YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs
تقترح هذه الورقة البحثية بنية YolovN-CBi، وهي بنية خفيفة الوزن وفعالة معززة بوحدات CBAM وBiFPN، والتي تحقق عند دمجها مع تقنية تقطير المعرفة سرعة ودقة فائقتين للكشف عن الطائرات بدون طيار الصغيرة في الوقت الفعلي مقارنة بإصدارات YOLO الأساسية والأحدث.
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
في السماء فوق مدننا وأريافنا، يتشكل نوع جديد من حركة المرور. فقد أصبحت المركبات الجوية غير المأهولة، المعروفة باسم الطائرات بدون طيار (الدرونز)، أدوات منتشرة في كل مكان لكل شيء، بدءاً من التقاط الصور الجوية وصولاً إلى مراقبة المحاصيل وفحص البنية التحتية. لقد جعلتها ميزاتها المتعددة وتكلفتها المنخفضة أدوات لا غنى عنها في الحياة المعاصرة. ومع ذلك، فقد أدى هذا الانتشار نفسه إلى تحدٍ أمني كبير؛ فبسبب صغر حجمها، وهدوئها، وقدرتها على الحركة السريعة وغير المتوقعة، يمكن للطائرات بدون طيار أن تتسلل بسهولة عبر التدابير الأمنية التقليدية. إذ يمكن استخدامها للمراقبة غير المصرح بها أو حتى لحمل حمولات خطيرة، مما يشكل مخاطر على المناطق الحساسة والسلامة العامة. ولمواجهة ذلك، تحتاج الفرق الأمنية إلى أنظمة يمكنها رصد هذه الأجسام الطائرة الصغيرة فوراً، حتى عندما تكون بعيدة جداً وتبدو كمجرد نقاط ضئيلة مقابل خلفية معقدة.
لسنوات عديدة، اعتمد الباحثون على الرادار والصوت للعثور على هؤلاء المتسللين، لكن هذه الأساليب غالً ما تواجه صعوبات في البيئات المزدحمة والديناميكية. وفي السنوات الأخيرة، تحول التركيز إلى الرؤية الحاسوبية، حيث تعمل الكاميرات والذكاء الاصطناعي معاً لـ "رؤية" وتحديد الطائرات بدون طيار في الوقت الفعلي. وتعد الأدوات الأكثر شيوعاً لهذه المهمة هي عائلة من نماذج الذكاء الاصطناعي تسمى YOLO، والتي ترمز إلى "You Only Look Once" (أنت تنظر مرة واحدة فقط). تم تصميم هذه النماذج لمسح صورة والعث_ور على الأجسام بسرعة، مما يجعلها مثالية لبث الفيديو المباشر. ومع ذلك، ظلت هناك مشكلة مستمرة: فبينما تعد هذه النماذج ممتازة في العثور على الأجسام الكبيرة مثل السيارات أو الأشخاص، إلا أنها غالباً ما تفشل في رصد الأهداف الصغيرة جداً. فعندما تكون الطائرة بدون طيار على بعد مئات الأمتار، قد تشغل بضع بكسلات فقط على شاشة الكاميرا، وتميل نماذج الذكاء الاصطناعي القياسية إلى التغاضي عن مثل هذه التفاصيل الدقيقة أثناء سرعتها في معالجة بقية الصورة.
لقد تصدى فريق من الباحثين من معهد هومي بهابابا الوطني ومركز بهابابا للأبحاث الذرية في الهند لهذا الضعف المحدد. فقد سعوا لبناء نظام ليس سريعاً بما يكفي للعمل على الأجهزة المحمولة التي تعمل بالبطارية فحسب، بل أيضاً حاداً بما يكفي لالتقاط طائرة بدون طيار تكاد تكون غير مرئية. تضمن نهجهم أخذ بنية ذكاء اصطناعي فعالة ومثبتة وتعديل "عيونها" الداخلية بعناية لتولي اهتمام أكبر بالتفاصيل الصغيرة. وبدلاً من مجرد تبني أحدث النسخ الأكثر تعقيداً من هذه النماذج، والتي تتطلب غالباً أجهزة كمبيوتر ضخمة لتشغيلها، قاموا بتحسين نسخة سابقة أخف وزناً. وقد أضافوا ترقيتين محددتين لمساعدة النظام على التركيز؛ فالترقية الأولى تعمل مثل كشاف الضوء، حيث تعلم النموذج تجاهل الضوضاء غير ذات الصلة في الخلفية والتركيز على الأجزه الأهم في الصورة. أما الترقية الثانية، فهي تحسن كيفية دمج المعلومات من مسافات مختلفة، مما يضمن عدم فقدان الأجسام الصغيرة المرئية من بعيد أثناء معالجة الصورة.
اختبر الباحثون تصميمهم الجديد، الذي أطلقوا عليه اسم YolovN-CBi، مقابل مجموعة واسعة من النماذج الموجودة. وقد قاموا بتدريبه على مجموعة ضخمة تضم 28,000 صورة تتميز بمختلف الأجسام الطائرة تحت ظروف إضاءة مختلفة، بما في ذلك الأيام المشمسة، والسماء الغائمة، وإضاءة المساء. ولضمان جاهزية النظام حقاً للعالم الحقيقي، قاموا أيضاً بإنشاء مجموعة اختبار محلية مكونة من 2,500 صورة ملتقطة من كاميرا ثابتة، ترصد طائرات بدون طيار تحلق على مسافة حوالي 350 متراً. وفي هذه الصور، كانت الطائرات بدون طيار صغيرة للغاية، حيث تظهر أحياناً كـ 10 إلى 20 بكسل فقط. كانت النتائج مذهلة؛ فقد وجد الباحثون أن نموذجهم المعدل، المبني على نسخة سابقة من بنية الذكاء الاصطناعي، تفوق على أحدث النسخ الأكثر تقدماً المتاحة حالياً. وبينما كانت النماذج الأحدث أسرع في تحديد الأجسام الكبيرة، إلا أنها فشلت بشكل متكرر في اكتشاف الطائرات الصغيرة البعيدة. ومع ذلك، نجح التصميم الجديد في تحديد هذه الأهداف الصغيرة بدقة عالية، مما أثبت أن نموذجاً أخف وزناً ومعدلاً بعناية يمكن أن يكون أكثر فعالية من نموذج أثقل وأكثر تعقيداً لهذه المهمة المحددة.
ولجعل هذا النظام القوي قابلاً للاستخدام على الأجهزة الصغيرة والمحمولة مثل تلك المثبتة على أبراج الأمن أو التي يحملها ضباط الدوريات، اتخذ الفريق خطوة إضافية. فقد استخدموا تقنية تسمى "تقطير المعرفة" (knowledge distillation)، وهي تشبه قيام معلم خبير بتوجيه طالب. لقد أخذوا النموذج الأكبر والأكثر دقة الذي بنوه، وعلموا نسخة أصغر وأسرع منه محاكاة قراراته. سمحت هذه العملية للنموذج الأصغر بتعلم الأنماط الدقيقة لطائرة بدون طيار بعيدة دون الحاجة إلى القدرة الحسابية الثقيلة للنموذج الأصلي. وكانت النتيجة النهائية نظاماً خفيف الوزن أسرع بنسبة 83% تقريباً من النموذج الكبير الأصلي، مع الحفاظ على قدرته على رصد المتسللين الصغار، بل وتحسينها في بعض الحالات. كان بإمكان هذا النموذج المقطر معالجة إطارات الفيديو في غض_ن بضعة ميلي ثوانٍ فقط، مما يجعله سريعاً بما يكفي للمراقبة في الوقت الفعلي.
كما تحدت الدراسة افتراضاً شائعاً في مجال الذكاء الاصطناعي: وهو أن النسخة الأحدث من الأداة هي دائماً الأفضل. فقد أظهر الباحثون صراحة أن المهام الصعبة المتمثلة في رصد الطائرات بدون طيار الصغيرة والبعيدة لا تقدم فيها النماذج الأحدث بالضرورة أداءً أفضل. في الواقع، كانت بعض النسخ الأحدث أبطأ وأقل دقة في هذه المهمة المحددة مقارنة بسابقاتها. ومن خلال التركيز على الاحتياجات المحددة للمهمة — وهي الحساسية للأجسام الصغيرة والحاجة إلى السرعة — أثبت الفريق أنه من خلال التعديلات الصحيحة، يمكن بناء كاشف خفيف الوزن وعالي الدقة يمكنه العمل عند حافة الشبكة، جاهزاً لحماية المجال الجوي في الوقت الفعلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.