ما هي حوسبة الصور؟ مقدمة سريعة

عندما تمشي في مركز تسوق أو في شارع عام مزدحم، تقوم الكاميرات المثبتة فوق المداخل والممرات بتسجيل النشاط. فهي تولد بيانات مرئية في كل ثانية، ومعظم الوقت، لا نلاحظ ذلك حتى.

يغذي هذا التدفق المستمر من البيانات الأنظمة الحديثة المدعومة بالذكاء الاصطناعي، بدءاً من smart security systems وحتى self-driving cars. تُحرك هذه الابتكارات حوسبة الصور، وهو مجال مرن يجمع بين علوم الكمبيوتر، والرياضيات، والفيزياء.

تساعد حوسبة الصور الآلات على فهم ما تراه في الصورة. فهي تتيح للأنظمة التعرف على ما يحدث في المشهد وتحديد كيفية العمل أو الاستجابة، مثل إيقاف السيارة ذاتية القيادة عند ظهور عائق.

في هذه المقالة، سنستكشف ما هي حوسبة الصور وكيف يتم استخدامها في أنظمة artificial intelligence (AI) المتطورة. لنبدأ!

فهم حوسبة الصور#

حوسبة الصور هي عملية التقاط ومعالجة وتحليل الصور باستخدام خوارزميات متقدمة. وهي تعامل الصور كبيانات يمكن للآلات فهمها والعمل معها.

بمعنى آخر، تتم معالجة كل صورة كشبكة من الأرقام. يتم ذلك عن طريق تحويل البكسلات، وهي أصغر وحدات الصورة، إلى مصفوفة مكونة من صفوف وأعمدة. لكل بكسل قيمة رقمية تخبر الآلة بمدى سطوع أو ظلمة منطقة معينة من الصورة.

تعتمد طريقة تنظيم هذه القيم على ما إذا كانت الصورة بتدرج رمادي أو ملونة. في الصور ذات التدرج الرمادي، تتراوح قيم البكسل عادةً من 0 (أسود) إلى 255 (أبيض). وفي الصور الملونة، تُستخدم مصفوفات متعددة لتمثيل قنوات الألوان المختلفة، مثل الأحمر والأخضر والأزرق (RGB) أو التدرج والتشبع والقيمة (HSV).

الشكل 1. التمثيل المصفوفي للصور (Source)

بالإضافة إلى مصفوفات البكسل، غالبًا ما تحتوي الصورة على معلومات سياقية مخفية تُعرف باسم البيانات الوصفية (Metadata). توفر هذه البيانات تفاصيل مهمة مثل دقة الصورة، وعمق البت، وإعدادات الكاميرا أو المستشعر، والوقت الدقيق الذي تم فيه التقاط الصورة. يتم تخزين الصور بتنسيقات ملفات محددة للحفاظ على كل من البيانات المرئية والبيانات الوصفية.

على سبيل المثال، في حوسبة الصور الطبية الحيوية، يتم تخزين الصور عادةً باستخدام تنسيق التصوير الرقمي والاتصالات في الطب (DICOM). يجمع DICOM بين بيانات الصورة المرئية ومعلومات المريض، مثل تفاصيل التعريف وإعدادات المعدات، مما يضمن أن يكون تحليل الصور الطبية دقيقًا ومتسقًا وآمنًا.

كيف تعمل حوسبة الصور#

الآن بعد أن أصبح لدينا فهم أفضل لماهية حوسبة الصور، دعنا نستعرض الخطوات المستخدمة لتحويل تغذية الكاميرا إلى رؤى مفيدة.

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

• التقاط الصور: أولاً، يتم التقاط البيانات المرئية باستخدام cameras وأجهزة الاستشعار أو جمعها من مجموعات بيانات الصور مفتوحة المصدر.
• المعالجة المسبقة للصورة (Image preprocessing): بعد ذلك، يتم تغيير حجم الصور المكتسبة، وإزالة الضجيج منها، وتحسينها، وتحويلها إلى مساحة ألوان محددة لتوحيد المدخلات.
• استخراج الميزات (Feature extraction): تُستخدم خوارزميات التعلم العميق لتعلم الأنماط المهمة في الصورة، مثل الحواف والأشكال والقوام.
• التفسير (Interpretation): يتم تحليل الميزات المستخرجة لتنفيذ مهام مثل اكتشاف الكائنات، وتجزئة الصور، وتتبع الكائنات.
• المخرجات (Output): أخيرًا، يولد النظام مخرجات منظمة، مثل تصنيفات الفئات أو صناديق الإحاطة (Bounding boxes)، ويعرضها بطريقة يسهل على الأشخاص أو الأنظمة الأخرى فهمها واستخدامها للتصور.

حوسبة الصور مقابل الرؤية الحاسوبية مقابل معالجة الصور#

عندما تصادف مصطلح حوسبة الصور، قد ترى أيضًا مصطلحات مثل معالجة الصور والرؤية الحاسوبية. على الرغم من أنه غالبًا ما يتم استخدام هذه المصطلحات بالتبادل، إلا أنها تصف طرقًا مختلفة لتفاعل أنظمة الذكاء الاصطناعي مع البيانات المرئية.

على سبيل المثال، يركز image processing على تحسين الصور أو تحسين جودة الصور المدخلة باستخدام العمليات الأساسية مثل إزالة التشويش، تغيير الحجم، وتعديل التباين. وفي الوقت نفسه، يعتمد computer vision، وهو فرع من فروع الذكاء الاصطناعي، على معالجة الصور من خلال تمكين الآلات من التعرف على الكائنات، تفسير المشاهد، وفهم ما يحدث في الصور أو مقاطع الفيديو.

تجمع حوسبة الصور بين معالجة الصور والرؤية الحاسوبية لتحويل البيانات المرئية إلى مخرجات مفيدة وقابلة للاستخدام للأنظمة الذكية.

الشكل 2. معالجة الصور مقابل الرؤية الحاسوبية مقابل حوسبة الصور. الصورة من المؤلف.

كيف يتم تطبيق حوسبة الصور اليوم#

بعد ذلك، دعنا نلقي نظرة على كيفية تنفيذ حوسبة الصور اليوم.

في المراحل المبكرة من حوسبة الصور، تم تحديد ميزات مثل الحواف والزوايا والقوام يدويًا باستخدام خوارزميات قائمة على القواعد ومصممة خصيصًا. وبينما عملت هذه المنهجيات بشكل جيد إلى حد معقول في بيئات محكومة، إلا أنها عانت من صعوبة في التوسع والتكيف مع ظروف العالم الحقيقي المعقدة.

تعالج أنظمة حوسبة الصور الحديثة هذه القيود باستخدام النهج القائمة على التعلم العميق. تتعلم النماذج مثل الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية الميزات ذات الصلة تلقائياً من مجموعات بيانات الصور الكبيرة. يتيح لها ذلك أداء مهام مثل object detection، وتقسيم المثيلات، وobject tracking بدقة وقوة أكبر.

اليوم، غالباً ما تعتمد سير عمل حوسبة الصور على نماذج رؤية في الوقت الفعلي مصممة للنشر في أنظمة الذكاء الاصطناعي المتطورة. على سبيل المثال، تتيح نماذج رؤية الذكاء الاصطناعي مثل Ultralytics YOLO26 قدرات رؤية حاسوبية سريعة وفعالة مثل اكتشاف الكائنات وتقسيم المثيلات عبر الأجهزة الطرفية وبيئات الحوسبة السحابية.

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

تطبيقات العالم الحقيقي لحوسبة الصور#

تُستخدم حوسبة الصور على نطاق واسع في تطبيقات العالم الحقيقي لفهم البيانات المرئية والعمل بناءً عليها. دعنا نستكشف كيف يتم تطبيق حوسبة الصور عبر مجالات مختلفة.

حوسبة الصور الطبية للكشف المبكر عن الأمراض#

يمكن أن تساعد حوسبة الصور الأطباء والمختصين في اكتشاف الأمراض في وقت مبكر وتحليل الفحوصات الطبية بكفاءة أكبر. يمكن لهذه الأنظمة الصحية المبتكرة معالجة بيانات التصوير الطبي بسرعة مثل الأشعة السينية وفحوصات التصوير بالرنين المغناطيسي (MRI)، وغالبًا ما توفر نتائج أكثر اتساقًا من المراجعة اليدوية.

على سبيل المثال، يمكن تدريب نماذج مثل Ultralytics YOLO26 على مجموعات كبيرة من صور الأشعة السينية للصدر لتعلم الأنماط المرتبطة بالعدوى والتشوهات. بمجرد تدريبها، يمكن لهذه النماذج المساعدة في تحديد ما إذا كان الفحص يبدو طبيعيًا أو يظهر علامات على حالات مثل الالتهاب الرئوي أو COVID-19.

حوسبة الصور للقيادة الذاتية#

تستخدم المركبات ذاتية القيادة حوسبة الصور لفهم ما يحدث حولها واتخاذ قرارات القيادة. تحول هذه التقنية لقطات الكاميرا الخام إلى معلومات في الوقت الفعلي تساعد المركبة على التحرك بأمان وسلاسة.

تُستخدم حوسبة الصور بشكل شائع في أنظمة مساعدة السائق المتقدمة (ADAS). فبدلاً من مجرد تسجيل الفيديو، تقوم هذه الوحدات بتحليل كل إطار لرصد علامات المسار، والمركبات الأخرى، والمشاة، والعوائق. وهذا يجعل من الممكن للسيارة التفاعل مع ظروف الطريق المتغيرة مع تدخل بشري ضئيل.

حالة استخدام شائعة أخرى هي دمج الصور من كاميرات متعددة لإنشاء رؤية بزاوية 360 درجة لمحيط المركبة. تساعد حوسبة الصور في تصحيح تشوه العدسة، وتحسين وضوح الصورة، وموازنة السطوع والألوان عبر جميع تغذيات الكاميرا. النتيجة هي رؤية واضحة وسلسة تسمح للمركبة بالتنقل بأمان، حتى في الطقس السيئ أو ظروف الإضاءة المنخفضة.

الشكل 4. دمج الصور باستخدام التعلم العميق (Source)

إيجابيات وسلبيات حوسبة الصور#

فيما يلي بعض مزايا حوسبة الصور:

• قابلية التوسع: بمجرد تدريبها، يمكن لأنظمة حوسبة الصور تحليل كميات كبيرة من البيانات المرئية باستمرار وعلى نطاق واسع.
• اتخاذ القرار: تدعم التطبيقات الحساسة للوقت مثل القيادة الذاتية، والفحص الطبي، والمراقبة الصناعية.
• كفاءة التكلفة على المدى الطويل: على الرغم من أن الإعداد الأولي قد يكون مكلفًا، إلا أن التحليل المرئي الآلي يمكن أن يقلل من التكاليف التشغيلية طويلة الأجل.

في حين أن هناك العديد من الفوائد المتعلقة بحوسبة الصور، إلا أن هناك أيضًا بعض القيود. إليك بعض العوامل التي يجب مراعاتها:

• جودة البيانات: تعتمد طرق حوسبة الصور بشكل كبير على التصنيف الدقيق وhigh-quality datasets، والتي يمكن أن تكون مكلفة وتستغرق وقتاً طويلاً لإنشائها.
• الحساسية للظروف: يمكن أن تؤدي التغيرات في الإضاءة، أو الحجب، أو ضبابية الحركة، أو الطقس، أو زوايا الكاميرا إلى التأثير سلبًا على أداء النموذج.
• قابلية تفسير محدودة: يمكن أن تعمل نماذج الصور القائمة على التعلم العميق كصناديق سوداء، مما يجعل من الصعب شرح كيفية اتخاذ القرارات.

أبرز النقاط#

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

انضم إلى community الخاص بنا وتفقّد GitHub repository الخاص بنا للتعرف على الذكاء الاصطناعي. استكشف صفحات الحلول الخاصة بنا للقراءة عن تطبيقات AI in agriculture وcomputer vision in logistics. اكتشف licensing options الخاصة بنا وابدأ في بناء نماذج رؤية الذكاء الاصطناعي.