💻 computer science

Learning to Weigh Waste: A Physics-Informed Multimodal Fusion Framework and Large-Scale Dataset for Commercial and Industrial Applications

تقدم هذه الورقة إطار عمل "متنبئ الوزن متعدد الوسائط" (MWP) ومجموعة بيانات "Waste-Weight-10K" لتقدير وزن النفايات التجارية والصناعية بدقة من خلال دمج صور RGB مع البيانات الوصفية المستندة إلى الفيزياء عبر "محول الرؤية" (Vision Transformer) و"الانتباه المتبادل المتراكم" (Stacked Mutual Attention)، محققةً دقة عالية عبر نطاق واسع من الأوزان مع توفير تفسيرات قابملة للقراءة البشرية عبر قيم "SHAP" والنماذج اللغوية الكبيرة.

المؤلفون الأصليون: Md. Adnanul Islam, Wasimul Karim, Md Mahbub Alam, Subhey Sadi Rahman, Md. Abdur Rahman, Arefin Ittesafun Abian, Mohaimenul Azam Khan Raiaan, Kheng Cher Yeo, Deepika Mathur, Sami Azam

نُشر 2026-03-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Md. Adnanul Islam, Wasimul Karim, Md Mahbub Alam, Subhey Sadi Rahman, Md. Abdur Rahman, Arefin Ittesafun Abian, Mohaimenul Azam Khan Raiaan, Kheng Cher Yeo, Deepika Mathur, Sami Azam

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 تقف في مستودع ضخم، وتنظر إلى كومة من النفايات. مهمتك هي تخمين وزن تلك الكومة بمجرد النظر إليها.

هذه لعبة صعبة. فقد تزن كرة معدنية صغيرة ولامعة 50 كيلوغرامًا، بينما قد تزن كومة ضخمة وهشة من الفوم كيلوغرامين فقط. إذا نظرت إلى الحجم فقط، فستخطئ. وإذا خمنت بناءً على المظهر فقط، فقد تعتقد أن صندوقًا كبيرًا من الريش ثقيل لأنه كبير، أو أن صخرة صغيرة خفيفة لأنها صغيرة.

هذه الورقة البحثية تدور حول تعليم الكمبيوتر كيف يلعب هذه اللعبة بشكل صحيح، حتى عندما تكون "النفايات" ضخمة، غريبة الشكل، وتأتي من المصانع والشركات.

إليك قصة كيفية قيامهم بذلك، مقسمة إلى أجزاء بسيطة:

1. المشكلة: فخ "الحجم مقابل الوزن"

في العالم الحقيقي، خاصة في المصانع ومراكز إعادة التدوير، تأتي النفايات بأشكال وأحجام مختلفة.

الفخ: ترى الكاميرا جسمًا كبيرًا وتفكر: "لا بد أنه ثقيل!" ولكن إذا كان هذا الجسم مصنوعًا من "الستايروفوم"، فهو في الواقع خفيف.
مشكلة المنظور: إذا كانت الكاميرا بعيدة، فتبدو الشاحنة الضخمة صغيرة. وإذا كانت الكاميرا قريبة، يبدو الصندوق الصغير ضخمًا. يصاب الكمبيوتر بالارتباك بسبب مدى بعد الأشياء.

حاولت برامج الكمبيوتر السابقة تخمين الوزن بمجرد النظر إلى الصور، لكنها فشلت لأنها لم تستطع التمييز بين صخرة ثقيلة وصخرة خفيفة من نفس الحجم، أو صندوق خفيف كبير وصندوق صغير ثقيل.

2. الحل: "المحقق الخارق" (MWP)

بنى الباحثون نظام ذكاء اصطناي جديد يسمى MWP (متنبئ الوزن متعدد الوسائط). فكر في MWP ليس كمحقق واحد، بل كـ فريق محققين لديهم شريكان مميزان يتحدثان مع بعضهما باستمرار.

الشريك (أ) (العيون): هذا هو "محول الرؤية" (Vision Transformer). إنه يشبه فنانًا شديد الملاحظة. ينظر إلى الصورة ويقول: "أرى صدأ، أرى ملمس المعدن، أرى كيف يسقط الضوء على السطح". إنه يخمن المادة.
الشريك (ب) (المسطرة): هذا هو "مشفر البيانات الوصفية" (Metadata Encoder). هو لا ينظر إلى الصورة؛ بل يقرأ الحقائق. هو يعرف: "هذا الجسم طوله متران، والكاميرا تبعد 5 أمتار، وهذا الجسم مصنوع من الفولاذ".

السر الخفي: "غرفة الدردشة" (الانتباه المتبادل)
عادةً ما يقوم الذكاء الاصطناعي بتكديس المعلومات فوق بعضها البعض. ولكن هنا، يدخل الشريكان في محادثة.

"المسطرة" تخبر "العيون": "مهلًا، يبدو ذلك الجسم كبيرًا، لكنني أعرف أن الكاميرا بعيدة، لذا فهو في الواقع ضخم جدًا. لا تنخدعي!"
"العيون" تخبر "المسطرة": "أنت تقول إنه بلاستيك، لكن الملمس يبدو مثل المعدن الثقيل. دعنا نتأكد مجددًا".

من خلال جعلهم يتجادلون ويتفقون، يتعلم الذكاء الاصطناي فيزياء الموقف. يتوقف عن التخمين بناءً على المظهر فقط ويبدأ في الحساب بناءً على الواقع.

3. ساحة التدريب: مجموعة بيانات "Waste-Weight-10K"

لتعليم هذا الفريق، لم يستخدم الباحثون مختبر كمبيوتر وهميًا. بل ذهبوا إلى مراكز إعادة التدوير والخدمات اللوجستية الحقيقية.

التقطوا 10,421 صورة لنفايات حقيقية.
لكل صورة، قاموا بقياس الوزن الدقيق (باستخدام موازين شديدة التحمل) والأبعاد الدقيقة (باستخدام أشرطة القياس).
جمعوا كل شيء، من قطع السيارات الصغيرة إلى كتل المعدن الضخمة التي تزن 3,000 كجم.

هذا يشبه إعطاء فريق المحققين مكتبة من 10,000 قصة حقيقية، ليتعلموا من الحياة الواقعية وليس فقط من النظرية.

4. خدعة "اللوغاريتم": اللعب بإنصاف

إليك مسألة رياضية: إذا دربت كمبيوتر على تخمين الأوزان، فإنه عادة ما يصبح مهووسًا بالأشياء الثقيلة.

إذا خمن أن صندوقًا يزن 10 كجم هو 12 كجم (خطأ بمقدار 2 كجم)، فهذا خطأ كبير.
إذا خمن أن شاحنة تزن 3,000 كجم هي 3,002 كجم (خطأ بمقدار 2 كجم)، فهذا خطأ ضئيل.

سيسعى الكمبيوتر طبيعيًا ليكون مثاليًا مع الشاحنات ويتجاهل الصناديق. ولإصلاح ذلك، استخدم الباحثون قاعدة رياضية خاصة تسمى متوسط الخطأ التربيعي اللوغاريتمي.

التشبيه: تخيل معلمًا يصحح اختبارًا. بدلًا من عد الأخطاء، ينظر المعلم إلى النسبة المئوية للدرجة. سواء كنت طالبًا صغيرًا أو طالبًا عملاقًا، يتم التعامل مع خطأ بنسبة 10% بنفس الطريقة. هذا يجبر الذكاء الاصطناي على أن يكون حذرًا مع الأشياء الصغيرة والخفيفة وكذلك مع الأشياء الضخمة والثقيلة.

5. النتائج: تقرير "قابل للقراءة من قبل البشر"

لم يكتفِ الذكاء الاصطناي بإخراج رقم فقط؛ بل تعلم كيف يشرح نفسه.

الدقة: لقد أصاب الوزن بدقة تبلغ حوالي 6% في المتوسط. وبالنسبة للأشياء الخفيفة، كان دقيقًا للغاية (ضمن نطاق 3%).
التفسير: إذا سألت الذكاء الاصطناي: "لماذا اعتقدت أن هذا يزن 500 كجم؟"، فإنه لا يكتفي بقول "لأنني هكذا". بل يستخدم أداة لغوية خاصة ليقول: "لقد رأيت ملمس المعدن (بصريًا)، ولكنني عرفت أيضًا أن الكاميرا كانت بعيدة، مما يجعله يبدو أصغر مما هو عليه في الواقع (فيزيائيًا). ومن خلال الجمع بينهما، حسبت أنه يجب أن يكون ثقيلًا".

لماذا يهم هذا؟

حاليًا، يتعين على المصانع توظيف أشخاص لوزن النفايات يدويًا. إنها عملية بطيئة، خطيرة، ومكلفة.

قبل: يمشي عامل نحو كومة، ويخمن، أو ينتظر حتى تقف الشاحنة على الميزان.
بعد: تلتقط كاميرا صورة، يتحدث فريق الذكاء الاصطناي (العيون + المسطرة)، ويخبر المصنع فورًا: "تلك الكومة تزن 450 كجم. أرسل شاحنة يمكنها حمل 500 كجم".

هذا يجعل إعادة التدوير أسرع، أكثر أمانًا، وأرخص، مما يساعد الكوكب من خلال إدارة النفايات بكفاءة أكبر.

باختصار: لقد صنعوا ذكاءً اصطناعيًا ذكيًا يجمع بين الرؤية (ما يبدو عليه الشيء) مع الحقائق (مدى حجمه وبعد الكاميرا عنه) لتخمين وزن النفايات، وقد تعلموا كيف يتحدثون مع أنفسهم لتجنب الوقوع في فخ المنظور.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تعلم وزن النفايات: إطار عمل لدمج الوسائط المتعددة مدعوم بالفيزياء ومجموعة بيانات واسعة النطاق للتطبيقات التجارية والصناعية."

1. بيان المشكلة

يعد التقدير الدقيق لوزن النفايات التجارية والصناعية (C&I) أمراً بالغ الأهمية لتحسين العمليات اللوجستية، وعمليات إعادة التدوير، وإدارة التكاليف. ومع ذلك، فإن تقدير الوزن من صورة RGB واحدة هو أمر صعب بطبيعته بسبب تحديين رئيسيين:

غموض الكثافة: يمكن للأجسام ذات الأشكال والأحجام المتشابهة بصرياً أن تختلف بشكل كبير في أوزانها اعتماداً على كثافة مادتها (على سبيل المثال، كتلة من الفوم مقابل بالة معدنية).
غموض الحجم والمنظور: يتغير الحجم الظاهري للجسم في الصورة بناءً على مسافة الكاميرا وارتفاعها. وبدون سياق هندسي، يمكن لجسم صغير قريب أن يبدو مطابقاً تماماً لجسم كبير بعيد.

تعتمد الطرق الحالية غالباً على بيئات محكومة، أو فئات ضيقة من الأجسام (مثل الأطعمة أو أسطوانات الصلب فقط)، أو تتطلب مدخلات يدوية للأبعاد، مما يؤدي إلى الفشل في التعميم على الطبيعة المتنوعة والثقيلة وغير المنظمة للنفايات التجارية والصناعية في العالم الحقيقي.

2. المنهجية: متنبئ وزن النفايات متعدد الوسائط (MWP)

يقترح المؤلفون MWP، وهو إطار عمل للتعلم العميق يقوم بدمج البيانات المرئية مع البيانات الوصفية (Metadata) المستندة إلى الفيزياء لحل مشكلات غموض الحجم والكثافة.

أ. مجموعة بيانات Waste-Weight-10K

لدعم هذا البحث، قدم المؤلفون مجموعة بيانات واسعة النطاق من العالم الحقيقي:

النطاق: 10,421 زوجاً متزامناً من الصور والبيانات الوصفية تم جمعها من مراكز الخدمات اللوجستية ومنشآت إعادة التدوير.
النطاق النوعي: تغطي 11 فئة متنوعة من النفايات (خردة السيارات، المعادن الحديدية، الورق المقوى، البلاستيك الصلب، الخشب، النفايات العامة، أسطوانات الغاز الصناعي، المطاط، الأجهزة الكهربائية، الفوم، البطاريات).
نطاق الوزن: يتراوح من 3.5 كجم إلى 3,450 كجم، مما يمثل نطاقاً ديناميكياً قدره 1000 ضعف.
البيانات الوصفية: تتضمن قياسات فيزيائية دقيقة: الأبعاد ثلاثية الأبعاد ( $L_x, L_y, L_z$ )، مسافة الكاميرا ( $D_x$ )، وارتفاع الكاميرا ( $D_y$ ).

ب. مكونات البنية الهندسية

المُشفّر البصري (Visual Encoder): يستخدم Vision Transformer (ViT-B/16) لاستخراج الميزات الدلالية العالمية (الملمس، الشكل، سلامة المادة) من صور RGB بدقة 224×224.
مُشفّر البيانات الوصفية (Metadata Encoder): يعالج البيانات الفيزيائية المهيكلة.
- الفئوية: تضمينات فئة الجسم.
- العددية: ميزات مستندة إلى الفيزياء مستمدة من الأبعاد وهندسة الكاميرا (مثل الحجم، التراص، نسب العرض إلى الارتفاع، والمسافة اللوغاريتمية لتصحيح المنظور). يتم تطبيع هذه الميزات عبر طريقة (Z-score).
دمج الانتباه المتبادل (Mutual Attention Fusion - MAF): وهو الابتكار الجوهري. بدلاً من مجرد الدمج البسيط، يستخدم MWP آلية "الانتباه المتبادل المتراكم".
- يسمح للمسار البصري بالاستعلام من البيانات الوصفية للحصول على السياق الهندسي (لتصحيح الحجم).
- وفي الوقت نفسه، يستعلم مسار البيانات الوصفية من المسار البصري للحصول على إشارات الملمس والكثافة.
- هذا "الحوار" ثنائي الاتجاه يساعد النموذج على التمييز بين الأجسام المتشابهة بصرياً ولكن ذات الكثافات المختلفة، ويصحح التشوهات الناتجة عن المنظور.
رأس التنبؤ (Prediction Head): عبارة عن مدرج متعدد الطبقات (MLP) يقوم برسم التمثيل المدمج إلى تنبؤ بوزن عددي (Scalar).

ج. استراتيجية التدريب

دالة الخسارة (Loss Function): يستخدم المؤلفون متوسط الخطأ التربيعي اللوغاريتمي (MSLE) بدلاً من MSE القياسي. يضمن هذا تحسيناً مستقلاً عن المقياس، حيث يعاقب على أخطاء النسب المئوية المتساوية عبر كامل نطاق الوزن (مما يمنع انحياز النموذج نحو القيم الثقيلة المتطرفة).
التدريب التدريجي: نهج يتكون من مرحلتين حيث يتم تجميد هيكل ViT في البداية (تدريب طبقات البيانات الوصفية والدمج فقط) ثم ضبطه بدقة (Fine-tuning) للتكيف مع أنسجة النفايات المحددة.
القابلية للتفسير (XAI): تستخدم وحدة عصبية-رمزية قيم SHAP ونموذج لغة ضخم (LLM) لتوليد تفسيرات مقروءة للبشر حول التنبؤات، توضح ما إذا كانت الإشارات البصرية أو البيانات الوصفية الفيزيائية هي التي قادت القرار.

3. المساهمات الرئيسية

مجموعة بيانات Waste-Weight-10K: أول معيار واسع النطاق ومتعدد الوسائط لتقدير وزن النفايات التجارية والصناعية، يغطي اختلافات هائلة في الوزن وأنواع مواد متنوعة.
إطار عمل متعدد الوسائط مستند إلى الفيزياء: بنية مبتكرة تدمج صراحةً هندسة الكاميرا وأبعاد الأجسام مع الميزات البصرية عبر "الانتباه المتبادل"، مما يحل مشكلة غموض الحجم دون الحاجة إلى إعادة بناء ثلاثية الأبعاد.
التحسين المستقل عن المقياس: إثبات أن خسارة MSLE تتفوق على MSE بالنسبة للتوزيعات ذات الذيول الثقيلة في إدارة النفايات، مما يضمن أداءً متوازناً عبر الأجسام الخفيفة والثقيلة.
القابلية للتفسير: دمج نماذج اللغة الضخمة لتوفيد تفسيرات طبيعية قابلة للتدقيق للتنبؤات، مما يعزز الثقة في النشر الصناعي.

4. النتائج التجريبية

تم تقييم النموذج على مجموعة اختبار مستقلة (15% من البيانات) وكانت النتائج كالتالي:

الأداء العام:
- متوسط الخطأ المطلق (MAE): 88.06 كجم
- جذر متوسط مربع الخطأ (RMSE): 181.52 كجم
- متوسط الخطأ النسبي المئوي (MAPE): 6.39%
- معامل التحديد ( $R^2$ ): 0.9548
الأداء حسب نطاق الوزن:
- الخفيف (0–100 كجم): 2.38 كجم MAE، و3.1% MAPE (دقة عالية).
- المتوسط (100–500 كجم): 27.85 كجم MAE، و13.5% MAPE.
- الثقيل (1000–3500 كجم): 164.93 كجم MAE، و11.1% MAPE.
- الأهمية: يؤكد انخفاض قيمة MAPE للأجسام الثقيلة أن النموذج لا يعاني من الانحياز نحو الكتل الكبيرة، وهو فشل شائع في نماذج الانحدار القياسية.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة آلية الانتباه المتبادل إلى رفع نسبة MAPE إلى 25.28%.
- أدى استخدام خسارة MSE القياسية إلى زيادة MAPE إلى 19.42% (بسبب الانحياز ضد الأجسام الخفيفة).
- تفوق نموذج ViT-B/16 على النماذج المعتمدة على الشبكات العصبية الالتفافية (CNN) مثل ResNet-50 وConvNeXt-T، وكذلك على نماذج Transformer الأخرى (مثل Swin-T وBEiT).

5. الأهمية والأثر

يقلص هذا العمل الفجوة بين الرؤية الحاسوبية والقياس الفيزيائي في البيئات الصناعية.

الكفاءة التشغيلية: يتيح تقدير الوزن آلياً وفي الوقت الفعلي لجمع النفايات وإعادة تدويرها، مما يقلل الاعتماد على عمليات الوزن اليدوية البطيئة والخطرة والمكلفة.
القدرة على التعميم: على عكس الطرق السابقة المحدودة بأنواع أجسام معينة أو مختبرات محكومة، فإن MWP قوي بما يكفي للتعامل مع الطبيعة الفوضوية والمتنوعة والثقيلة للنفايات التجارية والصناعية في العالم الحقيقي.
الذكاء الاصطناعي الموثوق: يعالج تضمين وحدة التفسير طبيعة "الصندوق الأسود" للتعلم العميق، مما يجعل النظام مناسباً للبيئات الصناعية الحساسة للسلامة والمنظمة قانونياً.
القابلية للتوسع: يوفر الإطار نموذجاً لحل مشكلات أخرى تتعلق بتقدير الخصائص الفيزيائية حيث لا تكفي المظهر البصري وحده.