ما اكتشاف مربعات الإحاطة الموجّهة (OBB)؟

يأتي التعرّف على الكائنات، بصرف النظر عن كيفية ترتيبها أو الاتجاه الذي تواجهه، أمرًا طبيعيًا لنا نحن البشر. سواء أكانت سيارات عند تقاطع أم قوارب في ميناء، يمكننا بسهولة معرفة ماهيتها والاتجاه الذي تشير إليه. لكن الأمر ليس بهذه البساطة بالنسبة إلى أنظمة الذكاء الاصطناعي (AI).

على سبيل المثال، تُمكّن الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يركز على فهم الصور ومقاطع الفيديو، من تنفيذ مهام مثل اكتشاف الكائنات، ما يساعد الآلات على تحديد الكائنات داخل المشهد وتحديد مواقعها. يعتمد اكتشاف الكائنات التقليدي على مربعات إحاطة محاذية للمحاور لرسم مربعات حول الكائنات. وتتميز هذه المربعات بجوانب مستقيمة وزوايا قائمة ثابتة. ويعمل هذا النهج جيدًا عندما تكون الكائنات قائمة وغير متقاربة جدًا.

لكن عندما تكون الكائنات مائلة أو مدوّرة أو متقاربة، غالبًا ما يواجه اكتشاف الكائنات التقليدي صعوبة في تحديدها بدقة. ولمعالجة هذه الحالات الأكثر تعقيدًا، طُرحت تقنيات مثل اكتشاف مربعات الإحاطة الموجهة (OBB). وعلى خلاف مربعات الإحاطة القياسية، يمكن لمربعات OBB الدوران لتطابق زاوية الكائن وشكله، ما يتيح ملاءمة أكثر إحكامًا ودقة.

تتيح نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، التي تدعم اكتشاف OBB، مجموعة من التطبيقات الفورية، لا سيما في السيناريوهات التي يكون فيها اتجاه الكائن مهمًا، مثل المراقبة الجوية. وإضافة إلى ذلك، يُستخدم اكتشاف OBB أيضًا في الرعاية الصحية والزراعة وتحليل المستندات.

في هذه المقالة، سنستكشف ماهية اكتشاف OBB، وكيفية عمله، وأين يُطبَّق في سيناريوهات العالم الحقيقي. لنبدأ!

الشكل 1. مثال توضيحي على استخدام YOLO11 لاكتشاف OBB للقوارب.

ما مربع الإحاطة الموجه؟#

مربع الإحاطة الموجه هو نوع من المربعات المستطيلة المستخدمة في الرؤية الحاسوبية لتمثيل الكائنات المكتشفة في صورة. وبينما تتماشى مربعات الإحاطة القياسية مع المحورين الأفقي والرأسي للصورة، يمكن لمربعات OBB الدوران لتطابق الزاوية الفعلية للكائن.

توفر هذه القدرة على الدوران العديد من المزايا. إذ يمكن لمربعات OBB أن تتماشى بدرجة أكبر مع اتجاه الكائن، ما يسمح للمربع بالالتفاف بإحكام حول شكل الكائن واتجاهه. ونتيجة لذلك، يصبح الاكتشاف أكثر دقة وإحكامًا.

تكون مربعات OBB مفيدة على نحو خاص عندما لا تكون الكائنات قائمة تمامًا، مثل سيارة تنعطف على طريق منحني في لقطات جوية، أو كتاب مائل على مكتب، أو ورم مدوّر في فحص طبي. ومن خلال مطابقة زاوية الكائن بدقة أكبر، تحسّن مربعات OBB أداء الاكتشاف، وتقلل تداخل الخلفية، وتناسب خصوصًا التطبيقات التي يكون فيها اتجاه الكائن مهمًا بقدر أهمية موقعه.

الشكل 2. مقارنة بين اكتشاف الكائنات واكتشاف OBB.

اكتشاف OBB مقابل اكتشاف الكائنات#

قد يبدو اكتشاف OBB واكتشاف الكائنات التقليدي متشابهين للوهلة الأولى، لكنهما يُستخدمان بطرق مختلفة ولحالات مختلفة. لنلقِ نظرة فاحصة على كيفية مقارنتهما من خلال مثال.

يمكن تدريب نماذج الرؤية الحاسوبية، مثل YOLO11، لاكتشاف الكائنات وتصنيفها في تطبيقات متنوعة من العالم الحقيقي، مثل الفحص الصناعي. تخيل خط تجميع في مصنع تتحرك عليه أجزاء آلات مختلفة على حزام ناقل. قد تكون بعض الأجزاء موضوعة بانتظام، بينما قد تكون أجزاء أخرى مدوّرة قليلًا أو مائلة أو متداخلة بسبب الاهتزاز أو السرعة.

يستخدم اكتشاف الكائنات التقليدي مربعات مستطيلة قائمة تتماشى مع الحواف الأفقية والرأسية للصورة. لذلك، عندما يكون الجزء مدوّرًا، قد لا يلائم المربع الكائن بشكل صحيح؛ فقد يستبعد جزءًا من الكائن أو يضم قدرًا كبيرًا من الخلفية. وقد يجعل ذلك عمليات الاكتشاف أقل دقة ويصعّب على النظام تحديد الجزء بثقة.

أما إذا كنت تستخدم اكتشاف OBB بدلًا من ذلك، فيمكن للنموذج رسم مربع يدور ليتطابق مع الزاوية الدقيقة لكل جزء. وسيُحاط ترس مائل أو مكوّن بزاوية بإحكام بمربع يلائم شكله واتجاهه. وهذا يعني دقة أفضل وأخطاء أقل ونتائج أكثر موثوقية، لا سيما في حالات الاستخدام مثل مراقبة الجودة الآلية أو الفرز الروبوتي.

نماذج اكتشاف OBB الشائعة#

بعد أن أصبح لدينا فهم أفضل لماهية اكتشاف OBB، لنلقِ نظرة على بعض نماذج الذكاء الاصطناعي للرؤية الأكثر استخدامًا التي تدعمه.

طُوِّرت عدة نماذج متقدمة للرؤية الحاسوبية خصيصًا لاكتشاف الكائنات المدوّرة أو المائلة. ومن بينها، تحظى نماذج Ultralytics YOLO بشهرة خاصة لقدراتها الموثوقة والفعّالة في اكتشاف OBB.

صُممت الإصدارات الأقدم مثل Ultralytics YOLOv5 لاكتشاف الكائنات القياسي. أما الإصدارات اللاحقة، مثل Ultralytics YOLOv8 وYOLO11 الأحدث، فقد قدّمت دعمًا أصليًا لاكتشاف OBB. ويوفر YOLO11، على وجه الخصوص، دقة متقدمة دون التضحية بالسرعة، ما يجعله خيارًا مؤثرًا للتطبيقات الفورية.

تُدرَّب نماذج YOLO11 OBB المُدرَّبة مسبقًا، مثل YOLO11n-obb، على مجموعات بيانات مثل DOTAv1، التي تتكون من صور جوية مشروحة بمجموعة من فئات الكائنات، مثل الطائرات والسفن وملاعب التنس، التي تظهر بزوايا واتجاهات متنوعة.

كما تتوفر هذه النماذج بخمسة أحجام مختلفة، بدءًا من nano (n-obb) وصولًا إلى extra-large (x-obb)، لتلبية احتياجات الأداء المختلفة. ويتيح هذا التنوع تطبيقها في صناعات متعددة، بدءًا من مراقبة البنية التحتية الحضرية وفحص الآلات وصولًا إلى قراءة النصوص المنحرفة في المستندات الممسوحة ضوئيًا.

التدريب المخصص لـ Ultralytics YOLO11 لاكتشاف مربعات الإحاطة الموجهة#

في كثير من مواقف العالم الحقيقي، قد تختلف الكائنات التي تحتاج إلى اكتشافها تمامًا عن تلك الموجودة في مجموعات بيانات التدريب القياسية. فعلى سبيل المثال، قد تكون كائنات مثل الأدوات على خط إنتاج، أو عبوات المنتجات، أو المكوّنات على لوحة دوائر، مدوّرة أو موضوعة بطريقة غير منتظمة أو مختلفة الشكل.

ولاكتشاف هذه الكائنات المخصصة بدقة، لا سيما عندما يكون الاتجاه مهمًا، من الضروري تدريب نماذج مثل Ultralytics YOLO11 باستخدام صورك وتسمياتك الخاصة. وتُعرف هذه العملية باسم التدريب المخصص.

إليك نظرة فاحصة على عملية تدريب Ultralytics YOLO11 لاكتشاف OBB خطوة بخطوة:

• جمع الصور: اجمع صورًا تُظهر الكائنات المستهدفة من زوايا ومواضع وبيئات مختلفة من العالم الحقيقي.
• إضافة تعليقات توضيحية إلى الكائنات: ضع تسمية لكل كائن باستخدام مربعات الإحاطة المدوّرة (OBBs) لالتقاط موقعه واتجاهه معًا، وذلك باستخدام أدوات التعليقات التوضيحية التي تدعم OBB.
• إعداد مجموعة البيانات: نظّم صورك وتسمياتك وفق بنية أدلة YOLO، وأنشئ ملف إعداد YAML يتضمن أسماء الفئات ومسارات مجموعة البيانات.
• تدريب النموذج: اختر إصدارًا من نموذج Ultralytics YOLO11 يلائم احتياجاتك، وشغّل عملية التدريب حتى يتعلم النموذج من صورك المُسمّاة.
• التقييم والنشر: اختبر نموذجك المُدرَّب على صور جديدة، وقيّم دقته، وانشره في تطبيقات عملية مثل التصنيع أو المراقبة الجوية أو تحليل المستندات.

التطبيقات التي يتيحها اكتشاف OBB#

تشيع الكائنات غير المتمركزة أو المائلة في سيناريوهات الحياة الواقعية. لنستعرض بعض الأمثلة التي يُحدث فيها اكتشاف OBB فرقًا حقيقيًا من خلال اكتشاف هذه الكائنات بدقة.

تحليل صور الأشعة السينية باستخدام اكتشاف OBB#

يمكن لاكتشاف OBB أن يرتقي بـتحليل الصور الطبية إلى مستوى أعلى من خلال تحسين الدقة. غالبًا ما تتضمن الصور الطبية تراكيب تشريحية مثل الأورام أو الأعضاء أو العظام. وكثيرًا ما تظهر هذه التراكيب بأشكال غير منتظمة واتجاهات متنوعة. وبما أن مربعات OBB يمكنها الدوران لتطابق زاوية الكائن، فإنها توفر تحديدًا وقياسًا أكثر دقة، وهو أمر بالغ الأهمية للتشخيص وتخطيط العلاج.

يكون هذا النهج فعّالًا بوجه خاص عند تحليل صور الأشعة السينية لكسور العظام، حيث يُعد موضع العظام ومحاذاتها عاملين أساسيين. فعلى سبيل المثال، استُخدم اكتشاف OBB لتحليل صور الأشعة السينية لمرفق الأطفال. ومن خلال التكيف مع اتجاه العظام، ساعد ذلك على تحسين دقة الاكتشاف.

الشكل 3. صور الأشعة السينية (a، d) مع اكتشاف الكائنات (b، e) واكتشاف مربعات الإحاطة الموجهة (c، f).

المراقبة الجوية المدعومة باكتشاف OBB#

تُعد المراقبة الجوية أداة أساسية في قطاعات مثل السلامة العامة والمراقبة البيئية وتخطيط المدن. ويمكن للصور التي تلتقطها الطائرات المسيّرة أو الأقمار الصناعية أن تساعد على تحديد كائنات مثل السفن والمركبات والمباني. إلا أن الكائنات في هذه الصور تظهر غالبًا صغيرة وبزوايا غير معتادة، ما يجعل اكتشافها بدقة أكثر صعوبة.

يحل اكتشاف OBB هذه المشكلة عبر إمالة مربعات الإحاطة لتطابق زاوية كل كائن. ويؤدي ذلك إلى قياسات أكثر دقة لحجم الكائن واتجاهه، ما يدعم اتخاذ قرارات أفضل في مجالات مثل التخطيط الحضري والدفاع والاستجابة للكوارث والمراقبة البيئية.

من الأمثلة المثيرة للاهتمام على اكتشاف OBB تتبّع السفن في المراقبة البحرية. فغالبًا ما تلتقط صور الأقمار الصناعية السفن بزوايا وأحجام متفاوتة بسبب الطقس أو الإضاءة أو الحركة. ويمكن لمربعات OBB التكيف مع هذه التغيرات، ما يحسّن الاكتشاف، لا سيما للسفن الأصغر حجمًا أو المحجوبة جزئيًا.

الشكل 4. نظرة على استخدام اكتشاف OBB في المراقبة البحرية.

استخدام اكتشاف OBB في الزراعة#

يُعد فرز المحاصيل بعد الحصاد خطوة حاسمة لضمان الجودة قبل تعبئتها وإرسالها إلى السوق. وبينما تعمل العديد من الأنظمة جيدًا مع الفواكه المستديرة مثل التفاح والبرتقال، قد يكون التعامل مع المحاصيل الطويلة والرفيعة، مثل الجزر أو براعم Zizania، أكثر صعوبة بكثير. إذ تختلف أشكالها، وغالبًا ما ينتهي بها المطاف بزوايا مختلفة، ما يجعل اكتشافها وفرزها بدقة أمرًا معقدًا.

ولمعالجة هذه المشكلة، طوّر الباحثون نظامًا يستخدم اكتشاف مربعات الإحاطة الموجهة (OBB) لتحديد هذه المحاصيل وتصنيفها بدقة أكبر. ويمكن للنظام اكتشاف محاصيل متعددة في صورة واحدة، حتى إذا كانت مائلة أو متداخلة، وتقييم جودتها وموضعها في الوقت الفعلي.

إيجابيات وسلبيات اكتشاف OBB#

فيما يلي بعض فوائد استخدام اكتشاف OBB:

• تحسين المدخلات للمهام اللاحقة: يمكن لمهام الرؤية الحاسوبية مثل تقسيم الكائنات وتتبعها أن تؤدي أداءً أفضل عند تزويدها بعمليات اكتشاف أكثر دقة للكائنات.
• تحسين الاستدلال المكاني: من خلال التقاط زاوية الاتجاه، تتيح مربعات OBB فهم محاذاة الكائن واتجاهه.
• تقليل التداخل في المشاهد المزدحمة: تقلل مربعات OBB الالتباس من خلال ملاءمة الكائنات بإحكام أكبر، حتى في المشاهد المزدحمة أو المليئة بالعناصر.

على الرغم من أن اكتشاف OBB يساعد على تحسين دقة الاكتشاف في المشاهد المعقدة، فإنه ينطوي على بعض القيود التي ينبغي أخذها في الاعتبار:

• حساسية أكبر للضوضاء: يمكن أن يكون للأخطاء الصغيرة في التنبؤ بالزاوية تأثير أكبر في دقة الاكتشاف، لا سيما بالنسبة إلى الكائنات المتراصة بإحكام أو الممدودة.
• الحاجة إلى أدوات متخصصة: نظرًا إلى أن منصات وضع التسميات والتدريب لا تدعم مربعات OBB دعمًا أصليًا جميعها، فقد يتطلب العمل بها أدوات أو إعدادًا إضافيًا.
• توافر محدود لمجموعات البيانات: مقارنةً بـاكتشاف الكائنات القياسي، تتوفر حاليًا مجموعات بيانات عامة أقل تحتوي على تعليقات توضيحية لمربعات OBB، ما قد يجعل البدء أو مقارنة النتائج أكثر تحديًا قليلًا.

أهم النقاط المستخلصة#

يجعل اكتشاف مربعات الإحاطة الموجهة من الأسهل على حلول الرؤية الحاسوبية التعرّف على الكائنات التي ليست مستقيمة أو محاذاة تمامًا. ومن خلال التقاط موضع الكائنات واتجاهها معًا، يعزز اكتشاف OBB الدقة في حالات الاستخدام الواقعية مثل مسح الصور الطبية ومراقبة الأراضي الزراعية وتحليل الصور الملتقطة بالأقمار الصناعية.

ومع جعل نماذج مثل Ultralytics YOLO11 اكتشاف OBB أكثر سهولة، فإنه يتحول إلى خيار عملي للعديد من الصناعات. وسواء كنت تتعامل مع كائنات مائلة أو متداخلة أو غريبة الشكل، يضيف اكتشاف OBB طبقة إضافية من الدقة غالبًا ما تفوّتها الأساليب القياسية.

هل تثيرك تقنيات الذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا لبدء مشروعك في الرؤية الحاسوبية. تعرّف على المزيد حول ابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في قطاع الخدمات اللوجستية على صفحات حلولنا.