ما معالجة الصور؟ مقدمة سريعة

عندما تتجول في مركز تسوق أو شارع عام مزدحم، تسجل الكاميرات المثبتة فوق المداخل والممرات الأنشطة الجارية. وتنتج هذه الكاميرات بيانات مرئية كل ثانية، وغالبًا لا نلاحظ وجودها حتى.

يغذي هذا التدفق المستمر للبيانات الأنظمة الحديثة المدعومة بالذكاء الاصطناعي، بدءًا من أنظمة الأمن الذكية وصولًا إلى السيارات ذاتية القيادة. وتستند هذه الابتكارات إلى الحوسبة الصورية، وهي مجال متعدد الاستخدامات يجمع بين علوم الحاسوب والرياضيات والفيزياء.

تساعد الحوسبة الصورية الآلات على فهم ما تراه في الصورة. وهي تتيح للأنظمة التعرف على ما يحدث في مشهد ما وتحديد طريقة عملها أو استجابتها، مثل إيقاف سيارة ذاتية القيادة عند ظهور عائق.

سنستكشف في هذا المقال ماهية الحوسبة الصورية وكيفية استخدامها في أنظمة الذكاء الاصطناعي (AI) الحديثة.

فهم الحوسبة الصورية#

الحوسبة الصورية 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 رقمية توضح للآلة مدى سطوع منطقة معينة من الصورة أو عتمتها.

يعتمد تنظيم هذه القيم على ما إذا كانت الصورة بتدرجات الرمادي أم ملونة. ففي الصور بتدرجات الرمادي، تتراوح قيم البكسل عادةً من 0 (أسود) إلى 255 (أبيض). أما في الصور الملونة، فتُستخدم مصفوفات متعددة لتمثيل قنوات الألوان المختلفة، مثل الأحمر والأخضر والأزرق (RGB) أو تدرج اللون والتشبع والقيمة (HSV).

الشكل 1. تمثيلات المصفوفات للصور (المصدر)

إلى جانب مصفوفات البكسل، 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. وتُخزّن الصور بتنسيقات ملفات محددة للحفاظ على البيانات المرئية والبيانات الوصفية معًا.

فعلى سبيل المثال، في الحوسبة الصورية الطبية الحيوية، تُخزّن الصور عادةً باستخدام تنسيق التصوير الرقمي والاتصالات في الطب (DICOM). ويجمع DICOM بين بيانات الصورة المرئية ومعلومات المريض، مثل تفاصيل التعريف وإعدادات المعدات، ما يضمن دقة تحليل الصور الطبية واتساقه وسلامته.

آلية عمل الحوسبة الصورية#

بعد أن أصبح لدينا فهم أفضل لماهية الحوسبة الصورية، لنتناول الخطوات المستخدمة لتحويل بث الكاميرا إلى رؤى مفيدة.

على الرغم من أن سير العمل الدقيق قد يختلف باختلاف التطبيق، فإن معظم أنظمة الحوسبة الصورية تتبع المراحل الرئيسية التالية:

• اكتساب الصور: تُلتقط البيانات المرئية أولًا باستخدام الكاميرات والمستشعرات، أو تُجمع من مجموعات بيانات الصور مفتوحة المصدر.
• المعالجة المسبقة للصور: بعد ذلك، تُغيّر أبعاد الصور المكتسبة، ويُزال التشويش منها، وتُحسّن، وتُحوّل إلى فضاء لوني محدد لتوحيد المدخلات.
• استخراج السمات: تُستخدم خوارزميات التعلم العميق لتعلّم الأنماط المهمة في الصورة، مثل الحواف والأشكال والأنسجة.
• التفسير: تُحلّل السمات المستخرجة لتنفيذ مهام مثل اكتشاف الأجسام وتقسيم الصور وتتبع الأجسام.
• المخرجات: ينشئ النظام أخيرًا مخرجات منظّمة، مثل تسميات الفئات أو المربعات المحيطة، ويعرضها بطريقة يسهل على الأشخاص أو الأنظمة الأخرى فهمها واستخدامها في التصور المرئي.

الحوسبة الصورية مقابل الرؤية الحاسوبية ومعالجة الصور#

عندما تصادف مصطلح الحوسبة الصورية، قد ترى أيضًا مصطلحات مثل معالجة الصور والرؤية الحاسوبية. وعلى الرغم من استخدام هذه المصطلحات بالتبادل في كثير من الأحيان، فإنها تصف طرقًا مختلفة لتفاعل أنظمة الذكاء الاصطناعي مع البيانات المرئية.

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

تجمع الحوسبة الصورية بين معالجة الصور والرؤية الحاسوبية لتحويل البيانات المرئية إلى مخرجات مفيدة وذات معنى للأنظمة الذكية.

الشكل 2. معالجة الصور مقابل الرؤية الحاسوبية مقابل الحوسبة الصورية. الصورة من إعداد المؤلف.

كيفية تطبيق الحوسبة الصورية اليوم#

لنلقِ نظرة بعد ذلك على كيفية تطبيق الحوسبة الصورية اليوم.

في المراحل الأولى من الحوسبة الصورية، كانت السمات مثل الحواف والزوايا والأنسجة تُحدّد يدويًا باستخدام خوارزميات قائمة على القواعد ومصممة يدويًا. وعلى الرغم من أن هذه المنهجيات أدت أداءً جيدًا إلى حد معقول في البيئات الخاضعة للضبط، فإنها واجهت صعوبة في التوسع والتكيف مع الظروف المعقدة في العالم الحقيقي.

تعالج أنظمة الحوسبة الصورية الحديثة هذه القيود باستخدام أساليب قائمة على التعلم العميق. وتتعلم النماذج، مثل الشبكات العصبية الالتفافية (CNNs) ومحولات الرؤية، السمات ذات الصلة تلقائيًا من مجموعات بيانات الصور الكبيرة. وهذا يتيح لها تنفيذ مهام مثل اكتشاف الأجسام وتقسيم المثيلات وتتبع الأجسام بدقة ومتانة أكبر.

تعتمد مسارات عمل الحوسبة الصورية اليوم غالبًا على نماذج رؤية آنية مصممة للنشر في أنظمة الذكاء الاصطناعي الإنتاجية. فعلى سبيل المثال، تتيح نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO26، إمكانات رؤية حاسوبية سريعة وفعالة، مثل اكتشاف الأجسام وتقسيم المثيلات، على الأجهزة الطرفية وفي البيئات السحابية.

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

تطبيقات الحوسبة الصورية في العالم الحقيقي#

تُستخدم الحوسبة الصورية على نطاق واسع في تطبيقات العالم الحقيقي لفهم البيانات المرئية والتصرف بناءً عليها. لنستكشف كيفية تطبيق الحوسبة الصورية في مجالات مختلفة.

الحوسبة الصورية الطبية للكشف المبكر عن الأمراض#

يمكن أن تساعد الحوسبة الصورية الأطباء والممارسين السريريين على اكتشاف الأمراض مبكرًا وتحليل الصور الطبية بكفاءة أكبر. وتستطيع هذه الأنظمة معالجة بيانات التصوير الطبي بسرعة، مثل الأشعة السينية وفحوصات التصوير بالرنين المغناطيسي (MRI)، كما تقدم غالبًا نتائج أكثر اتساقًا من المراجعة اليدوية.

على سبيل المثال، يمكن تدريب نماذج مثل Ultralytics YOLO26 على مجموعات كبيرة من صور الأشعة السينية للصدر، مثل مجموعة بيانات ZhangLabData Chest X-Ray، لتعلّم الأنماط المرتبطة بالعدوى والاضطرابات. وبعد التدريب، يمكن لهذه النماذج المساعدة في تحديد ما إذا كان الفحص يبدو طبيعيًا أو يُظهر علامات حالات مثل الالتهاب الرئوي أو COVID-19.

الحوسبة الصورية للقيادة الذاتية#

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

تُستخدم الحوسبة الصورية عادةً في أنظمة مساعدة السائق المتقدمة (ADAS). فبدلًا من تسجيل الفيديو فحسب، تحلل هذه الوحدات كل إطار لاكتشاف علامات المسارات والمركبات الأخرى والمشاة والعوائق. ويتيح ذلك للسيارة الاستجابة لتغير ظروف الطريق مع تدخل بشري محدود.

ومن حالات الاستخدام الشائعة الأخرى دمج الصور الواردة من كاميرات متعددة لإنشاء رؤية بزاوية 360 درجة للمحيط المحيط بالمركبة. وتساعد الحوسبة الصورية على تصحيح تشوه العدسة وتحسين وضوح الصورة وموازنة السطوع والألوان في جميع تدفقات الكاميرات. والنتيجة رؤية واضحة ومتكاملة تتيح للمركبة التنقل بأمان، حتى في الطقس السيئ أو ظروف الإضاءة المنخفضة.

الشكل 4. دمج الصور باستخدام التعلم العميق (المصدر)

مزايا الحوسبة الصورية وعيوبها#

فيما يلي بعض مزايا الحوسبة الصورية:

• قابلية التوسع: بعد تدريبها، تستطيع أنظمة الحوسبة الصورية تحليل كميات كبيرة من البيانات المرئية باستمرار وعلى نطاق واسع.
• اتخاذ القرار: تدعم هذه التقنية التطبيقات الحساسة للوقت، مثل القيادة الذاتية والفحص الطبي والمراقبة الصناعية.
• الكفاءة من حيث التكلفة على المدى الطويل: على الرغم من أن الإعداد الأولي قد يكون مكلفًا، فإن التحليل المرئي الآلي يمكن أن يقلل تكاليف التشغيل على المدى الطويل.

على الرغم من مزايا الحوسبة الصورية العديدة، فإن لها بعض القيود أيضًا. وفيما يلي بعض العوامل التي ينبغي مراعاتها:

• جودة البيانات: تعتمد أساليب الحوسبة الصورية اعتمادًا كبيرًا على الوسم الدقيق ومجموعات البيانات عالية الجودة، التي قد يكون إنشاؤها مكلفًا ويستغرق وقتًا طويلًا.
• الحساسية للظروف: قد تؤثر التغيرات في الإضاءة أو الحجب أو ضبابية الحركة أو الطقس أو زوايا الكاميرا سلبًا في أداء النموذج.
• قابلية تفسير محدودة: قد تعمل نماذج الصور القائمة على التعلم العميق كصناديق سوداء، مما يصعّب تفسير كيفية اتخاذ القرارات.

أبرز النقاط#

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

انضم إلى مجتمعنا وتفقّد مستودع GitHub للتعرّف على الذكاء الاصطناعي. استكشف صفحات حلولنا للاطلاع على تطبيقات الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الخدمات اللوجستية. تعرّف على خيارات الترخيص وابدأ ببناء نماذج ذكاء اصطناعي للرؤية.