Segmenting Low-Contrast XCTs of Concretes: An Unsupervised Approach
تقدم هذه الورقة منهجية للتوسيم الذاتي غير الخاضعة للإشراف باستخدام خوارزميات السوبر بيكسل (superpixel) والشبكات العصبية التلافيفية (CNNs) لتقسيم صور التصوير المقطعي المحوسب بالأشعة السينية للخرسانة منخفضة التباين بفعالية، مما يعالج تحدي الحصول على بيانات تدريب مصنفة للتمييز بين الركام والملاط.
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 أنك تحاول فرز جرة ضخمة مختلطة من الكرات الرخامية والرمل. في عالم مثالي، تكون الكرات (الركام) حمراء زاهية والرمل (الملاط) أزرق زاهٍ، مما يجعل التمييز بينهما سهلاً. ولكن في عالم الأشعة السينية للخرسانة، يبدو كل من الكرات والرمل بنفس درجة اللون الرمادي تماماً. إنهما متشابهان للغاية لدرجة أن حتى العين البشرية الأكثر حدة تجد صعوبة في رسم خط فاصل بينهما.
هذه هي المشكلة التي يحاول الباحثون في هذه الورقة البحثية حلها. إنهم يريدون تعليم الكمبيوتر كيفية فصل "الكرات" عن "الرمل" تلقائياً في صور الأشعة السينية ثلاثية الأبعاد للخرسانة، ولكن هناك عقبة: لم يسبق لأحد أن علم الكمبيوتر كيف يبدو اللون "الأحمر" و"الأزرق" لأن التصنيفات (Labels) غير موجودة.
إليك شرح مبسط لكيفية قيامهم بذلك، باستخدام بعض التشبيهات من الحياة اليومية.
المشكلة: "الضباب الرمادي"
تتكون الخرسانة من ثلاثة أشياء رئيسية:
- الركام (Aggregates): الصخور الكبيرة (الكرات).
- الملاط (Mortar): عجينة الأسمنت التي تمسك بها (الرمل).
- الفراغات (Voids): جيوب الهواء أو الشقوق (الثقوب).
عندما تأخذ صورة أشعة سينية للخرسانة، تمتص الصخور والرمل الأشعة السينية بنفس القدر تقريباً. على شاشة الكمبيوتر، يبدوان كضباب رمادي باهت ومنخفض التباين. عادةً، لتعليم الكمبيوتر كيفية فرز هذه المكونات، تحتاج إلى إنسان يقوم بالمرور عبر آلاف الصور ورسم خطوط حول كل صخرة وكل قطعة رمل. هذا يشبه توظيف فريق من الفنانين لتلوين ملايين الصفحات من كتاب يدوياً. إنه أمر مكلف، بطيء، وغالباً ما يكون مستحيلاً.
الحل: "المحقق الذي يتعلم ذاتياً"
قرر الباحثون بناء نموذج كمبيوتر (شبكة عصبية تلافيفية - CNN) يتعلم دون معلم. لقد استخدموا تقنية تسمى التوسيم الذاتي (Self-Annotation).
فكر في هذا الأمر كأنك محقق يحاول حل جريمة في غرفة مزدحمة حيث يرتدي الجميع بدلات رمادية متشابهة.
- الدليل (Superpixels): بدلاً من النظر إلى كل بكسل (نقطة) بشكل فردي، يقوم الكمبيوتر أولاً بتجميع البكسلات المتقاربة التي تبدو متشابهة في "جيران" صغيرة تسمى superpixels. تخيل المحقق وهو يجمع الأشخاص الذين يقفون بالقرب من بعضهم البعض ويرتدون نفس درجة اللون الرمادي.
- التخمين (النموذج): يقوم الكمبيوتر بعمل تخمين: "حسناً، هذا الحي بأكمله هو على الأرجب صخرة".
- التصحيح (الحلقة):ية يقوم الكمبيوتر بعد ذلك بالنظر إلى تخمينه الخاص. إذا اعتقد أن حياً معيناً هو صخرة، فإنه يخبر نفسه: "حسناً، عامل هذا الحي بأكمله كصخرة في الوقت الحالي". يستخدم هذا التخمين ليعلم نفسه.
- التحسين: يستمر في القيام بذلك مراراً وتكراراً. "أعتقد أن هذا صخرة. سأصنفها كصخرة. الآن، بالنظر إلى الصورة بأكملها، هل يبدو هذا منطقياً؟ نعم؟ جيد. الآن لننظر إلى الحي التالي".
مع مرور الوقت، يتعلم الكمبيوتر رؤية الصورة "العامة" (Global). يدرك أنه "على الرغم من أن هاتين البقعتين الرماديتين تبدوان متشابهتين محلياً، إلا أن إحداهما محاطة بصخور أخرى، لذا فهي بالتأكيد صخرة. والأخرى محاطة بالرمل، لذا فهي رمل". إنه يتعلم السياق، وليس مجرد اللون.
التجارب الثلاث: الخطأ والصواب
جرب الباحثون ثلاث طرق مختلفة لتدريب هذا المحقق:
تخمين "المراحل الثلاث" (US3): أخبروا الكمبيوتر: "ابحث عن ثلاثة أشياء: صخور، رمل، وثقوب".
- النتيجة: ارتبك الكمبيوتر. استطاع العثور على الصخور والرمل، لكنه لم يستطع تحديد الثقوب. ظل يخلط بين الصخور والثقوب لأن كليهما بدا "ساطعاً" في الأشعة السينية.
تخمين "المراحل الأربعة" (US4): أخبروا الكمبيوتر: "ابحث عن أربعة أشياء".
- النتيجة: وجد الكمبيوتر فئة إضافية. قام بتقسيم الصخور إلى مجموعتين (ربما "صخور فاتحة" و"صخور داكنة")، لكنه لا يزال غير قادر على الفصل بوضوح بين الثقوب. كان الأمر كما لو أن الكمبيوتر يبالغ في التفكير ويخلق فئات وهمية.
المساعد "شبه الخاضع للإشراف" (SS3): كان هذا هو الفائز. قالوا له: "اكتشف الصخور والرمل بمفردك، ولكن نحن سنخبرك بمكان الثقوب".
- لماذا؟ الثقوب (الهواء) داكنة جداً في الأشعة السينية، لذا من السهل رصدها باستخدام قاعدة بسيطة. من خلال ترك الجزء الصعب للكمبيوتر (الصخور مقابل الرمل) وإعطائه تلميحاً للجزء السهل (الثقوب)، عمل النظام بأكمله بشكل مثالي.
النتيجة: صورة أكثر وضوحاً
باستخدام طريقة "التعلم الذاتي" هذه، تمكن الباحثون من تحويل الضباب الرمادي الباهت إلى خريطة واضحة حيث الصخور والرمل متميزان عن بعضهما.
- قبل: كتلة رمادية باهتة لا يمكنك معرفة ما هو ما فيها.
- بعد: صورة نظيفة حيث الصخور بيضاء، والرمل رمادي، والثقوب سوداء.
لماذا يهم هذا؟
تخيل أنك مهندس تصمم جسراً جديداً أكثر قوة. أنت بحاجة لمعرفة كيفية ترتيب الصخور والرمل داخل الخرسانة بالضبط للتنبؤ بما إذا كانت ستتشقق تحت الضغط.
- الطريقة القديمة: تقضي شهوراً في رسم الخطوط يدوياً على صور الأشعة السينية، أو لا يمكنك القيام بذلك على الإطلاق لعدم امتلاك الوقت.
- الطريقة الجديدة: تغذي الأشعة السينية في هذا الذكاء الاصطناعي الذي يتعلم ذاتياً، وفي دقائق، يعطيك خريطة مثالية للبنية الداخلية للخرسانة.
الخلاصة
تتمحور هذه الورقة البحثية حول تعليم الكمبيوتر مهمة صعبة (فرز الصخور الرمادية من الرمل الرمادي) من خلال تركه يتدرب على تخميناته الخاصة، بدلاً من إجبار الإنسان على القيام بكل العمل. الأمر يشبه تعليم طفل فرز الغسيل من خلال تركه يحاول، وتصحيحه بلطف، وتركه يتعلم النمط حتى يتقنه بمفرده.
العقبة: لا يزال الكمبيوتر يعاني قليلاً عند الحواف الخارجية لأسطوانة الخرسانة (مثل حافة الكعكة) وأحياناً يرتبك إذا كانت الصخور صغيرة ومتكتلة معاً. ولكن بشكل عام، يعد هذا خطوة كبيرة للأمام في تحليل الخرسة دون الحاجة إلى بيانات مصنفة يدوياً ومكلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.