Change Detection

اكتشاف التغيير هو تقنية رؤية حاسوبية لتحديد الاختلافات ذات الأهمية بين ملاحظات المشهد نفسه الملتقطة في أوقات مختلفة. بدلاً من طرح سؤال حول ما يظهر في الصورة فحسب، فإنه يتساءل عما ظهر أو اختفى أو تحرك أو نما أو انكمش أو تغيرت حالته. قد يقارن النظام صورتين فوتوغرافيتين، أو إطارات فيديو متتالية، أو سلسلة زمنية أطول. ويمكن أن تكون مخرجاته خريطة تغيير ثنائية، أو مناطق مصنفة، أو كائنات معدلة، أو قياسات مثل مساحة أرض غمرتها المياه حديثاً.

كيف يعمل اكتشاف التغيير#

يبدأ سير العمل النموذجي بصورتين أو أكثر لنفس المنطقة. يقارن اكتشاف التغيير ثنائي الزمن تاريخين، بينما يحلل اكتشاف التغيير متعدد الأزمان تسلسلاً للتمييز بين الأحداث المعزولة والاتجاهات التدريجية.

قبل المقارنة، يجب جعل الصور متوافقة:

1. المحاذاة: يضع تسجيل الصور نقاط المشهد المتقابلة عند إحداثيات البكسل نفسها. وإلا، فإن حتى التحول البسيط للكاميرا يمكن أن ينشئ حواف زائف حول كل كائن.
2. التطبيع: يتم تعديل السطوع، واللون، والظروف الجوية، واستجابات المستشعر. بالنسبة للتحليل عبر الأقمار الصناعية، تحسن منتجات الانعكاس السطحي المقارنات عن طريق تقليل التأثيرات الجوية.
3. التمثيل: يققارن النظام البكسلات الخام، أو الميزات المرئية المستخرجة، أو الكائنات المكتشفة، أو أقنعة التقسيم. قد تستخدم الطريقة الأساسية اختلافات صور OpenCV المطلقة، بينما يمكن للنماذج المدربة التعرف على التغييرات الدلالية على الرغم من الاختلافات البسيطة في الإضاءة أو وجهة النظر.
4. القرار: يفصل الحد الفاصل بين التغيير ذي المعنى والضوضاء. يمكن لمقاييس التشابه مثل تلك الموجودة في واجهة برمجة تطبيقات مقاييس صور scikit-image قياس مدى اختلاف الملاحظتين بقوة.
5. المعالجة اللاحقة: قد تتم إزالة الاكتشافات المعزولة الصغيرة، ودمج البكسلات المجاورة في مناطق، وتعيين تسميات للتغييرات مثل "مبنى جديد" أو "مكون مفقود".

أصغر تغيير قابل للاكتشاف هو التعديل الأصغر الذي يمكن للنظام فصله بشكل موثوق عن ضوضاء المستشعر، وخطأ التسجيل، والتباين الطبيعي. وهو يعتمد على دقة الصورة، وحجم الكائن، والتباين، جودة المعالجة المسبقة، والحد المحدد.

المفاهيم ذات الصلة والتمييزات الرئيسية#

يتداخل اكتشاف التغيير مع العديد من مهام الرؤية، لكن كل منها يجيب على سؤال مختلف:

• يحدد اكتشاف الحالات الشاذة الملاحظات التي تختلف عن التعريف المتعلم للحالة الطبيعية، وأحياناً باستخدام صورة واحدة فقط. يتطلب اكتشاف التغيير مقارنة زمنية أو أساسية ولا يعني بالضرورة أن التغيير غير طبيعي.
• يحدد اكتشاف الكائنات مواقع الكائنات ويصنفها بشكل مستقل في كل صورة. يمكن أن تكشف مقارنة الاكتشافات عبر التواريخ عن الكائنات المضافة أو المزالة.
• يخصص تقسيم الصور التسميات على مستوى البكسل. يمكن لاكتشاف التغيير مقارنة أقنعة التقسيم لقياس الأشكال أو المساحات المعدلة بدقة.
• يحافظ تعقب الكائنات على هويات الكائنات عبر إطارات الفيديو ويؤكد على الحركة والمسارات. يركز اكتشاف التغيير عادةً على التغييرات في محتوى المشهد أو حالته، والتي قد تحدث على مدى دقائق، أو أشهر، أو سنوات.
• يصف انحراف البيانات التغييرات في التوزيع الإحصائي لمدخلات الإنتاج. وهو يتعلق بموثوقية النموذج، بينما يتعلق اكتشاف التغيير البصري بالاختلافات داخل المشاهد المرصودة.

تطبيقات العالم الحقيقي#

مراقبة الأرض وتقييم الكوارث: يقارن المحللون صور الأقمار الصناعية لرسم خريطة إزالة الغابات، والتوسع الحضري، وحركة الخط الساحلي، وأضرار حرائق الغابات، أو الفيضانات. قد يجمع تحليل صور الأقمار الصناعية بين البيانات متعددة الأطياف والتقسيم لتصنيف كل منطقة متغيرة. توضح مجموعة USGS Earthshots كيف تكشف صور لاندسات قبل وبعد عن التحول البيئي، بينما توفر ناسا سير عمل لاكتشاف التغيير باختلاف اللوغاريتم عملياً. تحول البرامج طويلة الأجل مثل NOAA Coastal Land Cover and Change هذه المقارنات إلى معلومات لتخطيط الفيضانات وإدارة السواحل.

الفحص الصناعي: يمكن كاميرا ثابتة مقارنة تجميع قبل خطوة إنتاج وبعدها. قد يكشف الاكتشاف عن مَسمار مفقود أو مكون موضوع حديثاً، بينما يمكن للتقسيم قياس صدع أو سطح تالف. في الفحص البصري للتصنيع الآلي، يمكن أن يسمح تغيير لم يُكتشف لمنتج معيب بالاستمرار في مسار العمل، بينما يمكن الإنذارات الكاذبة أن تتسبب في توقفات غير ضرورية للخط ومراجعات يدوية.

اكتشاف التغيير باستخدام Ultralytics YOLO#

يمكن لـ Ultralytics YOLO توفير مرحلة الإدراك الدلالي لخط أنابيب اكتشاف التغيير. على سبيل المثال، يمكن لنموذج تقسيم YOLO26 مخصص معالجة صور المسجلة قبل وبعد عبر وضع التنبؤ في YOLO:

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

ينتج سير العمل هذا أقنعة كائنات وتسميات لكل ملاحظة. يمكن لتطبيق لاحق مطابقة الفئات المتقابلة ومقارنة وجودها، أو موقعها، أو مساحة قناعها. بالنسبة للفئات المتخصصة، يمكن للفرق التعليق على الصور المقترنة، وتدريب نماذج مخصصة، وإدارة النشر باستخدام منصة Ultralytics.

التحديات العملية وأفضل الممارسات#

يتطلب اكتشاف التغيير الموثوق أكثر من مجرد طرح الصور. يمكن أن تشبه حركة الكاميرا، والظلال، والنباتات الموسمية، والانعكاسات، والغيوم، والاحتجاب التغيير الحقيقي. يجب على الفرق الحفاظ على ثبات وجهات النظر وإعدادات المستشعر، وتسجيل الصور قبل المقارنة، والتدرب باستخدام تباين "بدء بدون تغيير" تمثيلي، وتحديد الحدود باستخدام بيانات التحقق من الصحة.

يجب أن يقيس التقييم كلاً من الإيجابيات الكاذبة، مثل الظلال المصنفة كتغييرات هيكلية، والسلبيات الكاذبة، مثل تفويت العيوب الصغيرة. يعتمد التوازن المناسب على العواقب: قد يعطي تعيين الكوارث الأولوية للاستدعاء، بينما قد يحتاج خط الفحص عالي الحجم إلى دقة أضيق لتجنب الإنذارات المفرطة. تظل المراجعة البشرية قيمة للنتائج الغامضة أو عالية التأثير.