Pixel-Level Pavement Distress Assessment Using Instance Segmentation
تقدم هذه الورقة نظاماً لتجزئة الكائنات يعتمد على نموذج Mask R-CNN لتقييم عيوب الرصف بدقة على مستوى البكسل، وهو ما يتفوق على كشف YOLO في دقة التحديد وتقدير إجمالي مساحة الشقوق بناءً على مجموعة بيانات مخصصة تم جمعها ميدانياً، مع تسليط الضوء على التحديات الرئيسية في اتساق التوسيم وعدم توازن الفئات.
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 مفتش طرق. مهمتك هي العثور على الشقوق، والحفر، والأضرار في الأسفلت حتى تتمكن المدينة من إصلاحها قبل أن تتحول إلى حفر ضخمة. في الماضي، كان عليك السير في الشوارع، وتضييق عينيك للتدقيق في الأسفلت، وهي عملية بطيئة، ومرهقة، وخطيرة بالقرب من حركة المرور.
هذه الورقة البحثية تتحدث عن بناء مفتش رقمي يستخدم كاميرا وعقلاً حاسوبياً ذكياً للقيام بهذه المهمة تلقائياً. إليك قصة كيفية بنائه وما وجدوه.
المشكلة: لماذا لا يكفي نظام "الصناديق"؟
يوضح الباحثون أن البرامج الحاسوبية السابقة حاولت إيجاد أضرار الطرق بطريقتين:
- فحص "نعم/لا": النظر إلى مربع صغير من الطريق والقول: "هل يوجد شق هنا؟" (جيد لمعرفة وجود مشكلة، لكنه سيء في معرفة مكانها بالضبط).
- طريقة "الصندوق": رسم مربع حول الشق. هذا يشبه محاولة تغليف ثعبان طويل ومتعرج في صندوق هدايا مربع. الصندوق يغطي الثعبان، لكنه يغطي أيضاً الكثير من المساحات الفارغة، ولا يخبرك بشكله الدقيق أو طوله الحقيقي.
لصيانة الطرق، أنت بحاجة لمعرفة الشكل الدقيق والمساحة الإجمالية للضرر لحساب تكاليف الإصلاح. الصندوق المربع يعتبر أداة خرقاء جداً للشقوق الرفيعة والمتفرعة. أنت بحاجة لشيء يمكنه تتبع الشق مثل قلم التحديد (الهايلايتر)، بكسل تلو الآخر.
الحل: "المحدد الرقمي" (تقسيم المثيل - Instance Segmentation)
بنى الفريق نظاماً يسمى Mask R-CNN. فكر في هذا النظام كأنه قلم تحديد رقمي فائق الذكاء. فبدلاً من مجرد رسم صندوق، يمكنه:
- إيجاد الشق.
- رسم خط خارجي مثالي حوله، يتبع كل التواء وانحناء.
- حساب عدد البكسلات المتضررة بدقة.
- التمييز بين الشق الحقيقي والأشياء التي تبدو كأنها شقوق، مثل بقع الزيت، أو الظلال، أو خطوط الطريق الملونة.
لقد اختبروا ذلك على مجموعة بيانات جديدة أنشؤوها تسمى UWGB-STREETCRACK. حيث قادوا سيارة مثبت عليها هاتف iPhone 15 Pro Max في المقدمة، وسجلوا فيديو للطرق المحلية. ثم قاموا يدوياً برسم خطوط مضلعة دقيقة حول أربعة أنواع من الأضرار:
- الشقوق الطولية: التي تسير بشكل موازٍ للطريق.
- الشقوق المستعرضة: التي تسير عبر عرض الطريق.
- شقوق التمساح: وهي عبارة عن شبكة من الشقوق المترابطة (مثل جلد السحلية).
- الحفر: وهي ثقوب عميقة في الطريق.
التجربة: من فاز في السباق؟
وضع الباحثون "المحدد الرقمي" الخاص بهم (Mask R-CNN) في مواجهة نوعين آخرين من نماذج الرؤية الحاسوبية:
- "رسام الصناديق" (YOLO): وهو كاشف سريع يرسم مربعات فقط.
- "قاصّ القطع" (DeepSegmentor): وهو نموذج لا يعمل إلا إذا قمت بقص الشق يدوياً من الصورة أولاً.
النتائج:
- الفائز: كان Mask R-CNN (وتحديداً النسخة المزودة بعقل "ResNet-101") هو البطل الواضح.
- كان دقيقاً للغاية في إيجاد الشقوق (استدعاء بنسبة 90%) وكان جيداً جداً في عدم ارتكاب الأخطاء (دقة بنسبة 84%).
- اختبار "المساحة": هذا هو الجزء الأكثر إثارة للإعجاب. المساحة المتضررة الفعلية في صور الاختبار كانت 2.170%. أما Mask R-CNN فقد قدرها بـ 2.164%. هذا يعني أن الفرق أقل من واحد في المئة من الواحد في المئة! لقد كان شبه مثالي.
- الخاسر: عانى "رسام الصناديق" (YOLO) بشدة، حيث سجل درجات منخفضة جداً، ولم يستطع التعامل مع ظروف الطريق الواقعية الفوضوية بشكل جيد.
- "قاصّ القطع": بينما كان بإمكانه تقدير مساحة الشق إذا أعطيته صورة مقصوصة ونظيفة، إلا أنه فشل عند النظر إلى مشهد طريق كامل لأنه ارتبك بسبب الظلال وعلامات الطريق.
التحديات: أين لا يزال يتعثر؟
على الرغم من أن النظام رائع، إلا أن المؤلفين يعترفون بأنه ليس مثالياً بعد. لقد وجدوا بعض "الأعطال" في العالم الحقيقي:
- المظاهر المضللة: أحياناً يخطئ الكمبيوتر ويظن أن بقعة زيت طويلة أو خطاً ملوناً هو شق.
- لغز "غطاء البالوعة": المناطق حول أغطية البالوعات صعبة؛ فأحياناً لا يستطيع الكمبيوتر التمييز ما إذا كان الخط الموجود بالقرب من الغطاء هو شق أم مجرد جزء من الغطاء المعدني.
- لغز "التمساح": عندما توجد شبكة ضخمة من الشقوق، قد يختلف البشر في الرأي: "هل هذا شق واحد ضخم أم خمسة شقوق صغيرة؟" والكمبيوتر أحياناً يخمن بشكل مختلف عن الشخص الذي وضع البيانات. وهذا يوضح أن القواعد لرسم الخطوط يجب أن تكون صارمة جداً.
الخلاصة
تثبت هذه الورقة أن تقسيم المثيل (Instance Segmentation) (أي "المحدد الرقمي") هو أفضل أداة نمتلكها حالياً لقياس أضرار الطرق تلقائياً. فهو لا يكتفي بإيجاد الشقوق فحسب، بل يقيسها بمستوى من الدقة يطابق الخبراء البشريين بشكل شبه مثالي.
خلص المؤلفون إلى أنه بينما يعد النظام جاهزاً ليكون أداة عملية لتقدير كمية الطريق التي تحتاج إلى إصلاح، إلا أننا لا نزال بحاجة للعمل على جعل "قواعد" تسمية البيانات أكثر وضوحاً حتى لا يرتبك الكمبيوتر بسبب الظلال أو البقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.