🤖 AI

Enhancing Floor Plan Recognition: A Hybrid Mix-Transformer and U-Net Approach for Precise Wall Segmentation

تقدم هذه الورقة البحثية MitUNet، وهي شبكة عصبية هجينة تجمع بين مشفر Mix-Transformer وفك تشفير U-Net معزز بالانتباه وفقدان Tversky لتحقيق تقسيم عالي الدقة للجدران من أجل إعادة البناء ثلاثي الأبعاد الآلي من المخططات الأرضية ثنائية الأبعاد، متفوقة بذلك على الأساليب الحالية في مجموعات بيانات CubiCasa5k والبيانات الإقليمية.

المؤلفون الأصليون: Dmitriy Parashchuk, Alexey Kaspshitskiy, Yuriy Karyakin

نُشر 2026-04-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dmitriy Parashchuk, Alexey Kaspshitskiy, Yuriy Karyakin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك كومة من المخططات الهندسية القديمة المرسومة يدويًا لبيوت. هذه الرسومات فوضوية: بها قطع أثاث مرسومة، وتسميات نصية في كل مكان، وأنماط مختلفة لتوضيح أي الجدران قوية (حاملة للأحمال) وأيها مجرد قواطع غرف.

هدفك هو تحويل هذه الرسومات ثنائية الأبعاد المسطحة إلى نموذج ثلاثي الأبعاد مثالي لمنزل يمكن للكمبيوتر استخدامه لبناء جولة في الواقع الافتراضي أو خطة بناء.

المشكلة؟ الحواسيب سيئة جدًا في قراءة هذه الرسومات الفوضوية. غالبًا ما ترتبك بسبب الأثاث، وتظن أن النصوص جزء من الجدار، أو ترسم الجدران سميكة وضبابية للغاية. إذا أخطأ الكمبيوتر في رسم الجدران، سينهار النموذج ثلاثي الأبعاد.

تقدم هذه الورقة البحثية "حلاً خارقًا" جديدًا يسمى MitUNet لإصلاح هذا الأمر. وإليك كيف يعمل، مشروحًا ببساطة:

1. المشكلة: قضية "الجدار الضبابي"

فكر في مخطط الطابق كأنه صورة عالية الدقة لخيوط عنكبوت. الجدران هي تلك الخيوط الرقيقة والدقيقة.

نماذج الذكاء الاصطناعي القديمة كانت مثل شخص يحاول تتبع ذلك الخيط باستخدام قلم عريض؛ كان بإمكانهم رؤية الشكل العام للغرفة، لكن الخطوط كانت تخرج سميكة، وضبابية، وأحيانًا متصلة بأشياء خاطئة (مثل أرجل الكراسي).
التحدي: يجب أن يكون الذكاء الاصطناعي ذكيًا بما يكفي لفهم المنزل بأكمله (السياق العام) ولكنه دقيق بما يكفي لتتبع خط واحد رفيع دون أن يجعله باهتًا (التفاصيل الدقيقة).

2. الحل: فريق تحقيق هجين (MitUNet)

بنى المؤلفون ذكاءً اصطناعيًا جديدًا يعمل كفريق تحقيق مكون من شخصين يعملان معًا:

المحقق (أ) (خبير "الصورة الكبيرة"): هذا هو الـ Mix-Transformer. تخيل طائرًا يحلق عاليًا فوق المدينة. من هذا الارتفاع، يمكنه رؤية الحي بأكته، وتخطيط الشوارع، وكيفية اتصال المباني ببعضها. إنه يفهم سياق مخطط الطابق. هو يعرف أنه: "حسنًا، هذه غرفة معيشة، وهذا الجدار يتصل بالمطبخ".
المحقق (ب) (خبير "المجهر"): هذا هو الـ U-Net. تخيل محققًا يحمل عدسة مكبرة على الأرض. إنه ينظر إلى التفاصيل الصغيرة: ملمس الطوب، الحافة الدقيقة للباب، والخط الرفيع للجدار. هو يضمن أن تكون الخطوط حادة وليست ضبابية.

السحر: عادةً ما تستخدم نماذج الذكاء الاصطناعي أحد هذين المحققين فقط. لكن MitUNet يجمعهما معًا. "الطائر" يخبر "المجهر" أين ينظر، و"المجهر" يضمن رسم الخطوط بشكل مثالي.

3. السر الخفي: "المحرر الصارم" (Tversky Loss)

حتى مع وجود فريق رائع، قد يرتكب الذكاء الاصطناعي أخطاءً. قد يرسم جدارًا سميكًا نوعًا ما، أو قد يعتبر قطعة أثاث جزءًا من الجدار بالخطأ.

لإصلاح ذلك، استخدم المؤلفون قاعدة تقييم خاصة تسمى Tversky Loss.

التشبيه: تخيل أنك تصحح رسم طالب.
- المعلم التقليدي (مثل "Dice Loss") يقول: "طالما أن الجدار في مكانه الصحيح تقريبًا، فقد حصلت على درجة امتياز". هذا يؤدي إلى جدران فوضوية وسميكة.
- محرر Tversky أكثر صرامة بكثير. يقول: "إذا رسمت جدارًا في مكان لا يوجد فيه جدار (مثل الرسم فوق نافذة أو كرسي)، فستتعرض لعقوبة كبيرة. وإذا فاتك جزء صغير من الجدار، فهذا سيء أيضًا، لكننا نهتم أكثر بعدم إضافة أشياء وهمية".
النتيجة: يتعلم الذكاء الاصطناعي أن يكون متحفظًا للغاية. فهو يرسم جدرانًا حادة كالسكين، رفيعة ونظيفة، تاركًا فجوات في الأماكن التي يجب أن تكون فيها الأبواب والنوافذ تمامًا.

4. تدريب الذكاء الاصطناعي: من "الكتاب المدرسي" إلى "العالم الحقيقي"

لم يعلم المؤلفون الذكاء الاصطناعي من نوع واحد من الرسومات فقط، بل استخدموا طريقة تدريب من خطوتين:

المرحلة الأولى (الكتاب المدرسي): عرضوا على الذكنا الاصطناعي 5,000 مخطط طابق مختلف من مجموعة بيانات قياسية (CubiCasa5k). هذا علم الذكاء الاصطناعي القواعد العامة للهندسة المعمارية (الأبواب توضع في الجدران، الغرف عادة ما تكون مستطيلة).
المرحلة الثانية (الرحلة الميدانية): بعد ذلك، عرضوا عليه 500 مخطط طابق حقيقي من منطقة معينة (روسيا/الرابطات المستقلة للدول). كانت هذه المخططات فوضوية، وبها أنماط تظليل غريبة، وجدران منحنية. كان على الذكاء الاصطناعي تكييف معرفة "الكتاب المدرسي" للتعامل مع هذا الواقع الفوضوي.

لماذا يهم هذا؟

قبل هذا، كان تحويل مخطط ثنائي الأبعاد إلى نموذج ثلاثي الأبعاد يتطلب من مهندس معماري الجلوس لساعات، لتتبع كل خط يدويًا. كان الأمر بطيئًا ومكلفًا.

مع MitUNet:

السرعة: يمكن للكمبيوتر القيام بالعمل الشاق في ثوانٍ.
الدقة: تُرسم الجدران بدقة شديدة بحيث يمكن للكمبيوتر تلقائيًا تحويلها إلى نموذج بناء ثلاثي الأبعاد دون حاجة الإنسان لإصلاح أخطاء "الدرج" أو الخطوط السميكة.
تعدد الاستخدامات: يعمل حتى على المخططات الفوضوية أو القديمة أو المرسومة بشكل غريب والتي عادة ما تربك الحواسيب.

باخت_صار: بنى المؤلفون ذكاءً اصطناعيًا هجينًا ذكيًا يجمع بين "رؤية عين الطائر" و"رؤية المجهر"، ودربوه باستخدام محرر صارم لرسم جدران رفيعة ومثالية. هذا يحول المهمة المملة لرقمنة المخططات الهندسية إلى عملية آلية وعالية السرعة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تعزيز التعرف على مخططات الطوابق: نهج هجين يجمع بين الـ Mix-Transformer والـ U-Net لتجزئة الجدران بدقة."

1. بيان المشكلة

تعد إعادة البناء الآلي لنماذج المباني ثلاثية الأبعاد من مخططات الطوابق ثنائية الأبعاد (Raster) تحديًا حرجًا في مجال الرؤية الحاسوبية وصناعة الهندسة المعمارية والهندسة المدنية والإنشاءات (AEC). وتعتبر سير العمل اليدوي الحالي مكلفًا وغير قابل للتوسع. وبينما حقق التعلم العميق تقدمًا في التجزئة الدلالية (Semantic Segmentation)، إلا أن الطرق الحالية تواجه مشكلتين محددتين عند تطبيقها على مخططات الطوابق:

اكتشاف الهياكل الرفيعة: غالبًا ما تفشل النماذج القياسية في تجزئة هياكل الجدران الرفيعة بدقة، مما يؤدي إلى حدوث انقطاعات.
الدقة الهندسية: غالبًا ما تنتج البنى الحالية حدودًا "متوسعة" أو ضبابية. وهذا أمر ضار بالمهام اللاحقة مثل التحويل إلى رسوم متجهة (Vectorization) (تحويل الصور النقطية إلى خطوط متجهة) ومسارات Scan-to-BIM، حيث يتطلب الأمر اتساقًا طوبولوجيًا وزوايا حادة.
انزياح النطاق (Domain Shift): النماذج المدربة على مجموعات البيانات الغربية القياسية (مثل CubiCasa5k) غالبًا ما تفشل في التعامل مع مجموعات البيانات الإقليمية التي تتميز بأنماط تظليل فريدة، وهندسات غير مانهاتية (Non-Manhattan)، وفوضى دلالية كثيفة (أثاث، نصوص متراكبة).

2. المنهجية

يقترح المؤلفون MitUNet، وهو بنية شبكة عصبية هجينة مصممة لسد الفجوة بين السياق الدلالي العالمي والتفاصيل الهيكلية دقيقة التفاصيل.

أ. البنية: MitUNet

المُشفر (السياق العالمي): يستخدم خلفية Mix-Transformer (MiT-b4) (من إطار عمل SegFormer). وخلافًا لشبكات الرؤية المحولة القياسية، يستخدم MiT تصميمًا هرميًا مع دمج الرقع المتداخلة (Overlapping patch merging). هذا يحافظ على الاستمرارية المحلية ويولد خرائط ميزات متعددة المقاييس ( $1/4, 1/8, 1/16, 1/32$ من الدقة)، وهو أمر ضروري لفهم الطوبولوجيا العالمية للمبنى دون إدخال عيوب الشبكة (Grid artifacts).
المُفكك (التفاصيل دقيقة الحبيبات): يستبدل مُفكك MLP خفيف الوزن الخاص بـ SegFormer بـ مُفكك U-Net.
- يقوم هذا المُفكك برفع دقة خرائط الميزات تدريجيًا باستخدام اتصالات التخطي (Skip connections) لدمج ميزات المُشفر عالية الدقة.
- يتضمن كتل scSE (Spatial and Channel Squeeze & Excitation) بعد الطبقات التلافيفية. تعمل هذه الكتل على إعادة معايرة الميزات تكيفيًا لتثبيط ضوضاء الخلفية (Spatial Squeeze) والتركيز على المعلومات الدلالية ذات الصلة مثل الملمس والشكل (Channel Squeeze).
الأساس التصميمي: يلتقط الـ Transformer "الصورة الكبيرة"، بينما يضمن مُفكك U-Net استعادة معلومات الحواف عالية التردد المفقودة أثناء عملية خفض العينات، وهو أمر ضروري للجدران الرفيعة.

ب. إعداد البيانات ومجموعات البيانات

مجموعات البيانات:
- CubiCasa5k: استُخدمت للتدريب المسبق لتعلم ميزات هندسية قوية وثابتة من أنماط رسم متنوعة.
- المجموعة الإقليمية (جديدة): مجموعة بيانات مخصصة تضم 500 مخطط طابق من منطقة روسيا الاتحادية/رابطة الدول المستقلة. وتتميز بتحديات متميزة: حشوات سوداء صلبة للجدران الحاملة مقابل تظليل (Hatching) معقد للقواطع، وهندسات غير مانهاتية، وفوضى عالية الكثافة.
المعالجة المسبقة:
- توحيد دقة الإدخال إلى $512 \times 512$ .
- تحسين التوسيم (Annotation Refinement): تم تنفيذ إجراء طرح حرج حيث يتم توسيع أقنعة الأبواب/النوافذ وطرحها من أقنعة الجدران. يضمن ذلك أن تمثل الحقيقة الأرضية (Ground Truth) فقط الهندسة الهيكلية الصلبة، مما يزيل الغموض أثناء التدريب.

ج. استراتيجية دالة الخسارة

قيم المؤلفون أربع دالات خسارة (Dice, Focal, Lovasz-Softmax, Tversky) لمعالجة عدم التوازن بين الفئات (الجدران والخلفية).

الاختيار: تم اختيار Tversky Loss كخيار أمثل.
الآلية: تعمم خسارة Tversky معامل Dice من خلال تقديم عقوبات غير متماثلة لكل من الإيجابيات الكاذبة (FP) والسلبيات الكاذبة (FN).
- الصيغة: $L_{Tversky} = 1 - \frac{TP + \epsilon}{TP + \alpha \cdot FP + \beta \cdot FN + \epsilon}$
- الإعداد: من خلال ضبط $\alpha > \beta$ (تحديدًا $\alpha=0.6, \beta=0.4$ )، يتم معاقبة النموذج بشدة على الإيجابيات الكاذبة. وهذا يجبر النموذج على إنتاج حدود أرق وأكثر حدة ويقلل من الضوضاء (مثل تصنيف الأثاث أو النصوص كجدران)، وهو أمر بالغ الأهمية للتحويل إلى رسوم متجهة.

3. المساهمات الرئيسية

بنية MitUNet: مزيج مبتكر يجمع بين مُشفر Mix-Transformer ومُفكك U-Net المعزز بكتل انتباه scSE، والمُحسن خصيصًا للحاجة المزدوجة للسياق العالمي واستعادة الحدود بدقة بكسلية.
تحسين الخسارة غير المتماثلة: أثبت أن ضبط خسارة Tversky ( $\alpha=0.6$ ) يقلل بفعالية من الإيجابيات الكاذبة، مما ينتج أقنعة "نظيفة" جاهزة للتحويل إلى رسوم متجهة دون الحاجة لمعالجة لاحقة مكثفة.
المجموعة الإقليمية وتكيف النطاق: تقديم مجموعة بيانات جديدة متاحة للجمهور تتميز بأنماط معمارية إقليمية معقدة واستراتيجية تعلم نقل ثنائية المرحلة (التدريب المسبق على CubiCasa5k $\leftarrow$ الضبط الدقيق على البيانات الإقليمية) للتعامل مع انزياح النطاق.
المصدر المفتوح: إصدار الكود المصدري والمجموعة الإقليمية لتسهيل إعادة الإنتاج والبحث المستقبلي.

4. النتائج التجريبية

أُجريت التجارب على المجموعة الإقليمية باستخدام NVIDIA RTX 4060 Ti.

مقاييس الأداء:
- حقق MitUNet + Tversky أعلى mIoU (87.91%) وأعلى دقة (94.82%) بين جميع النماذج المختبرة (بما في ذلك UNet++, DeepLabV3+, SegFormer, UPerNet).
- جودة الحدود (B-IoU): حقق MitUNet أعلى B-IoU (85.01%)، متفوقًا بشكل ملحوظ على نماذج الـ Transformer الصرفة (حيث انخفض SegFormer إلى 81.31% مع Tversky بسبب افتقاره لمُفكك عالي الدقة).
- الكفاءة: تطلب MitUNet ذاكرة فيديو (VRAM) أقل بكثير (1751 ميجابايت) مقارً بـ UNet++ (3311 ميجابايت) مع تقديم دقة فائقة.
دراسات الاستئصال (Ablation Studies):
- أدى زيادة $\alpha$ في خسارة Tversky إلى زيادة الدقة (Precision) ولكن مع انخفاض في الاستدعاء (Recall). وفر الإعداد $\alpha=0.6, \beta=0.4$ أفضل مقايضة.
- أدى الضبط الدقيق على المجموعة الإقليمية إلى تحسين الأداء عبر جميع المقاييس مقارنة بالتدريب من الصفر.
التحليل النوعي: أظهرت المقارنات البصرية أن MitUNet نجح في تثبيط آثار الضوضاء (مثل إبقاء فتحات التهوية مجوفة) وحافظ على حواف حادة، بينما أنتجت النماذج الأخرى حدودًا متوسعة أو آثار "درجية".

5. الأهمية

يوفر هذا العمل أساسًا قويًا لـ مسارات Scan-to-BIM المؤتمتة. من خلال حل مشكلة محددة وهي التجزئة الدقيقة للجدران في المخططات المليئة بالضوضاء وغير المتجانسة، يتيح MitUNet:

تقليل الجهد اليدوي: خفض التكلفة والوقت المطلوبين لتوليد النماذج ثلاثية الأبعاد بشكل كبير.
تحويل عالي الجودة للرسوم المتجهة: إن توليد أقنعة حادة وخالية من الضوضاء يسهل مباشرة عملية تحويل الصور النقطية إلى رسوم بيانية متجهة طوبولوجية، وهو شرط مسبق لإعادة البناء ثلاثي الأبعاد الدقيق.
القابلية للتوسع: القدرة على التعميم عبر مختلف الأنماط المعمارية واتفاقيات الرسم يجعل الحل قابلًا للتطبيق على مشاريع العقارات واسعة النطاق ومناطق جغرافية متنوعة.

في الختام، تثبت هذه الورقة أن البنية الهجينة المقترنة بدالة خسارة غير متماثلة تتفوق على النهج القياسية للمهام التي تتطلب دقة هندسية عالية في التجزئة الهيكلية.