استكشاف أنواع مختلفة من البيانات لتطبيقات ذكاء الرؤية الاصطناعي

كانت تقنيات مثل الطائرات المسيّرة محدودة الاستخدام في السابق، ولم تكن متاحة إلا للباحثين والمتخصصين، لكن الأجهزة المتقدمة أصبحت اليوم متاحة لشريحة أوسع من الجمهور. ويغير هذا التحول طريقة جمعنا للبيانات المرئية. فبفضل التكنولوجيا الأيسر منالًا، أصبح بإمكاننا الآن التقاط الصور ومقاطع الفيديو من مصادر متنوعة، لا من الكاميرات التقليدية فحسب.

وبالتوازي مع ذلك، يشهد تحليل الصور، الذي تتيحه الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI)، تطورًا سريعًا، مما يسمح للآلات بتفسير البيانات المرئية ومعالجتها بفاعلية أكبر. وقد أتاح هذا التقدم إمكانات جديدة للأتمتة واكتشاف الكائنات والتحليل في الوقت الفعلي. وأصبحت الآلات قادرة الآن على التعرّف على الأنماط وتتبع الحركة واستيعاب المدخلات المرئية المعقدة.

تشمل الأنواع الأساسية من البيانات المرئية صور RGB (الأحمر، والأخضر، والأزرق)، التي تُستخدم عادةً للتعرّف على الكائنات، والتصوير الحراري، الذي يساعد على اكتشاف البصمات الحرارية في ظروف الإضاءة المنخفضة، وبيانات العمق، التي تمكّن الآلات من فهم البيئات ثلاثية الأبعاد. ويؤدي كل نوع من أنواع البيانات هذه دورًا حيويًا في تشغيل تطبيقات متنوعة للذكاء الاصطناعي للرؤية، بدءًا من المراقبة وصولًا إلى التصوير الطبي.

في هذا المقال، سنستكشف الأنواع الرئيسية للبيانات المرئية المستخدمة في الذكاء الاصطناعي البصري، ونبحث في إسهام كل نوع في تحسين الدقة والكفاءة والأداء عبر مختلف القطاعات.

الأنواع الأكثر شيوعًا من مجموعات بيانات الصور والفيديو المستخدمة في الذكاء الاصطناعي#

عادةً، عندما تستخدم هاتفًا ذكيًا لالتقاط صورة أو لمشاهدة لقطات كاميرات المراقبة، فإنك تتعامل مع صور RGB. وRGB اختصار للأحمر والأخضر والأزرق، وهي القنوات اللونية الثلاث التي تمثل المعلومات المرئية في الصور الرقمية.

تُعد صور RGB ومقاطع الفيديو نوعين مترابطين ارتباطًا وثيقًا من البيانات المرئية المستخدمة في الرؤية الحاسوبية، ويُلتقط كلاهما باستخدام كاميرات عادية. ويتمثل الفرق الأساسي في أن الصور تلتقط لحظة واحدة، بينما تتألف مقاطع الفيديو من سلسلة إطارات تُظهر كيفية تغير الأشياء بمرور الوقت.

تُستخدم صور RGB عمومًا في مهام الرؤية الحاسوبية مثل اكتشاف الكائنات وتقسيم الكائنات الفردية وتقدير الوضعيات، وتدعمها نماذج مثل Ultralytics YOLO11. وتعتمد هذه التطبيقات على تحديد الأنماط أو الأشكال أو السمات المحددة في إطار واحد.

أما مقاطع الفيديو، فهي ضرورية عندما تكون الحركة أو الزمن عاملًا مؤثرًا، كما في التعرّف على الإيماءات أو المراقبة أو تتبع الأفعال. وبما أن مقاطع الفيديو يمكن اعتبارها سلسلة من الصور، فإن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تعالجها إطارًا تلو الآخر لفهم الحركة والسلوك بمرور الوقت.

فعلى سبيل المثال، يمكن استخدام Ultralytics YOLO11 لتحليل صور RGB أو مقاطع الفيديو لاكتشاف الأعشاب الضارة وعدّ النباتات في الحقول الزراعية. ويعزز ذلك مراقبة المحاصيل ويساعد على تتبع التغيّرات عبر دورات النمو لتحسين كفاءة إدارة المزارع.

الشكل 1. يستطيع YOLO11 اكتشاف النباتات وعدّها لتحسين مراقبة المحاصيل.

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

تضيف بيانات العمق بُعدًا ثالثًا إلى المعلومات المرئية، من خلال تحديد مدى بُعد الكائنات عن الكاميرا أو المستشعر. وعلى خلاف صور RGB التي لا تلتقط سوى اللون والملمس، توفر بيانات العمق سياقًا مكانيًا. فهي تُظهر المسافة بين الكائنات والكاميرا، مما يتيح تفسير التخطيط الثلاثي الأبعاد للمشهد.

يُلتقط هذا النوع من البيانات باستخدام تقنيات مثل LiDAR والرؤية المجسمة (التي تستخدم كاميرتين لمحاكاة إدراك الإنسان للعمق) وكاميرات زمن الرحلة (التي تقيس الوقت الذي يستغرقه الضوء للوصول إلى جسم والارتداد عنه). ويمكن أيضًا استنتاج العمق من صورة RGB واحدة باستخدام نماذج تقدير العمق الأحادي.

ومن بين هذه التقنيات، غالبًا ما يكون LiDAR (الكشف وتحديد المدى بالضوء) الأكثر موثوقية لقياس العمق. ويعمل بإرسال نبضات ليزر سريعة وقياس المدة التي تستغرقها للارتداد. وتكون النتيجة خريطة ثلاثية الأبعاد عالية الدقة تُعرف بالسحابة النقطية، وتُظهر شكل الكائنات وموقعها والمسافة إليها في الوقت الفعلي.

الدور المتنامي لتقنية LiDAR في أنظمة الذكاء الاصطناعي للرؤية#

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

• LiDAR المحمول جوًا: يُستخدم عادةً لرسم خرائط المناطق الكبيرة، إذ تُثبّت ماسحات LiDAR المحمولة جوًا على طائرات مسيّرة أو طائرات لالتقاط بيانات عالية الدقة لإعداد خرائط طبوغرافية واسعة النطاق. وهو مثالي لمسح التضاريس والغابات والمناظر الطبيعية.
• LiDAR الأرضي: يُجمع هذا النوع من بيانات LiDAR باستخدام مستشعرات مثبتة على مركبات أو منصات ثابتة، لتطبيقات مثل مراقبة البنية التحتية والبناء ورسم الخرائط الداخلية. ويوفر بيانات مفصلة للغاية لمناطق أصغر ومحددة، مما يجعله مفيدًا لمهام مثل تخطيط المدن ومسح منشآت بعينها.

ومن التطبيقات المؤثرة لبيانات LiDAR استخدامها في المركبات ذاتية القيادة، حيث تؤدي دورًا أساسيًا في مهام مثل اكتشاف المسارات وتجنب التصادمات وتحديد الكائنات القريبة. وينشئ LiDAR خرائط ثلاثية الأبعاد مفصلة للبيئة في الوقت الفعلي، مما يتيح للمركبة رؤية الكائنات وحساب المسافة إليها والتنقل بأمان.

الشكل 2. تتيح تقنية LiDAR للمركبات ذاتية القيادة رسم خرائط العمق واكتشاف الكائنات.

استخدام البيانات الحرارية وتحت الحمراء في تطبيقات الذكاء الاصطناعي#

تلتقط صور RGB ما نراه ضمن طيف الضوء المرئي؛ إلا أن تقنيات تصوير أخرى، مثل التصوير الحراري والتصوير بالأشعة تحت الحمراء، تتجاوز هذا النطاق. يلتقط التصوير بالأشعة تحت الحمراء الضوء تحت الأحمر المنبعث من الكائنات أو المنعكس عنها، مما يجعله مفيدًا في ظروف الإضاءة المنخفضة.

أما التصوير الحراري، فيرصد الحرارة المنبعثة من الكائنات ويُظهر اختلافات درجات الحرارة، مما يتيح له العمل في الظلام الدامس أو عبر الدخان والضباب والعوائق الأخرى. ويُعد هذا النوع من البيانات مفيدًا على نحو خاص للمراقبة واكتشاف المشكلات، لا سيما في القطاعات التي قد تشير فيها التغيّرات الحرارية إلى مشكلات محتملة.

ومن الأمثلة اللافتة استخدام التصوير الحراري لمراقبة المكونات الكهربائية بحثًا عن علامات ارتفاع درجة الحرارة. فمن خلال اكتشاف اختلافات درجات الحرارة، تستطيع الكاميرات الحرارية تحديد المشكلات قبل أن تؤدي إلى تعطل المعدات أو نشوب الحرائق أو وقوع أضرار مكلفة.

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

وبالمثل، يمكن أن تساعد الصور بالأشعة تحت الحمراء على اكتشاف التسربات في خطوط الأنابيب أو مواد العزل من خلال تحديد اختلافات درجات الحرارة التي تشير إلى تسرب الغازات أو السوائل، وهو أمر بالغ الأهمية لمنع المواقف الخطرة وتحسين كفاءة الطاقة.

التصوير متعدد الأطياف وفائق الأطياف في الذكاء الاصطناعي#

في حين يلتقط التصوير بالأشعة تحت الحمراء والتصوير الحراري جوانب محددة من الطيف الكهرومغناطيسي، يجمع التصوير متعدد الأطياف الضوء ضمن بضعة نطاقات مختارة من الأطوال الموجية، يُختار كل منها لغرض محدد، مثل اكتشاف النباتات السليمة أو تحديد مواد الأسطح.

يذهب التصوير فائق الأطياف إلى أبعد من ذلك، إذ يلتقط الضوء عبر مئات النطاقات الضيقة والمتصلة من الأطوال الموجية. ويوفر ذلك بصمة ضوئية مفصلة لكل بكسل في الصورة، ما يتيح فهمًا أعمق بكثير لأي مادة تخضع للرصد.

الشكل 4. مقارنة التصوير متعدد الأطياف والتصوير فائق الأطياف.

يستخدم كل من التصوير متعدد الأطياف والتصوير فائق الأطياف مستشعرات ومرشحات خاصة لالتقاط الضوء عند أطوال موجية مختلفة. ثم تُنظّم البيانات في بنية ثلاثية الأبعاد تُسمى المكعب الطيفي، وتمثل كل طبقة منها طولًا موجيًا مختلفًا.

يمكن لنماذج الذكاء الاصطناعي تحليل هذه البيانات لاكتشاف سمات لا تستطيع الكاميرات العادية أو العين البشرية رؤيتها. فعلى سبيل المثال، في التنميط الظاهري للنباتات، يمكن استخدام التصوير فائق الأطياف لمراقبة صحة النباتات ونموها عبر اكتشاف التغيّرات الدقيقة في أوراقها أو سيقانها، مثل نقص المغذيات أو الإجهاد. ويساعد ذلك الباحثين على تقييم صحة النباتات وتحسين الممارسات الزراعية دون الحاجة إلى أساليب تدخلية.

تحليل صور الرادار والسونار باستخدام الذكاء الاصطناعي#

تقنيتا تصوير الرادار والسونار تكشفان الكائنات وترسمان خرائطها بإرسال إشارات وتحليل انعكاساتها، على نحو يشبه LiDAR. وعلى خلاف التصوير بتقنية RGB، الذي يعتمد على موجات الضوء لالتقاط المعلومات المرئية، يستخدم الرادار الموجات الكهرومغناطيسية، وعادةً الموجات الراديوية، بينما يستخدم السونار الموجات الصوتية. وتُصدر أنظمة الرادار والسونار نبضات وتقيسان الوقت الذي تستغرقه الإشارة للارتداد عن كائن، مما يوفر معلومات عن بُعده وحجمه وسرعته.

يفيد التصوير بالرادار على نحو خاص عندما تكون الرؤية ضعيفة، مثل أوقات الضباب أو المطر أو الليل. ولأنه لا يعتمد على الضوء، يستطيع اكتشاف الطائرات والمركبات والتضاريس في الظلام الدامس. وهذا ما يجعل الرادار خيارًا موثوقًا في الطيران ومراقبة الطقس والملاحة الذاتية.

في المقابل، يُستخدم التصوير بالسونار عادةً في البيئات تحت الماء حيث لا يصل الضوء. فهو يستخدم موجات صوتية تنتقل عبر الماء وترتد عن الكائنات المغمورة، مما يتيح اكتشاف الغواصات ورسم خرائط قاع المحيط وتنفيذ مهام الإنقاذ تحت الماء. وتتيح التطورات في الرؤية الحاسوبية الآن تحسين الاكتشاف تحت الماء من خلال الجمع بين بيانات السونار والتحليل الذكي لتحسين الاكتشاف واتخاذ القرارات.

الشكل 5. كيفية استخدام نظام السونار لنبضات الموجات فوق الصوتية لقياس عمق البحر. (المصدر: bbc.co.uk)

البيانات المرئية الاصطناعية والمحاكاة لتدريب نماذج الذكاء الاصطناعي#

حتى الآن، كانت أنواع البيانات المختلفة التي ناقشناها هي تلك التي يمكن جمعها من العالم الحقيقي. لكن البيانات المرئية الاصطناعية والمحاكاة كلاهما نوعان من المحتوى المُنشأ. تُنشأ البيانات الاصطناعية من الصفر باستخدام النمذجة ثلاثية الأبعاد أو الذكاء الاصطناعي التوليدي لإنتاج صور أو مقاطع فيديو تبدو واقعية.

الشكل 6. نظرة على الصور المُنشأة اصطناعيًا.

تشبه البيانات المُحاكاة البيانات الاصطناعية، لكنها تتضمن إنشاء بيئات افتراضية تحاكي سلوك العالم المادي، بما في ذلك انعكاس الضوء وتكوّن الظلال وحركة الأجسام. وعلى الرغم من أن جميع البيانات المرئية المُحاكاة اصطناعية، فليست كل البيانات الاصطناعية مُحاكاة. والفرق الأساسي هو أن البيانات المُحاكاة تكرر السلوك الواقعي، لا المظهر فحسب.

تفيد أنواع البيانات هذه في تدريب نماذج الرؤية الحاسوبية، ولا سيما عندما يصعب جمع البيانات الواقعية أو عند الحاجة إلى محاكاة حالات محددة ونادرة. يستطيع المطورون إنشاء مشاهد كاملة واختيار أنواع الأجسام ومواضعها والإضاءة، وإضافة تسميات تلقائيًا مثل مربعات الإحاطة للتدريب. ويساعد ذلك على إنشاء مجموعات بيانات كبيرة ومتنوعة بسرعة، من دون الحاجة إلى صور حقيقية أو وضع تسميات يدويًا، وهي عملية قد تكون مكلفة وتستغرق وقتًا طويلًا.

على سبيل المثال، يمكن استخدام البيانات الاصطناعية في الرعاية الصحية لتدريب النماذج على تقسيم خلايا سرطان الثدي، إذ يصعب جمع مجموعات بيانات كبيرة من الصور الحقيقية وتصنيفها. توفر البيانات الاصطناعية والمحاكاة المرونة والتحكم، وتسدان الفجوات عندما تكون الصور الواقعية محدودة.

اختيار نوع البيانات المرئية المناسب لتطبيق الذكاء الاصطناعي لديك#

بعد أن استعرضنا آلية عمل أنواع البيانات المرئية المختلفة وما يمكنها فعله، لنتعمق في أنواع البيانات الأنسب لمهام محددة:

• صور RGB: تلائم هذه الصور مهام الرؤية الحاسوبية العامة مثل تصنيف الصور واكتشاف الأجسام. فهي تلتقط الألوان والأنسجة، لكن إمكاناتها محدودة في الظروف الصعبة، مثل الإضاءة الخافتة أو ضعف الرؤية.
• التصوير بتقنية LiDAR: يوفر هذا النوع من التصوير خرائط ثلاثية الأبعاد عالية الدقة باستخدام نبضات الليزر. وهو مناسب للتطبيقات التي تتطلب قياسات دقيقة للمسافة، مثل الروبوتات والمركبات ذاتية القيادة وفحص البنية التحتية.
• التصوير الحراري: يفيد هذا التصوير في ظروف ضعف الرؤية، مثل المراقبة ليلًا ومكافحة الحرائق واكتشاف تسرب الحرارة في الآلات والمباني، نظرًا إلى قدرته على رصد الفروق في درجات الحرارة.
• التصوير متعدد الأطياف وفائق الأطياف: يفيد هذان النوعان في المهام التي تتطلب تحليلًا تفصيليًا للمواد، مثل مراقبة الزراعة ومراقبة جودة المستحضرات الصيدلانية والاستشعار عن بُعد. وتوفر هذه الأساليب رؤى أعمق عبر التقاط البيانات على نطاق واسع من الأطوال الموجية يتجاوز الضوء المرئي.
• التصوير بالرادار والسونار: يُفضَّل هذان النوعان في البيئات ضعيفة الرؤية. يستخدم الرادار موجات الراديو، ويفيد في الطيران والملاحة، بينما يستخدم السونار الموجات الصوتية للكشف تحت الماء.
• البيانات المرئية الاصطناعية والمحاكاة: تُعد هذه البيانات مثالية لـتدريب نماذج الذكاء الاصطناعي عندما تكون بيانات العالم الحقيقي محدودة أو غير متاحة أو يصعب وسمها. وتساعد هذه المرئيات الاصطناعية على إنشاء مجموعات بيانات متنوعة لسيناريوهات معقدة، مثل الأحداث النادرة أو الظروف الحرجة للسلامة.

أحيانًا، لا يكفي نوع واحد من البيانات لتوفير دقة أو سياق كافيين في المواقف الواقعية. وهنا يصبح دمج بيانات المستشعرات متعددة الأنماط أمرًا أساسيًا. فمن خلال الجمع بين بيانات RGB وأنواع أخرى مثل البيانات الحرارية أو بيانات العمق أو LiDAR، تستطيع الأنظمة تجاوز القيود الفردية، مما يحسن موثوقيتها وقدرتها على التكيف.

على سبيل المثال، في أتمتة المستودعات، يؤدي استخدام بيانات RGB للتعرف على الأجسام، وبيانات العمق لقياس المسافات، والبيانات الحرارية لاكتشاف المعدات التي ترتفع حرارتها إلى جعل العمليات أكثر كفاءة وأمانًا. وفي نهاية المطاف، تتحقق أفضل النتائج باختيار أنواع البيانات أو دمجها وفقًا للاحتياجات المحددة لتطبيقك.

أبرز النقاط#

عند بناء نماذج الذكاء الاصطناعي للرؤية، من الضروري اختيار نوع البيانات المرئية المناسب. فالمهام مثل اكتشاف الأجسام والتقسيم وتتبع الحركة لا تعتمد على الخوارزميات فحسب، بل تعتمد أيضًا على جودة البيانات المُدخلة. وتساعد مجموعات البيانات النظيفة والمتنوعة والدقيقة على تقليل الضوضاء وتحسين الأداء.

من خلال دمج أنواع البيانات مثل RGB والعمق والحرارة وLiDAR، تحصل أنظمة الذكاء الاصطناعي على رؤية أشمل للبيئة، ما يجعلها أكثر موثوقية في مختلف الظروف. ومع استمرار تطور التقنية، من المرجح أن تمهّد الطريق لجعل الذكاء الاصطناعي للرؤية أسرع وأكثر قدرة على التكيف وأكبر أثرًا في مختلف القطاعات.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. تعرّف على تطبيقات متنوعة مرتبطة بـالذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع البيع بالتجزئة عبر صفحات حلولنا. اطّلع على خيارات الترخيص للبدء في استخدام الذكاء الاصطناعي للرؤية.