ملخص تقني: DART – نموذج تأسيسي للرؤية واللغة لمراقبة شاملة لحالة الحبال

1. بيان المشكلة

تعد الألياف الاصطناعية (SFRs) مكونات حيوية لتحمل الأحمال في البيئات البحرية والساحلية والصناعية. تعتمد عمليات مراقبة الحالة (CM) الحالية على عمليات التفتيش البصري الدورية من قبل خبراء بشريين، وهي عملية تتطلب جهداً مكثفاً، وتتسم بالذاتية، ويصعب توسيع نطاقها. وبينما توجد أنظمة تفتيش مؤتمتة، إلا أنها عادة ما تتعامل مع مهام التفتيش كمسائل فرعية معزولة (على سبيل المثال، مصنف منفصل لنوع الضرر، ومنظم انحدار منفصل لشدته).

يكمن التحدي الجوهري الذي تعالجه هذه الورقة في عدم قدرة نماذج الرؤية أحادية الوسيط على حل حالات الضرر الغامضة بصرياً دون سياق دلالي. فعلى سبيل المثال، يعد التمييز بين مستويات الشدة المتجاورة لنفس نوع الضرر (مثل "تآكل/متوسط" مقابل "تآكل/منخفض") أمراً صعباً على نماذج الرؤية فقط لأن هذه الحالات غالباً ما تكون غير متمايزة بصرياً دون الفروق الدقيقة الدلالية التي توفرها الأوصاف اللغوية الطبيعية. علاوة على ذلك، يتطلب نظام التفتيش القابل للنشر أكثر من مجرد التصنيف؛ إذ يجب أن يجيب في آن واحد على أسئلة مترابطة تتعلق بنوع الضرر، وشدته، وحالة الشذوذ، وتوصيات الصيانة، والجداول الزمنية للتدهور، وكل ذلك من صورة واحدة.

2. المنهجية

يقترح المؤلفون DART (محول تلف الحبال عبر تقييم الضرر)، وهو نموذج تأسيسي للرؤية واللغة مصمم لتوحيد سير عمل تفتيش الحبال بالكامل من خلال تمثيل مشترك واحد. يوسع الهيكل المعماري بنية التضمين المشترك التنبؤية (JEPA) لتشمل المجال عبر الوسائط.

2.1 نظرة عامة على الهيكل المعماري

يدمج DART خمسة مكونات مترابطة وثيقة الصلة:

1. مشفر الصور (Image Encoder): محول رؤية (ViT-H/14) تم تدريبه مسبقاً باستخدام iJEPA على مجموعة بيانات ImageNet-22k. يقوم بمعالجة صور بمقاس $224 \times 224$ إلى 256 رمز رقعة (patch tokens). ويقوم مشفر هدف يعتمد على المتوسط المتحرك الأسي (EMA) بتتبع المشفر عبر الإنترنت لتوفير أهداف إعادة بناء مستقرة دون الحاجة إلى أزواج سلبية تباينية.
2. مشفر النصوص (Text Encoder): نموذج Llama-3.2-3B-Instruct (مجمد باستثناء آخر أربع كتل من المحول وطبقة LayerNorm النهائية) يقوم بتشفير الأوصاف اللغوية الطبيعية التي راجعها الخبراء للضرر. يتم استخراج الميزات متعددة المقاييس عن طريق متوسط الطبقات 16 و24 و31.
3. HD-MASK (القناع عالي التباين): استراتيجية قناع موجهة بالبروز (Saliency-guided). بدلاً من القناع العشوائي، تقوم شبكة تلافيفية خفيفة الوزن بتقدير بروز الرقعة. يتم قناع الرقع التي تقع في أعلى 40% من البروز (المناطق كثيفة الضرر) باحتمالية 0.70، بينما يتم قناع رقع الخلفية باحتمالية 0.30. هذا يوجه مهمة إعادة البناء ذاتي الإشراف نحو مناطق الضرر المعلوماتية.
4. المتنبئ الكامن (Latent Predictor): محول مكون من 6 طبقات يتنبأ برموز الرقع المقنعة من رموز السياق في الفضاء الكامن، متجنباً حساسية الضوضاء المرتبطة بإعادة البناء على مستوى البكسل.
5. SC-CMF (الدمج عبر الوسائط المشروط بالشدة): يقوم هذا النموذج بدمج الوسائط البصرية والنصية. يستخدم 14 بوابة قابلة للتعلم لكل فئة لوزن تأثير اللغة على الرؤية بشكل تكيفي. يتم تضخيم التعديل اللغوي للفئات المتدرجة في الشدة (مثل التآكل) ويتم كبحه لأنواع الضرر المركبة حيث تفتقر الأوصاف إلى تدرج في الشدة.

2.2 هدف التدريب: فقدان تفكك الضرر التبايني (CDD Loss)

يتم تدريب النموذج باستخدام دالة هدف مكونة من أربعة حدود ($\mathcal{L}_{total}$) لتشكيل فضاء التضمين لمهام النقل متعددة المهام:

• $\mathcal{L}_{recon}$ (إعادة بناء JEPA): فقدان Smooth-L1 بين المتنبأ بـ latents الهدف (EMA).
• $\mathcal{L}_{sev}$ (تباين الشدة): فقدان InfoNCE الذي يسحب الأزواج من نفس نوع الضرر ولكن بمستويات شدة مختلفة معاً، ويدفع الأنواع المختلفة بعيداً، مما يشجع صراحة على تفكك النوع والشدة.
• $\mathcal{L}_{orth}$ (التعامد النوعي): يعاقب تشابه جيب التمام بين مراكز كتل (centroids) أنواع الضرر المختلفة لضمان وجود فضاءات فرعية متعامدة.
• $\mathcal{L}_{focal}$ (التصنيف البؤري): فقدان الإنتروبيا المتقاطعة مع أوزان عكس التردد للتعامل مع عدم التوازن الشديد في الفئات (نسبة 29:1) في مجموعة البيانات.

2.3 منهج التدريب (Curriculum Training)

يتم التدريب في مرحلتين:

• المرحلة 1: يتم تجميد العمود الفقري لـ ViT؛ ويتم تدريب HD-MASK، والمتنبئ، وإسقاط النص، وSC-CMF، والمصنف.
• المرحلة 2: يتم إلغاء تجميد آخر 6 كتل من ViT وطبقة LayerNorm النهائية لصقل التمثيلات، بينما يظل مشفر النص مجمداً إلى حد كبير.

3. المساهمات الرئيسية

تحدد الورقة خمس مساهمات رئيسية:

1. نموذج DART: نموذج تأسيسي موحد للرؤية واللغة تم تدريبه مرة واحدة على 4,270 صورة لدعم مجموعة شاملة من مهام التفتيش دون الحاجة لضبط دقيق خاص بكل مهمة.
2. وحدة SC-CMF: آلية دمج مبتكرة تستخدم بوابات قابلة للتعلم لكل فئة لتعديل تأثير اللغة تكيفياً بناءً على شدة الضرر ونوعه.
3. HD-MASK: استراتيجية قناع موجهة بالبروز تعمل على تحسين التعلم ذاتي الإشراف من خلال التركيز على الرقع كثيفة الضرر دون الحاجة إلى تسميات (annotations) صريحة على مستوى الرقعة.
4. فقدان CDD: دالة هدف مكونة من أربعة حدود تعمل على تحسين إعادة البناء الهيكلي، وترتيب الشدة، وتعامد النوع، والتصنيف القوي بشكل مشترك.
5. معيار متعدد المهام: إثبات أن عمود فقري واحد مجمد يحقق أداءً يضاهي أحدث المعايير (SOTA) عبر التصنيف، والانحدار، والتعلم بلقطات قليلة (few-shot learning)، وتوصيات الصيانة، وتوليد التقار_ات، وكشف الشذوذ.

4. النتائج

تم تقييم النموذج على مجموعة بيانات ROPE (4,270 صورة، 14 فئة دقيقة) عبر ثماني مهام لاحقة باستخدام عمود فقري مجمد.

• تصنيف الضرر: حقق دقة 93.22% و 91.04% في مقياس macro-F1، مما يمثل تحسناً قدره +38.5 نقطة مئوية عن خط الأساس البصري فقط ViT-H/14 (دقة 54.76%).
• انحدار الشدة: حقق معامل ارتباط سبيرمان $\rho$ قدره 0.94 و 99.6% دقة داخل النطاق الرتبي (within-1-ordinal accuracy) في تقدير الشدة المستمرة.
• التعرف بلقطات قليلة (Few-Shot): حقق 89.2% في مقياس macro-F1 مع 20 لقطة فقط لكل فئة، متفوقاً بشكل كبير على خط الأساس البصري فقط.
• توصيات الصيانة: حقق 94.79% في مقياس macro-F1 في ربط الضرر بالإجراءات المصنفة حسب السلامة (مثل "استبدال فوري"، "جدولة إصلاح").
• كشف الشذوذ: حقق معدل شذوذ 4.76% باستخدام مسافة ماهالانوبيس (Mahalanobis distance) على التضمينات المجمدة، وهو ما يتوافق مع انتشار العينات الحدية المتوقع.
• نمذجة التطور: أظهر معدلات استكمال أحادي التوجه (monotone interpolation) بنسبة 91%، مما يوضح أن فضاء التضمين يشفر مسارات التدهور ذات المعنى الفيزيائي.

أكدت دراسات الاستئصال (Ablation Studies) أن التأسيس اللغوي (language grounding) هو المكون الأكثر أهمية؛ حيث أدى إزالة مشفر النص إلى انخفاض الدقة بمقدار 35.41 نقطة مئوية. كما قدمت بوابات SC-CMF و HD-MASK تحسينات ذات دلالة إحصائية، وإن كانت أصغر حجماً.

5. الأهمية والادعاءات

تدعي الورقة أن DART يمثل تحولاً من نماذج التفتيش المعزولة أحادية المهمة إلى عمود فقري عام لمراقبة الحالة. من خلال الاستفادة من السياق الدلالي للأوصاف اللغوية الطبيعية، يحل DART حالات الغموض البصري التي لا تستطيع النماذج أحادية الوسيط حلها.

يؤكد المؤلفون أن DART يوفر ذكاء تفتيش قابل للتنفيذ من خلال تمثيل مشترك واحد. فهو يتجاوز مجرد التصنيف البسيط ليقدم تقديرات مستمرة للشدة، وتوصيات الصيانة، والتقارير المؤتمتة. يوضح العمل أن نهج النموذج التأسيسي ضروري وطبيعي لمهام التفتيش الصناعية المعقدة حيث تكون البيانات نادرة، والفئات دقيقة، والقرارات مترابطة. يحقق النموذج هذه النتائج ببصمة تدريب صغيرة نسبياً (4,270 صورة) ودون الحاجة لإعادة تدريب خاصة بالمهام للتطبيقات اللاحقة.