقاطع فيديو RGB للكشف عن الأعشاب الضارة وعدد النباتات في الحقول الزراعية. هذا يعزز مراقبة المحاصيل ويساعد في تتبع التغيرات عبر دورات النمو لإدارة مزرعة أكثر كفاءة.

Fig 1. يستطيع YOLO11 اكتشاف النباتات وعدها لمراقبة المحاصيل بشكل أكثر ذكاءً.

بيانات العمق في الذكاء الاصطناعي البصري: LiDAR والإدراك ثلاثي الأبعاد#

تضيف بيانات العمق بعداً ثالثاً للمعلومات المرئية من خلال الإشارة إلى مدى بُعد الكائنات عن الكاميرا أو المستشعر. على عكس صور RGB التي capture color والملمس فقط، توفر بيانات العمق سياقاً مكانياً. وهي توضح المسافة بين الكائنات والكاميرا، مما يتيح تفسير التخطيط ثلاثي الأبعاد للمشهد.

يتم التقاط هذا النوع من البيانات باستخدام تقنيات مثل LiDAR، والرؤية المجسمة (باستخدام كاميرتين لمحاكاة إدراك العمق البشري)، وكاميرات زمن الرحلة (قياس الوقت الذي يستغرقه الضوء للانتقال إلى جسم ما والعودة).

من بين هذه التقنيات، غالبًا ما تكون LiDAR (كشف الضوء وتحديد المدى) هي الأكثر موثوقية لقياس العمق. وهي تعمل عن طريق إرسال نبضات ليزر سريعة وقياس الوقت الذي تستغرقه للارتداد. والنتيجة هي خريطة ثلاثية الأبعاد عالية الدقة، تُعرف بسحابة النقاط، والتي تبرز شكل وموقع ومسافة الأشياء في الوقت الفعلي.

الدور المتنامي لـ LiDAR في أنظمة الذكاء الاصطناعي البصري#

يمكن تقسيم تقنية LiDAR إلى نوعين رئيسيين، صُمم كل منهما لتطبيقات وبيئات محددة. إليك نظرة فاحصة على كلا النوعين:

• LiDAR المحمولة جواً: تُستخدم ماسحات LiDAR المحمولة جواً عادةً لرسم خريطة للمساحات الكبيرة، حيث يتم تثبيتها على drones أو الطائرات لالتقاط بيانات عالية الدقة لرسم الخرائط الطبوغرافية واسعة النطاق. وهي مثالية لمسح التضاريس، والغابات، والمناظر الطبيعية.
• LiDAR الأرضي: يتم جمع هذا النوع من بيانات LiDAR من مستشعرات مثبتة على مركبات أو منصات ثابتة لتطبيقات مثل مراقبة البنية التحتية، والبناء، ورسم الخرائط الداخلية. وهو يوفر بيانات مفصلة للغاية للمناطق الأصغر والأكثر تحديدًا، مما يجعله مفيدًا لمهام مثل تخطيط المدن ومسح هياكل معينة.

من التطبيقات المؤثرة لبيانات LiDAR في autonomous vehicles، حيث تلعب دوراً رئيسياً في مهام مثل اكتشاف الممرات، وتجنب الاصطدام، وتحديد الكائنات القريبة. تولد LiDAR خرائط مفصلة وثلاثية الأبعاد للبيئة في الوقت الفعلي، مما يمكن السيارة من رؤية الكائنات، وحساب مسافاتها، والقيادة بأمان.

Fig 2. تقنية LiDAR تمكّن المركبات ذاتية القيادة من رسم خرائط العمق واكتشاف الأشياء.

استخدام البيانات الحرارية والأشعة تحت الحمراء في تطبيقات الذكاء الاصطناعي#

تلتقط صور RGB ما نراه في طيف الضوء المرئي؛ ومع ذلك، فإن تقنيات التصوير الأخرى، مثل التصوير الحراري والأشعة تحت الحمراء، تتجاوز ذلك. يلتقط التصوير بالأشعة تحت الحمراء ضوء الأشعة تحت الحمراء المنبعث أو المنعكس من الأشياء، مما يجعله مفيدًا في ظروف الإضاءة المنخفضة.

في المقابل، يكتشف التصوير الحراري الحرارة المنبعثة من الأشياء ويظهر اختلافات درجات الحرارة، مما يسمح له بالعمل في الظلام الدامس أو عبر الدخان والضباب والعوائق الأخرى. هذا النوع من البيانات مفيد بشكل خاص للمراقبة واكتشاف المشكلات، خاصة في الصناعات التي يمكن أن تشير فيها تغيرات درجات الحرارة إلى مشاكل محتملة.

من الأمثلة المثيرة للاهتمام استخدام التصوير الحراري لمراقبة electrical components بحثاً عن علامات ارتفاع الحرارة. من خلال اكتشاف فروق درجات الحرارة، يمكن للكاميرات الحرارية تحديد المشكلات قبل أن تؤدي إلى تعطل المعدات، أو حرائق، أو أضرار مكلفة.

Fig 3. مثال على استخدام التصوير الحراري لمراقبة المكونات الكهربائية.

وبالمثل، يمكن لصور الأشعة تحت الحمراء أن تساعد في اكتشاف التسربات في خطوط الأنابيب أو العزل من خلال تحديد فروق درجات الحرارة التي تشير إلى هروب الغازات أو السوائل، وهو أمر بالغ الأهمية لمنع المواقف الخطرة وتحسين كفاءة الطاقة.

التصوير متعدد الأطياف وفائق الطيف في الذكاء الاصطناعي#

بينما يلتقط التصوير بالأشعة تحت الحمراء والحراري جوانب معينة من الطيف الكهرومغناطيسي، يجمع التصوير متعدد الأطياف الضوء من بضعة نطاقات طول موجي مختارة، يتم اختيار كل منها لغرض محدد، مثل اكتشاف الغطاء النباتي الصحي أو تحديد مواد السطح.

يأخذ التصوير فائق الطيف هذه الخطوة إلى أبعد من ذلك من خلال التقاط الضوء عبر مئات النطاقات الطولية الموجية الضيقة والمستمرة. وهذا يوفر توقيعًا ضوئيًا مفصلاً لكل بكسل في الصورة، مما يوفر فهمًا أعمق بكثير لأي مادة يتم مراقبتها.

Fig 4. مقارنة بين التصوير المتعدد الطيف والتصوير الفائق الطيف.

يستخدم كل من التصوير متعدد الأطياف وفائق الطيف مستشعرات ومرشحات خاصة لالتقاط الضوء بأطوال موجية مختلفة. ثم يتم تنظيم البيانات في هيكل ثلاثي الأبعاد يسمى المكعب الطيفي، حيث تمثل كل طبقة طولًا موجيًا مختلفًا.

يمكن لنماذج الذكاء الاصطناعي تحليل هذه البيانات لاكتشاف الميزات التي لا تستطيع الكاميرات العادية أو العين البشرية رؤيتها. على سبيل المثال، في plant phenotyping، يمكن استخدام التصوير الفائق الطيف لمراقبة صحة ونمو النباتات من خلال اكتشاف التغيرات الطفيفة في أوراقها أو سيقانها، مثل نقص العناصر الغذائية أو الإجهاد. يساعد هذا الباحثين على تقييم صحة النبات وتحسين الممارسات الزراعية دون الحاجة إلى طرق تداخلية.

تحليل صور الرادار والسونار باستخدام الذكاء الاصطناعي#

تصوير الرادار والسونار هما تقنيتان تكتشفان وتحدد خرائط للأشياء عن طريق إرسال إشارات وتحليل انعكاساتها، على غرار LiDAR. على عكس تصوير RGB، الذي يعتمد على موجات الضوء لالتقاط المعلومات المرئية، يستخدم الرادار موجات كهرومغناطيسية، عادةً موجات راديو، بينما يستخدم السونار موجات صوتية. تبعث كل من أنظمة الرادار والسونار نبضات وتقيس الوقت الذي تستغرقه الإشارة للارتداد من جسم ما، مما يوفر معلومات حول مسافته وحجمه وسرعته.

تصوير الرادار مفيد بشكل خاص عندما تكون الرؤية ضعيفة، مثل الضباب، أو المطر، أو أثناء الليل. ولأنه لا يعتمد على الضوء، فيمكنه اكتشاف الطائرات، أو المركبات، أو التضاريس في الظلام الدامس. وهذا يجعل الرادار خيارًا موثوقًا في الطيران، ومراقبة الطقس، والملاحة الذاتية.

في المقابل، يُستخدم تصوير السونار بشكل شائع في البيئات تحت الماء حيث لا يمكن للضوء الوصول إليه. وهو يستخدم موجات صوتية تنتقل عبر الماء وترتد عن الكائنات المغمورة، مما يسمح باكتشاف الغواصات، ورسم خرائط قاع المحيطات، وتنفيذ مهام الإنقاذ تحت الماء. تتيح التطورات في الرؤية الحاسوبية الآن تعزيز underwater detection من خلال الجمع بين بيانات السونار والتحليل الذكي لتحسين الاكتشاف واتخاذ القرار.

الشكل 5. كيف يستخدم نظام السونار نبضات الموجات فوق الصوتية قياس عمق البحر. (المصدر: bbc.co.uk)

البيانات المرئية الاصطناعية والمحاكية لتدريب نماذج الذكاء الاصطناعي#

حتى الآن، كانت الأنواع المختلفة من البيانات التي ناقشناها هي تلك التي يمكن جمعها من العالم الحقيقي. ومع ذلك، فإن البيانات المرئية الاصطناعية والمحاكاة هما نوعان من المحتوى الاصطناعي. يتم إنشاء البيانات الاصطناعية من الصفر باستخدام 3D modeling أو الذكاء الاصطناعي التوليدي إنتاج صور أو مقاطع فيديو تبدو واقعية.

Fig 6. نظرة على الصور المولدة اصطناعياً.

البيانات المحاكية متشابهة ولكنها تنطوي على إنشاء بيئات افتراضية تكرر كيفية تصرف العالم المادي، بما في ذلك انعكاس الضوء، وتكوين الظل، وحركة الأشياء. بينما جميع البيانات المرئية المحاكية هي اصطناعية، فليس كل البيانات الاصطناعية هي محاكية. الفرق الرئيسي هو أن البيانات المحاكية تكرر السلوك الواقعي، وليس المظهر فقط.

تعتبر هذه الأنواع من البيانات مفيدة لتدريب computer vision models، خاصة عندما يصعب جمع بيانات العالم الحقيقي أو عندما يلزم محاكاة مواقف محددة ونادرة. يمكن للمطورين إنشاء مشاهد كاملة، واختيار أنواع الكائنات، والمواضع، والإضاءة، وإضافة تسميات تلقائياً مثل مربعات الإحاطة للتدريب. يساعد هذا في بناء مجموعات بيانات كبيرة ومتنوعة بسرعة، دون الحاجة إلى صور حقيقية أو تصنيف يدوي، والذي يمكن أن يكون مكلفاً ومستهلكاً للوقت.

على سبيل المثال، في مجال الرعاية الصحية، يمكن استخدام البيانات الاصطناعية لتدريب النماذج على تجزئة خلايا سرطان الثدي، حيث يصعب جمع وتسمية مجموعات بيانات كبيرة من الصور الحقيقية. توفر البيانات الاصطناعية والمحاكية المرونة والتحكم، مما يسد الفجوات حيث تكون المرئيات الواقعية محدودة.

اختيار النوع المناسب من البيانات المرئية لتطبيق الذكاء الاصطناعي الخاص بك#

الآن بعد أن نظرنا في كيفية عمل الأنواع المختلفة من البيانات المرئية وما يمكن أن تفعله، دعونا نلقي نظرة فاحصة على أنواع البيانات الأنسب لمهام محددة:

• صور RGB: إنها مثالية لمهام الرؤية الحاسوبية العامة مثل image classification واكتشاف الكائنات. وهي تلتقط اللون والملمس ولكنها محدودة في الظروف الصعبة مثل الإضاءة المنخفضة أو الرؤية الضعيفة.
• تصوير LiDAR: يوفر هذا النوع من التصوير خرائط ثلاثية الأبعاد عالية الدقة باستخدام نبضات الليزر. إنه رائع للتطبيقات التي تتطلب قياسات مسافة دقيقة، مثل الروبوتات، والمركبات ذاتية القيادة، وفحص البنية التحتية.
• التصوير الحراري: نظرًا لأنه يمكنه اكتشاف فروق درجات الحرارة، فهو مفيد في ظروف الرؤية المنخفضة، مثل المراقبة الليلية، ومكافحة الحرائق، أو اكتشاف تسرب الحرارة في الآلات والمباني.
• التصوير متعدد الأطياف وفائق الطيف: مفيد للمهام التي تتطلب تحليلًا مفصلًا للمواد، مثل المراقبة الزراعية، ومراقبة جودة الأدوية، أو الاستشعار عن بعد. توفر هذه الطرق رؤى أعمق من خلال التقاط البيانات عبر نطاق واسع من الأطوال الموجية خارج الضوء المرئي.
• تصوير الرادار والسونار: يتم تفضيلهما في بيئات الرؤية المنخفضة. يستخدم الرادار موجات الراديو وهو مفيد في الطيران والملاحة، بينما يستخدم السونار موجات صوتية للعمل في الاكتشاف تحت الماء.
• البيانات المرئية الاصطناعية والمحاكاة: إنها مثالية لـ training AI models عندما تكون بيانات العالم الحقيقي محدودة، أو غير متوفرة، أو يصعب تصنيفها. تساعد هذه المرئيات الاصطناعية في بناء مجموعات بيانات متنوعة للسيناريوهات المعقدة مثل الأحداث النادرة أو الظروف الحرجة للسلامة.

في بعض الأحيان، قد لا يوفر نوع واحد من البيانات دقة أو سياقًا كافيًا في مواقف العالم الحقيقي. وهنا يأتي دور دمج المستشعرات متعددة الوسائط. من خلال الجمع بين RGB وأنواع بيانات أخرى مثل الحرارية، أو العمق، أو LiDAR، يمكن للأنظمة التغلب على القيود الفردية، مما يحسن الموثوقية والقدرة على التكيف.

على سبيل المثال، في warehouse automation، فإن استخدام RGB للتعرف على الكائنات، والعمق لقياس المسافة، والحراري للكشف عن المعدات التي تعاني من ارتفاع درجة الحرارة يجعل العمليات أكثر كفاءة وأماناً. في النهاية، تأتي أفضل النتائج من اختيار أو الجمع بين أنواع البيانات بناءً على الاحتياجات المحددة لتطبيقك.

أبرز النقاط#

عند بناء نماذج الذكاء الاصطناعي البصري، يعد اختيار النوع المناسب من البيانات المرئية أمرًا بالغ الأهمية. المهام مثل اكتشاف الأشياء، والتجزئة، وتتبع الحركة لا تعتمد فقط على الخوارزميات ولكن أيضًا على جودة بيانات الإدخال. تساعد مجموعات البيانات النظيفة والمتنوعة والدقيقة في تقليل الضوضاء وتحسين الأداء.

من خلال الجمع بين أنواع البيانات مثل RGB، والعمق، والحرارة، وLiDAR، تكتسب أنظمة الذكاء الاصطناعي رؤية أكثر اكتمالًا للبيئة، مما يجعلها أكثر موثوقية في ظروف مختلفة. ومع استمرار تحسن التكنولوجيا، فمن المحتمل أن تمهد الطريق للذكاء الاصطناعي البصري ليصبح أسرع وأكثر قابلية للتكيف وأكثر تأثيرًا عبر الصناعات.

انضم إلى community الخاص بنا واستكشف GitHub repository لمعرفة المزيد عن الرؤية الحاسوبية. اكتشف التطبيقات المختلفة المتعلقة بـ AI in healthcare و computer vision in retail على صفحات الحلول الخاصة بنا. تحقق من licensing options للبدء في استخدام رؤية الذكاء الاصطناعي.