ما هو اكتشاف مربع الإحاطة الموجه (OBB)؟

إن التعرف على الأشياء، بغض النظر عن كيفية ترتيبها أو الاتجاه الذي تواجهه، هو أمر طبيعي بالنسبة لنا كبشر. وسواء كانت سيارات في تقاطع طرق أو قوارب في ميناء، يمكننا بسهولة معرفة ماهيتها والاتجاه الذي تشير إليه. ومع ذلك، بالنسبة لأنظمة الذكاء الاصطناعي (AI)، فالأمر ليس بهذه البساطة.

على سبيل المثال، يُمكّن الرؤية الحاسوبية، وهو فرع من الذكاء الاصطناعي يركز على فهم الصور ومقاطع الفيديو، من تنفيذ مهام مثل اكتشاف الأشياء، مما يساعد الآلات على تحديد وتحديد موقع الأشياء داخل المشهد. يعتمد اكتشاف الأشياء التقليدي على صناديق محيطة محاذية للمحاور لرسم صناديق حول الأشياء. تحتوي هذه الصناديق على جوانب مستقيمة وزوايا قائمة ثابتة. يعمل هذا النهج بشكل جيد عندما تكون الأشياء قائمة وغير متقاربة جدًا.

ولكن عندما تكون الأشياء مائلة أو مدورة أو متقاربة، غالبًا ما يواجه اكتشاف الأشياء التقليدي صعوبة في التقاطها بدقة. وللتعامل مع هذه المواقف الأكثر تعقيدًا، تم تقديم تقنيات مثل اكتشاف الصناديق المحيطة الموجهة (OBB). على عكس الصناديق المحيطة القياسية، يمكن لصناديق OBB الدوران لتتناسب مع زاوية وشكل الشيء، مما يسمح بملاءمة أكثر إحكامًا ودقة.

نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، والتي تدعم اكتشاف OBB، تتيح مجموعة من التطبيقات في الوقت الفعلي، خاصة في السيناريوهات التي يكون فيها اتجاه الشيء مهمًا، مثل المراقبة الجوية. وإلى جانب ذلك، يُستخدم اكتشاف OBB أيضًا في الرعاية الصحية والزراعة وتحليل المستندات.

في هذه المقالة، سنستكشف ما هو اكتشاف OBB، وكيف يعمل، وأين يتم تطبيقه في سيناريوهات العالم الحقيقي. لنبدأ!

الشكل 1. عرض توضيحي لاستخدام YOLO11 لاكتشاف OBB للقوارب.

Link to this sectionما هو الصندوق المحيط الموجه؟#

يُعد bounding box الموجه نوعاً من الصناديق المستطيلة المستخدمة في الرؤية الحاسوبية لتمثيل الكائنات المكتشفة في صورة ما. وبينما تصطف صناديق التحديد القياسية مع المحورين الأفقي والرأسي للصورة، يمكن لـ OBB الدوران لتتوافق مع الزاوية الفعلية للكائن.

توفر هذه القدرة على الدوران العديد من المزايا. يمكن لصناديق OBB أن تتوافق بشكل وثيق مع اتجاه الشيء، مما يسمح للصندوق بملاءمة شكل واتجاه الشيء بإحكام. ونتيجة لذلك، يصبح الاكتشاف أكثر دقة وإحكامًا.

تعتبر صناديق OBB مفيدة بشكل خاص عندما لا تكون الأشياء قائمة تمامًا، مثل سيارة تنعطف على طريق منحني في لقطات جوية، أو كتاب مائل على مكتب، أو ورم مدور في فحص طبي. من خلال مطابقة زاوية الشيء بدقة أكبر، تعمل صناديق OBB على تحسين أداء الاكتشاف، وتقليل تداخل الخلفية، وهي رائعة بشكل خاص للتطبيقات التي يكون فيها اتجاه الشيء مهمًا بقدر أهمية موقعه.

الشكل 2. مقارنة بين اكتشاف الأشياء واكتشاف OBB.

Link to this sectionاكتشاف OBB مقابل اكتشاف الأشياء#

قد يبدو اكتشاف OBB واكتشاف الأشياء التقليدي متشابهين في البداية، لكنهما يُستخدمان بطرق مختلفة ولمواقف مختلفة. دعونا نلقي نظرة فاحصة على كيفية مقارنتهما بمثال.

يمكن تدريب نماذج الرؤية الحاسوبية، مثل YOLO11، على اكتشاف وتصنيف الأشياء في العديد من تطبيقات العالم الحقيقي، مثل الفحص الصناعي. لنأخذ في الاعتبار خط تجميع في مصنع حيث تتحرك أجزاء الماكينة المختلفة على حزام ناقل. قد يتم وضع بعض الأجزاء بدقة، ولكن قد يتم تدوير البعض الآخر قليلاً، أو إمالتها، أو تداخلها بسبب الاهتزاز أو السرعة.

يستخدم اكتشاف الأشياء التقليدي صناديق مستطيلة قائمة تتوافق مع الحواف الأفقية والعمودية للصورة. لذا، عندما يتم تدوير جزء ما، قد لا يتناسب الصندوق بشكل صحيح - فقد يترك جزءًا من الشيء أو يتضمن الكثير من الخلفية. وهذا يمكن أن يجعل الاكتشافات أقل دقة ويصعب على النظام التعرف على الجزء بثقة.

الآن، لنفترض أنك تستخدم اكتشاف OBB بدلاً من ذلك. في هذه الحالة، يمكن للنموذج رسم صندوق يدور ليتناسب مع الزاوية الدقيقة لكل جزء. سيتم إحاطة الترس المائل أو المكون الزاوي بإحكام بواسطة صندوق يتناسب مع شكله واتجاهه. وهذا يعني دقة أفضل، وأخطاء أقل، ونتائج أكثر موثوقية، خاصة فيما يتعلق بحالات الاستخدام مثل مراقبة الجودة الآلية أو الفرز الآلي.

Link to this sectionنماذج اكتشاف OBB الشائعة#

الآن بعد أن أصبح لدينا فهم أفضل لماهية اكتشاف OBB، دعونا نلقي نظرة على بعض نماذج الذكاء الاصطناعي للرؤية الأكثر استخدامًا التي تدعم ذلك.

تم تطوير العديد من نماذج الرؤية الحاسوبية المتقدمة خصيصًا لاكتشاف الأشياء المدورة أو المائلة. ومن بينها، تشتهر نماذج Ultralytics YOLO بقدراتها الموثوقة والفعالة في اكتشاف OBB.

صُممت الإصدارات السابقة مثل Ultralytics YOLOv5 لاكتشاف الأشياء القياسي. وقدمت التكرارات اللاحقة، مثل Ultralytics YOLOv8 و YOLO11 الأحدث، دعمًا أصليًا لاكتشاف OBB. يوفر YOLO11، على وجه الخصوص، دقة متطورة دون المساس بالسرعة، مما يجعله خيارًا مؤثرًا للتطبيقات في الوقت الفعلي.

نماذج YOLO11 OBB المدربة مسبقًا، مثل YOLO11n-obb، مدربة على مجموعات بيانات مثل DOTAv1، والتي تتكون من صور جوية مشروحة بمجموعة من فئات الأشياء مثل الطائرات والسفن وملاعب التنس التي تظهر بزوايا واتجاهات مختلفة.

أيضًا، تتوفر هذه النماذج بخمسة أحجام مختلفة، من nano (n-obb) إلى extra-large (x-obb)، لتلبية احتياجات الأداء المختلفة. يسمح هذا التنوع بتطبيقها عبر مختلف الصناعات - من مراقبة البنية التحتية الحضرية وفحص الآلات إلى قراءة النص المائل في المستندات الممسوحة ضوئيًا.

Link to this sectionتدريب مخصص لـ YOLO11 لاكتشاف الصناديق المحيطة الموجهة#

في العديد من مواقف العالم الحقيقي، قد تكون الأشياء التي تحتاج إلى اكتشافها مختلفة تمامًا عن تلك الموجودة في مجموعات بيانات التدريب القياسية. على سبيل المثال، قد تكون أشياء مثل الأدوات على خط الإنتاج، أو عبوات المنتجات، أو المكونات على لوحة الدائرة الكهربائية مدورة، أو موضوعة بشكل غير منتظم، أو ذات شكل مختلف.

لاكتشاف هذه الأشياء المخصصة بدقة، خاصة عندما يكون الاتجاه مهمًا، من المهم تدريب نماذج مثل YOLO11 باستخدام صورك وملصقاتك الخاصة. تُعرف هذه العملية باسم التدريب المخصص.

إليك نظرة فاحصة على العملية خطوة بخطوة لتدريب YOLO11 لاكتشاف OBB:

• جمع الصور: اجمع الصور التي تعرض أشياءك المستهدفة من زوايا ومواضع وبيئات حقيقية مختلفة.
• شرح الأشياء: قم بتسمية كل شيء باستخدام صناديق محيطة مدورة (OBBs) لالتقاط موقعها واتجاهها باستخدام أدوات شرح تدعم OBB.
• إعداد مجموعة البيانات: قم بتنظيم صورك وملصقاتك في بنية دليل YOLO، وأنشئ ملف تكوين YAML بأسماء فئاتك ومسارات مجموعة البيانات.
• تدريب النموذج: اختر إصدارًا من نموذج YOLO11 يناسب احتياجاتك، وقم بتشغيل عملية التدريب حتى يتمكن النموذج من التعلم من صورك المشروحة.
• التقييم والنشر: اختبر نموذجك المدرب على صور جديدة، وقم بتقييم دقته، وانشره في تطبيقات عملية مثل التصنيع، أو المراقبة الجوية، أو تحليل المستندات.

Link to this sectionالتطبيقات التي يتيحها اكتشاف OBB#

الأشياء التي تكون خارج المركز أو مائلة شائعة جدًا في سيناريوهات الحياة الواقعية. دعونا نستعرض بعض الأمثلة التي يحدث فيها اكتشاف OBB فرقًا حقيقيًا من خلال اكتشاف هذه الأشياء بدقة.

Link to this sectionتحليل صور الأشعة السينية باستخدام اكتشاف OBB#

يمكن أن يأخذ اكتشاف OBB تحليل الصور الطبية خطوة إلى الأمام من خلال تحسين الدقة. غالبًا ما تتضمن الصور الطبية هياكل تشريحية مثل الأورام أو الأعضاء أو العظام. غالبًا ما تظهر هذه الهياكل بأشكال غير منتظمة واتجاهات متنوعة. ونظرًا لأن صناديق OBB يمكن أن تدور لتتناسب مع زاوية الشيء، فإنها توفر تحديدًا للموقع وقياسًا أكثر دقة، وهو أمر بالغ الأهمية للتشخيص وتخطيط العلاج.

هذا النهج فعال بشكل خاص عندما يتعلق الأمر بتحليل صور الأشعة السينية لكسور العظام، حيث يعتبر موضع العظام ومحاذاتها من العوامل الرئيسية. على سبيل المثال، تم استخدام اكتشاف OBB لتحليل أشعة سينية لمرفق الأطفال. من خلال التكيف مع اتجاه العظام، ساعد ذلك في تحسين دقة الاكتشاف.

الشكل 3. أشعة سينية (a, d) مع اكتشاف الأشياء (b, e) واكتشاف الصناديق المحيطة الموجهة (c, f).

Link to this sectionالمراقبة الجوية مدعومة باكتشاف OBB#

تعد المراقبة الجوية أداة أساسية في قطاعات مثل السلامة العامة، والمراقبة البيئية، وتخطيط المدن. يمكن للصور الملتقطة بواسطة الطائرات بدون طيار أو الأقمار الصناعية أن تساعد في تحديد أشياء مثل السفن والمركبات والمباني. ومع ذلك، في هذه الصور، غالبًا ما تظهر الأشياء صغيرة وبزوايا غير معتادة، مما يجعل من الصعب اكتشافها بدقة.

يحل اكتشاف OBB هذا عن طريق إمالة الصناديق المحيطة لتتناسب مع زاوية كل شيء. يؤدي هذا إلى قياسات أكثر دقة لحجم الشيء واتجاهه، مما يدعم اتخاذ قرارات أفضل في مجالات مثل التخطيط الحضري، والدفاع، والاستجابة للكوارث، والمراقبة البيئية.

مثال مثير للاهتمام على اكتشاف OBB هو تتبع السفن في المراقبة البحرية. غالبًا ما تلتقط صور الأقمار الصناعية السفن بزوايا وأحجام مختلفة بسبب الطقس أو الإضاءة أو الحركة. يمكن لصناديق OBB التكيف مع هذه التغييرات، مما يحسن الاكتشاف، خاصة بالنسبة للسفن الأصغر أو المحجوبة جزئيًا.

الشكل 4. نظرة على استخدام اكتشاف OBB للمراقبة البحرية.

Link to this sectionاستخدام اكتشاف OBB في الزراعة#

يعد فرز المحاصيل بعد الحصاد خطوة حاسمة لضمان الجودة قبل تعبئتها وإرسالها إلى السوق. بينما تعمل العديد من الأنظمة بشكل جيد للفواكه المستديرة مثل التفاح والبرتقال، يمكن أن تكون المحاصيل الطويلة والضيقة، مثل الجزر أو براعم الزيزانيا، أصعب بكثير في التعامل معها. تختلف أشكالها، وغالبًا ما ينتهي بها الأمر بزوايا مختلفة، مما يجعل اكتشافها وفرزها بدقة أمرًا صعبًا.

ولمعالجة هذا، طور الباحثون نظامًا يستخدم اكتشاف الصناديق المحيطة الموجهة (OBB) لتحديد وتصنيف هذه المحاصيل بدقة أكبر. يمكن للنظام اكتشاف محاصيل متعددة في صورة واحدة، حتى لو كانت مائلة أو متداخلة، وتقييم جودتها وموقعها في الوقت الفعلي.

Link to this sectionإيجابيات وسلبيات اكتشاف OBB#

إليك بعض فوائد استخدام اكتشاف OBB:

• تحسين المدخلات للمهام اللاحقة: يمكن لـ مهام الرؤية الحاسوبية مثل تجزئة المثيل وتتبع الأشياء أن تؤدي أداءً أفضل عند إعطائها اكتشافات أشياء أكثر دقة.
• تعزيز التفكير المكاني: من خلال التقاط زاوية الاتجاه، تجعل صناديق OBB من الممكن فهم محاذاة الشيء واتجاهه.
• تقليل التداخل في المشاهد المزدحمة: تقلل صناديق OBB من الغموض من خلال ملاءمة الأشياء بشكل أكثر إحكامًا، حتى في المشاهد المزدحمة أو المليئة بالفوضى.

على الرغم من المساعدة في تحسين دقة الاكتشاف في المشاهد المعقدة، يأتي اكتشاف OBB مع بعض القيود التي يجب مراعاتها:

• حساسية أكبر للضوضاء: يمكن أن يكون للأخطاء الصغيرة في توقع الزاوية تأثير أكبر على دقة الاكتشاف، خاصة بالنسبة للأشياء المكتظة أو الطويلة.
• الحاجة إلى أدوات متخصصة: نظرًا لأن ليست كل منصات التسمية والتدريب تدعم OBB أصلاً، فقد يتطلب العمل معها أدوات أو إعدادات إضافية.
• محدودية توفر مجموعات البيانات: مقارنة بـ اكتشاف الأشياء القياسي، هناك حاليًا عدد أقل من مجموعات البيانات المتاحة للجمهور مع شرح OBB، مما قد يجعل البدء أو مقارنة النتائج أكثر صعوبة قليلاً.

Link to this sectionأبرز النقاط#

يجعل اكتشاف الصناديق المحيطة الموجهة من الأسهل على حلول الرؤية الحاسوبية التعرف على الأشياء التي ليست مستقيمة أو محاذية تمامًا. من خلال التقاط كل من موقع واتجاه الأشياء، يعزز اكتشاف OBB الدقة عبر حالات استخدام العالم الحقيقي مثل مسح الصور الطبية، ومراقبة الأراضي الزراعية، أو تحليل صور الأقمار الصناعية.

مع نماذج مثل YOLO11 التي تجعل اكتشاف OBB أكثر سهولة، فإنه أصبح خيارًا عمليًا للعديد من الصناعات. سواء كنت تتعامل مع أشياء مائلة أو متداخلة أو ذات شكل غريب، يضيف اكتشاف OBB طبقة إضافية من الدقة التي غالبًا ما تفوتها الطرق القياسية.

هل تشعر بالفضول تجاه الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، واطلع على خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. تعرف على المزيد حول الابتكارات مثل الذكاء الاصطناعي في البيع بالتجزئة والرؤية الحاسوبية في الخدمات اللوجستية على صفحات الحلول الخاصة بنا.