Neuromorphic Vision

الرؤية المستوحاة من الأعصاب هي نهج متقدم في الرؤية الحاسوبية مستوحى من آليات عمل العين والدماغ البشريين. وعلى خلاف الكاميرات التقليدية القائمة على الإطارات، التي تلتقط صورًا ثابتة على فواصل زمنية محددة، تسجل المستشعرات المستوحاة من الأعصاب—والتي تُسمى غالبًا مستشعرات الرؤية الديناميكية (DVS) أو الكاميرات الحدثية—التغيرات في شدة الضوء بشكل غير متزامن على مستوى البكسل. وينتج عن ذلك تدفق مستمر ومتفرق من الأحداث بدلًا من إطارات الصور المتكررة. ومع استمرار تطور الذكاء الاصطناعي في عام 2025 وما بعده، يزداد هذا النهج المستوحى من الكائنات الحية أهميةً لتطوير أنظمة رؤية منخفضة زمن الاستجابة وموفرة للطاقة، وقادرة على العمل في بيئات شديدة الديناميكية.

آلية عمل الرؤية المستوحاة من الأعصاب#

تعتمد الرؤية المستوحاة من الأعصاب في جوهرها على التآزر بين المستشعرات القائمة على الأحداث والشبكات العصبية المتخصصة. فعندما يكتشف بكسل تغيرًا في السطوع، فإنه يطلق فورًا «حدثًا» يتضمن إحداثياته المكانية، وطابعًا زمنيًا بدقة الميكروثانية، وقطبية التغير، أي ما إذا كان الضوء قد ازداد أو انخفض. وتقلل هذه الطريقة بدرجة كبيرة من تكرار البيانات، إذ تستهلك الخلفيات الثابتة عرض نطاق تردديًا يساوي تقريبًا صفرًا.

ولمعالجة تدفقات الأحداث المتفرقة هذه بفاعلية، ينشر المهندسون غالبًا الشبكات العصبية النابضة (SNNs)، التي تتواصل عبر نبضات كهربائية منفصلة بدلًا من قيم تنشيط مستمرة، بما يحاكي الخلايا العصبية البيولوجية عن كثب. وتتطلب البنية الناتجة قدرة حوسبية أقل بكثير، ما يجعلها مرشحًا مثاليًا لـالذكاء الاصطناعي الطرفي وعتاد الحوسبة الطرفية المقيّد بالموارد.

الرؤية المستوحاة من الأعصاب مقابل الرؤية الحاسوبية التقليدية#

في حين تعتمد بُنى كشف الأجسام التقليدية على معالجة مصفوفات كثيفة من شدة البكسلات، تعالج الرؤية المستوحاة من الأعصاب بيانات مكانية-زمانية غير متزامنة. ويمنح هذا الاختلاف الجوهري الكاميرات الحدثية مزايا فريدة، منها دقة زمنية على مستوى الميكروثانية، وضبابية حركة شبه معدومة، وقدرات استثنائية على النطاق الديناميكي العالي (HDR) تتفوق في ظروف الإضاءة القاسية.

ومع ذلك، تظل نماذج الرؤية القياسية مثل Ultralytics YOLO26 المعيار الصناعي لكشف الأجسام وتجزئة الصور للأغراض العامة، بفضل دقتها التي لا تُضاهى على البيانات المرئية الكثيفة وتوافقها الواسع مع مسرّعات العتاد الحديثة مثل وحدات معالجة الرسومات وTPUs. وبينما تحلل النماذج القياسية المشاهد بأكملها لفهم السياق، تركز الأنظمة المستوحاة من الأعصاب على التغيرات الديناميكية فقط.

أهم التطبيقات العملية#

أدت السرعة والكفاءة اللافتتان للرؤية المستوحاة من الأعصاب إلى العديد من التطبيقات الرائدة في عام 2025.

• الطائرات المسيّرة والروبوتات المستقلة: يتطلب التنقل عالي السرعة ردود فعل في أجزاء من الثانية. ويمكن للطائرات المسيّرة المزوّدة بكاميرات حدثية تفادي العوائق سريعة الحركة بسهولة، وهو مجال تواجه فيه الرؤية الآلية القياسية صعوبات غالبًا بسبب القيود التقليدية لمعدل الإطارات.
• المراقبة الذكية وإنترنت الأشياء: نظرًا إلى أن المستشعرات الحدثية لا ترسل البيانات إلا عند حدوث حركة، فإنها تستهلك جزءًا ضئيلًا من طاقة الأنظمة القياسية. وهذا يجعلها مثالية لكاميرات الأمن العاملة دائمًا ومراقبة المدن الذكية، حيث يُعد توفير الطاقة أمرًا بالغ الأهمية.
• سلامة السيارات: تستفيد أنظمة مساعدة السائق المتقدمة (ADAS) من خصائص النطاق الديناميكي العالي للمستشعرات المستوحاة من الأعصاب لاكتشاف المشاة أو المركبات بشكل موثوق عند الخروج من الأنفاق المظلمة إلى ضوء الشمس الساطع، ما يعزز بدرجة كبيرة سلامة المركبات المستقلة.

دمج المفاهيم المستوحاة من الأعصاب في الذكاء الاصطناعي الحديث#

على الرغم من أن عتاد SNN الأصلي لا يزال في طور النضج، فإن مجتمع الرؤية الحاسوبية يدمج بصورة متزايدة البيانات القائمة على الأحداث مع أطر التعلم العميق التقليدية مثل PyTorch وTensorFlow. وغالبًا ما يحوّل الباحثون تدفقات الأحداث الأولية إلى إطارات زائفة أو تمثيلات موترية، ما يتيح استخدام كواشف مكانية متطورة.

فعلى سبيل المثال، يمكنك تجميع بيانات الأحداث رياضيًا في إطار صورة ومعالجتها باستخدام نموذج YOLO26 المحسّن بدرجة كبيرة لتحقيق استدلال سريع ومنخفض استهلاك الطاقة على الطرف. ولإنشاء مسارات العمل الهجينة هذه وتدريبها وتوسيع نطاقها بسهولة، تعتمد فرق المؤسسات على منصة Ultralytics لإدارة مجموعات البيانات من البداية إلى النهاية، والتعليق التوضيحي للبيانات الآلي، والنشر السلس في السحابة.

from ultralytics import YOLO

# Load the highly efficient Ultralytics YOLO26 edge model
model = YOLO("yolo26n.pt")

# In a neuromorphic setup, sparse event data is often accumulated
# into pseudo-frames before processing with traditional neural networks.
# Here we simulate running inference on an accumulated event-frame.
results = model.predict(source="event_frame_accumulated.jpg", device="cpu", imgsz=320)

# Display bounding box detection results optimized for edge-compute
results[0].show()

يتيح هذا النهج الهجين للمهندسين الاستفادة من زمن الاستجابة المنخفض للغاية للمستشعرات الحدثية إلى جانب الدقة القوية الراسخة لنماذج YOLO الحديثة، ما يدفع الجيل التالي من حلول التعلم الآلي الذكية وعالية الكفاءة.