TRACE: Thermal Recognition Attentive-Framework for CO2 Emissions from Livestock

إليك ملخص تقني مفصل لورقة البحث بعنوان "TRACE: إطار عمل انتباهي للتعرف الحراري على انبعاثات ثاني أكسيد الكربون من الماشية."

1. بيان المشكلة

يعد قياس كمية ثاني أكسيد الكربون ($CO_2$) المنبعث من الماشية التي تتحرك بحرية أمراً بالغ الأهمية للتغذية الدقيقة، والكشف عن الأمراض، والمحاسبة الكربونية على مستوى المزرعة. ومع ذلك، تواجه الطرق الحالية قيوداً كبيرة:

• غرف التنفس ومغذيات GreenFeed: تتطلب حجز الماشية جسدياً أو تغير سلوكيات التغذية الطبيعية، مما يمنع المراقبة المستمرة والقابلة للتوسع.
• أجهزة أخذ عينات التنفس المحمولة: حساسة للرياح والمسافة، وتوفر فقط تركيزات نقطية بدلاً من التدفق الحجمي.
• فجوة الرؤية الحاسوبية: بينما يمكن لكاميرات الأشعة تحت الحمراء متوسطة الموجة (MWIR) تصور سحب $CO_2$ (بسبب الامتصاص القوي عند 4.2–4.4 ميكرومتر) دون علامات كيميائية، لا يوجد نظام حالي يمكنه في آن واحد إجراء تجزئة السحابة لكل إطار وتصنيف تدفق الانبعاثات على مستوى المقطع (clip-level). النماذج الحالية إما تتجاهل الديناميكيات الزمنية لدورة التنفس أو تفشل في التعامل مع الطبيعة غير المنتظمة ومنخفضة التباين لسحب الغاز الحرارية.

2. المنهجية: إطار عمل TRACE

TRACE هو إطار عمل موحد مصمم لمعالجة مقاطع الفيديو الحرارية (MWIR) ($V = \{v_t\}_{t=1}^T$) وخريطة شدة $CO_2$ لكل بكسل متزامنة مكانياً ($\Psi_t$). ويقوم بمهمتين:

1. تجزئة ثنائية السحابة لكل إطار ($\hat{M}_t$).
2. تصنيف التدفق على مستوى المقطع ($\hat{y} \in \{\text{تدفق عالٍ، تحكم، تدفق منخفض}\}$).

تتكون البنية من ثلاثة ابتكارات جوهرية:

أ. مشفر الانتباه الواعي بالغاز الحراري (TGAA)

بدلاً من الانتباه الذاتي القياسي، يستبدل TRACE الكتل في نموذج (Mix Vision Transformer (MiT-B0 بكتل TGAA التي تستخدم خريطة شدة $CO_2$ الفيزيائية ($\Psi$) كإشارة إشرافية مكانية.

• الانتباه الموزون بالغاز: يتم تعديل درجات الانتباه القياسية بواسطة شدة الغاز لكل رقعة (patch). المناطق ذات الشدة العالية (السحب الكثيفة) تتلقى أوزان انتباه أعلى، مما يوجه النموذج للتركيز على مصادر الانبعاث.
• بوابة التشتت المكاني: تعمل بوابة متعلمة على تنقية القيم المجمعة بناءً على تركيز الغاز المحلي، مما يساعد النموذج على التمييز بين السحابة والخلفية الحرارية المعقدة.
• المخرجات: ينتج خرائط سمات متعددة المقاييس تُستخدم لكل من التجزئة والدمج الزمني.

ب. وحدة الدمج الزمني القائم على الانتباه (ATF)

لالتقاط ديناميكيات دورة التنفس (وهي ضرورية لتصنيف التدفق)، تقوم وحدة ATF بتجميع المعلومات من ثلاثة مسارات متوازية عبر الانتباه عبر الإطارات (cross-frame attention):

1. المسار A: سمات القناع المساعدة (من فك تشفير التجزئة).
2. المسار B: واصفات الإطارات الزمنية المستمدة من المرحلة النهائية لمشفر TGAA.
3. المسار C: تمثيل شبكة عصبية تلافيفية (CNN) خفيفة الوزن.
   تستخدم الوحدة الانتباه عبر الإطارات لمحاذاة هذه المسارات، مما يسمح للنموذج بتعلم التطور الزمني للسحابة دون العبء الحسابي لمعالجة كل إطار بشكل فردي لغرض التصنيف.

ج. منهج تعليمي تدريجي من أربع مراحل

لمنع التداخل في التدرج (gradient interference) بين أهداف التجزئة والتصنيف، يستخدم TRACE استراتيجية تدريب مرحلية:

1. المرحلة S1(a): تسخين فك تشفير التجزئة مع تجميد المشفر.
2. المرحلة S1(b): إلغاء تجميد مشفر TGAA وتدريبه بشكل مشترك مع فك التشفير (تجزئة فقط).
3. المرحلة S2: استخدام VideoMAE-Small كـ "معلم" (teacher) لضبط محاذاة مسار ATF الزمني عبر فقدان مطابقة السمات. (يتم التخلص من VideoMAE بعد هذه المرحلة).
4. المرحلة S3: ضبط دقيق شامل (end-to-end fine-tuning) للمسار الكامل باستخدام دالة فقدان مشتركة ($L_{total} = \lambda_{seg} L_{seg} + \lambda_{cls} L_{cls}$)، حيث يتم إعطاء وزن أكبر للتجزئة للحفاظ على دقة التحديد المكاني.

3. المساهمات الرئيسية

1. أول إطار عمل موحد: TRACE هو أول نظام يعالج بشكل مشترك تجزئة سحابة الغاز لكل إطار وتصنيف التسلسل لمستوى التدفق من الفيديو الحراري.
2. آلية TGAA: يقدم آلية انتباه مبتكرة تشترط الانتباه الذاتي على شدة الغاز الفيزيائية، مما يحسن بشكل كبير من تحديد الحدود للأجسام غير المنتظمة.
3. الاستدلال الزمني للتدفق: يثبت أن التقاط ديناميكيات دورة التنفس عبر الانتباه عبر الإطارات أمر لا غنى عنه للتمييز بين الحالات الأيضية (تدفق عالٍ مقابل منخفض)، وهي مهمة تفشل فيها نماذج الإطار الواحد.
4. الكفاءة: يحقق أداءً يتفوق على أحدث المعايير (state-of-the-art) باستخدام 4.1 مليون معلمة فقط، متفوقاً على نماذج تمتلك ما يصل إلى 7 أضعاف عدد معلماتها.

4. النتائج التجريبية

تم تقييم إطار العمل على مجموعة بيانات CO2 Farm Thermal Gas (12 رأس ماشية لحم، 5,040 إطاراً، 432 مقطعاً) مقابل 15 نموذجاً من أحدث المعايير.

• أداء التجزئة:

  • mIoU: 0.9982 (الأفضل في فئته).
  • دقة الحدود (BF1): 0.9887 (يتفوق بشكل كبير على المتخصصين في الغاز مثل Gasformer و CarboFormer).
  • خطأ تحديد المركز (CLE): 0.021 بكسل (أفضل بـ 10 مرات من نماذج الغاز المتخصصة).
  • نجح TRACE في تحديد مناطق السحب المنتشرة التي قد تبالغ النماذج الأخرى في تجزئتها، أو تقلل منها، أو تفقدها تماماً.

• أداء التصنيف:

  • الدقة (Accuracy): 0.827.
  • معامل كوهين (Cohen's $\kappa$): 0.741 (مقابل $\leq 0.334$ لمتخصصي الغاز أحادي الإطار).
  • درجة جيني (Gini Score): 0.882.
  • نجح النموذج في التمييز بين حالات (التدفق العالي - ذروة التخمّر)، التحكم، والتدفق المنخفض (الراحة).

• دراسات الاستئصال (Ablation Studies):

  • إزالة TGAA أدت إلى انخفاض BF1 بنحو 49 نقطة، مما يثبت أن الانتباه المشروط بالغاز ضروري لدقة الحدود.
  • إزالة ATF (النمذجة الزمنية) أدت إلى انهيار معامل $\kappa$ للتصنيف بنحو 45 نقطة، مما يثبت أن ديناميكيات دورة التنفس أساسية للتمييز بين التدفقات.
  • إزالة مرحلة المحاذاة S2 قللت من معامل $\kappa$ للتصنيف بمقدار 5.9 نقاط.

5. الأهمية والأثر

• المراقبة غير الجراحية: يتيح TRACE مراقبة مستمرة لـ $CO_2$ لكل حيوان دون اتصال جسدي، أو حجز، أو علامات كيميائية، مما يجعله قابلاً للتطبيق في المزارع التجارية.
• الرؤية الأيضية: من خلال ربط ديناميكيات السحابة المرئية بالحالات الأيضية، يوفر النظام أداة جديدة للكشف المبكر عن الأمراض والتغذية الدقيقة.
• المحاسبة الكربونية: يوفر البيانات المكانية اللازمة للمحاسبة الدقيقة لانبعاثات الغازات الدفيئة على مستوى المزرعة.
• الكفاءة: يثبت إطار العمل أن الخيارات الهيكلية المحددة للمجال (مثل الانتباه الواعي بالغاز) أكثر فعالية من مجرد زيادة حجم النموذج أو استخدام نماذج فيديو عامة.

العمل المستقبلي: يشير المؤلفون إلى أن التعميم عبر السلالات المختلفة، والمواسم، وظروف الرياح يحتاج إلى تحقق، وتهدف الإصدارات المستقبلية إلى تضمين الاستدلال في الوقت الفعلي على الحافة (edge inference) وتتبع الحيوانات المتعددة.