ما الحوسبة الصورية؟ مقدمة سريعة

عندما تسير في مركز تسوق أو شارع عام مزدحم، تسجل الكاميرات المثبتة فوق المداخل والممرات الأنشطة الجارية. وهي تولّد بيانات مرئية كل ثانية، ومعظم الوقت لا نلاحظ ذلك حتى.

يغذي هذا التدفق المستمر من البيانات الأنظمة الحديثة المدعومة بالذكاء الاصطناعي، بدءًا من أنظمة الأمان الذكية ووصولًا إلى السيارات ذاتية القيادة. وتقود هذه الابتكارات حوسبة الصور، وهي مجال متعدد الاستخدامات يجمع بين علوم الحاسوب والرياضيات والفيزياء.

تساعد حوسبة الصور الآلات على فهم ما تراه في الصورة. فهي تتيح للأنظمة التعرّف على ما يحدث في مشهد ما وتحديد كيفية عملها أو استجابتها، مثل إيقاف سيارة ذاتية القيادة عند ظهور عائق.

في هذه المقالة، سنستكشف ماهية حوسبة الصور وكيفية استخدامها في أنظمة الذكاء الاصطناعي (AI) المتقدمة. فلنبدأ!

فهم حوسبة الصور#

حوسبة الصور هي عملية التقاط الصور ومعالجتها وتحليلها باستخدام خوارزميات متقدمة. وهي تتعامل مع الصور بوصفها بيانات تستطيع الآلات فهمها ومعالجتها.

بعبارة أخرى، تُعالَج كل صورة على هيئة شبكة من الأرقام. ويتم ذلك بتحويل وحدات البكسل، وهي أصغر وحدات الصورة، إلى مصفوفة مكوّنة من صفوف وأعمدة. ولكل بكسل قيمة عددية تُخبر الآلة بمدى سطوع منطقة معينة من الصورة أو عتمتها.

تعتمد طريقة تنظيم هذه القيم على ما إذا كانت الصورة بتدرجات الرمادي أو ملوّنة. في الصور ذات التدرجات الرمادية، تتراوح قيم البكسلات عادةً من 0 (الأسود) إلى 255 (الأبيض). أما في الصور الملوّنة، فتُستخدم مصفوفات متعددة لتمثيل قنوات الألوان المختلفة، مثل الأحمر والأخضر والأزرق (RGB) أو الصبغة والتشبّع والقيمة (HSV).

الشكل 1. تمثيلات المصفوفات للصور (المصدر)

بالإضافة إلى مصفوفات البكسلات، تحتوي الصورة غالبًا على معلومات سياقية مخفية تُعرف باسم البيانات الوصفية. وتوفر البيانات الوصفية تفاصيل مهمة مثل دقة الصورة وعمق البت وإعدادات الكاميرا أو المستشعر والوقت الدقيق لالتقاط الصورة. وتُخزَّن الصور بتنسيقات ملفات محددة للحفاظ على البيانات المرئية والبيانات الوصفية معًا.

على سبيل المثال، في حوسبة الصور الطبية الحيوية، تُخزَّن الصور عادةً باستخدام تنسيق التصوير الرقمي والاتصالات في الطب (DICOM). ويجمع DICOM بين بيانات الصورة المرئية ومعلومات المريض، مثل تفاصيل التعريف وإعدادات المعدات، بما يضمن دقة تحليل الصور الطبية واتساقه وسلامته.

كيف تعمل حوسبة الصور#

بعد أن كوّنا فهمًا أفضل لماهية حوسبة الصور، لنتعرّف على الخطوات المستخدمة لتحويل بث الكاميرا إلى رؤى مفيدة.

رغم أن سير العمل الدقيق قد يختلف باختلاف التطبيق، فإن معظم أنظمة حوسبة الصور تتبع هذه المراحل الرئيسية:

• اكتساب الصور: أولًا، تُلتقط البيانات المرئية باستخدام الكاميرات والمستشعرات، أو تُجمَع من مجموعات بيانات الصور مفتوحة المصدر.
• المعالجة المسبقة للصور: بعد ذلك، تُغيَّر أبعاد الصور المكتسبة وتُزال ضوضاؤها وتُحسَّن وتُحوَّل إلى فضاء لوني محدد لتوحيد المدخلات.
• استخراج السمات: تُستخدم خوارزميات التعلم العميق لتعلّم الأنماط المهمة في الصورة، مثل الحواف والأشكال والأنسجة.
• التفسير: تُحلَّل السمات المستخرجة لتنفيذ مهام مثل اكتشاف الكائنات وتقسيم الصور وتتبع الكائنات.
• المخرجات: أخيرًا، ينشئ النظام مخرجات منظمة، مثل تسميات الفئات أو المربعات المحيطة، ويعرضها بطريقة يسهل على الأشخاص أو الأنظمة الأخرى فهمها واستخدامها للتصور المرئي.

حوسبة الصور مقارنةً بالرؤية الحاسوبية ومعالجة الصور#

عندما تصادف مصطلح حوسبة الصور، قد ترى أيضًا مصطلحات مثل معالجة الصور والرؤية الحاسوبية. ورغم أن هذه المصطلحات تُستخدم غالبًا بالتبادل، فإنها تصف طرقًا مختلفة لتفاعل أنظمة الذكاء الاصطناعي مع البيانات المرئية.

فعلى سبيل المثال، تركز معالجة الصور على تحسين الصور أو رفع جودة الصور المُدخلة باستخدام عمليات أساسية مثل إزالة الضوضاء وتغيير الحجم وضبط التباين. أما الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي، فتبني على معالجة الصور من خلال تمكين الآلات من التعرّف على الكائنات وتفسير المشاهد وفهم ما يحدث في الصور أو مقاطع الفيديو.

تجمع حوسبة الصور بين معالجة الصور والرؤية الحاسوبية لتحويل البيانات المرئية إلى مخرجات ذات معنى وقابلة للاستخدام في الأنظمة الذكية.

الشكل 2. معالجة الصور مقارنةً بالرؤية الحاسوبية وحوسبة الصور. الصورة من إعداد المؤلف.

كيفية تنفيذ حوسبة الصور اليوم#

بعد ذلك، لنلقِ نظرة على كيفية تنفيذ حوسبة الصور اليوم.

في المراحل المبكرة من حوسبة الصور، كانت السمات مثل الحواف والزوايا والأنسجة تُحدَّد يدويًا باستخدام خوارزميات قائمة على القواعد ومصممة يدويًا. ورغم أن هذه المنهجيات عملت بصورة جيدة نسبيًا في البيئات الخاضعة للتحكم، فإنها واجهت صعوبة في التوسع والتكيف مع الظروف المعقدة في العالم الحقيقي.

تعالج أنظمة حوسبة الصور الحديثة هذه القيود باستخدام أساليب قائمة على التعلم العميق. وتتعلم نماذج مثل الشبكات العصبية الالتفافية (CNNs) ومحولات الرؤية السمات ذات الصلة تلقائيًا من مجموعات كبيرة من بيانات الصور. ويتيح لها ذلك تنفيذ مهام مثل اكتشاف الكائنات وتقسيم المثيلات وتتبع الكائنات بدقة ومتانة أكبر.

تعتمد عمليات سير العمل في حوسبة الصور اليوم غالبًا على نماذج رؤية آنية مصممة للنشر في أنظمة الذكاء الاصطناعي المتقدمة. فعلى سبيل المثال، تتيح نماذج ذكاء اصطناعي للرؤية مثل Ultralytics YOLO26 إمكانات سريعة وفعالة للرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم المثيلات، عبر الأجهزة الطرفية وبيئات السحابة.

الشكل 3. مثال على استخدام Ultralytics YOLO26 لاكتشاف الكائنات وتقسيمها في صورة

التطبيقات الواقعية لحوسبة الصور#

تُستخدم حوسبة الصور على نطاق واسع في تطبيقات واقعية لفهم البيانات المرئية والتصرف بناءً عليها. لنستكشف كيفية تطبيق حوسبة الصور في مجالات مختلفة.

حوسبة الصور الطبية للكشف المبكر عن الأمراض#

يمكن أن تساعد حوسبة الصور الأطباء والممارسين السريريين على اكتشاف الأمراض في وقت مبكر وتحليل الفحوصات الطبية بكفاءة أكبر. وتستطيع أنظمة الرعاية الصحية المبتكرة هذه معالجة بيانات التصوير الطبي، مثل صور الأشعة السينية وفحوصات التصوير بالرنين المغناطيسي (MRI)، بسرعة، وغالبًا ما توفر نتائج أكثر اتساقًا من المراجعة اليدوية.

فعلى سبيل المثال، يمكن تدريب نماذج مثل Ultralytics YOLO26 على مجموعات كبيرة من صور الأشعة السينية للصدر لتعلّم الأنماط المرتبطة بالعدوى والاضطرابات. وبعد تدريبها، يمكن أن تساعد هذه النماذج في تحديد ما إذا كان الفحص يبدو طبيعيًا أو يُظهر علامات حالات مثل الالتهاب الرئوي أو COVID-19.

حوسبة الصور للقيادة الذاتية#

تستخدم المركبات ذاتية القيادة حوسبة الصور لفهم ما يحدث من حولها واتخاذ قرارات القيادة. وتحول هذه التقنية لقطات الكاميرا الخام إلى معلومات آنية تساعد المركبة على التحرك بأمان وسلاسة.

تُستخدم حوسبة الصور عادةً في أنظمة مساعدة السائق المتقدمة (ADAS). وبدلًا من تسجيل الفيديو فحسب، تحلل هذه الوحدات كل إطار لرصد علامات المسارات والمركبات الأخرى والمشاة والعوائق. ويتيح ذلك للسيارة الاستجابة للظروف المتغيرة على الطريق مع تدخل بشري محدود.

ومن حالات الاستخدام الشائعة الأخرى دمج الصور من كاميرات متعددة لإنشاء عرض بزاوية 360 درجة للمناطق المحيطة بالمركبة. تساعد حوسبة الصور على تصحيح تشوه العدسة وتحسين وضوح الصورة وموازنة السطوع والألوان عبر جميع تدفقات الكاميرات. والنتيجة عرض واضح وسلس يتيح للمركبة التنقل بأمان، حتى في ظروف الطقس السيئ أو الإضاءة المنخفضة.

الشكل 4. تركيب الصور باستخدام التعلم العميق (المصدر)

إيجابيات حوسبة الصور وسلبياتها#

فيما يلي بعض مزايا حوسبة الصور:

• قابلية التوسع: بعد تدريبها، تستطيع أنظمة حوسبة الصور تحليل أحجام كبيرة من البيانات المرئية باستمرار وعلى نطاق واسع.
• اتخاذ القرار: تدعم التطبيقات الحساسة للوقت، مثل القيادة الذاتية والفحص الطبي والمراقبة الصناعية.
• الكفاءة من حيث التكلفة بمرور الوقت: رغم أن الإعداد الأولي قد يكون مكلفًا، فإن التحليل المرئي الآلي يمكن أن يقلل التكاليف التشغيلية طويلة الأجل.

رغم وجود فوائد عديدة مرتبطة بحوسبة الصور، فإن لها أيضًا بعض القيود. فيما يلي بعض العوامل التي ينبغي أخذها في الاعتبار:

• جودة البيانات: تعتمد أساليب حوسبة الصور بدرجة كبيرة على وضع تسميات دقيقة ومجموعات بيانات عالية الجودة، وقد يكون إنشاء هذه المجموعات مكلفًا ويستغرق وقتًا طويلًا.
• الحساسية للظروف: يمكن أن تؤثر التغيّرات في الإضاءة أو حجب الأجسام أو ضبابية الحركة أو الطقس أو زوايا الكاميرا سلبًا في أداء النموذج.
• قابلية التفسير المحدودة: يمكن أن تعمل نماذج الصور القائمة على التعلم العميق كصناديق سوداء، مما يصعّب تفسير كيفية اتخاذ القرارات.

أهم النقاط المستخلصة#

تطورت حوسبة الصور من معالجة الصور الأساسية إلى تقنية تتيح لأنظمة الذكاء الاصطناعي إدراك العالم الحقيقي وفهمه في الوقت الفعلي. ومع استمرار تقدم التعلم العميق، أصبحت حوسبة الصور جزءًا أساسيًا من بناء حزم أدوات وتطبيقات أكثر ذكاءً وعملية.

انضم إلى مجتمعنا واطّلع على مستودع GitHub الخاص بنا للتعرف على الذكاء الاصطناعي. واستكشف صفحات حلولنا لقراءة المزيد عن تطبيقات الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الخدمات اللوجستية. وتعرّف على خيارات الترخيص لدينا وابدأ في بناء نماذج ذكاء اصطناعي للرؤية.