🌿 ecology

Automated morphometry and weight prediction of juvenile Chinook Salmon leveraging open-source deep learning models

تقدم هذه الورقة إطار عمل آلياً مفتوح المصدر يعتمد على التعلم العميق باستخدام نموذج "Segment Anything Model" (SAM) للتنبؤ بوزن صغار سمك السلمون الأطلسي (Chinook Salmon) من صور ثنائية الأبعاد بدقة عالية (R²=0.99)، مما يقلل من الحاجة إلى التعامل الفيزيائي مع مجموعات الأسماك المهددة.

المؤلفون الأصليون: Knight, B., Jeffres, C.

نُشر 2026-03-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Knight, B., Jeffres, C.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك عالم أحياء متخصص في الأسماك، تحاول فحص صحة سمكة سلمون صغيرة مهددة بالانقراض. تقليديًا، لقياس طولها وتخمين وزنها، سيتعين عليك إخراجها من الماء، ووضعها على مسطرة، ووزنها على ميزان، ثم إعادتها إلى الماء. هذا الأمر يسبب التوتر للسمكة (مثل خضوع إنسان لفحص طبي بينما يتم الإمساك به بقوة) ويستغرق وقتًا طويلاً.

تقدم هذه الورقة البحثية طريقة جديدة "بدون استخدام اليدين" للقيام بذلك، باستخدام كاميرا رقمية وبرنامج حاسوبي ذكي. تخيل الأمر وكأنك تمنح السمكة "فحصًا طبيًا رقميًا" دون لمسها أبدًا.

إليك كيف يعمل النظام، مقسمًا إلى خطوات بسيطة:

1. الإعداد: كشك صور للأسماك

بدلاً من الشبكة والميزان، بنى الباحثون صندوق عرض تحت الماء بسيطًا وغير مكلف. إنه يشبه كشك صور للأسماك.

يسبح صغير السلمون داخل غرفة شفافة مليئة بالماء.
توجد شبكة في الخلف (مثل ورق الرسم البياني) تساعد الحاسوب على معرفة حجم الأشياء.
تلتقط الكاميرا صورة للسمكة من الجانب.
تسبح السمكة عائدة مباشرة للخارج، دون أن تغادر الماء أو تتعرض للتوتر أبدًا.

2. "العين السحرية": نموذج التجزئة الشامل (SAM)

بمجرد التقاط الصورة، يحتاج الحاسوب إلى تحديد موقع السمكة في الصورة. استخدم الباحثون أداة ذكاء اصطناعي فائقة الذكاء ومجانية تسمى SAM (نموذج التجزئة الشامل).

التشبيه: تخيل أن لديك صورة لغرفة فوضوية بها سيارة لعبة بداخلها. تقوم برسم مربع تقريبي حول السيارة بإصبعك. SAM يشبه قلم التحديد السحري الذي يعرف فورًا: "حسنًا، أنت تريد السيارة"، ويرسم بدقة حدود السيارة، متجاهلاً بقية الغرفة.
في هذه الحالة، يقوم المستخدم فقط برسم مربع حول السمكة ويخبر الحاسوب بالاتجاه الذي تواجه فيه السمكة. بعد ذلك، يقوم الذكاء الاصطناعي برسم تحديد مثالي لجسم السمكة.

3. خدعة "تقليم الزعانف"

تمتلك الأسماك زعانف تبرز للأعلى، أو للأسفل، أو للجوانب. إذا حاولت تخمين وزن سمكة من خلال شكلها الخارى، فإن زعنفة بارزة للأعلى ستجعل السمكة تبدو أطول وأثقل مما هي عليه في الواقع.

التشبيه: تخيل أنك تحاول تخمين وزن شخص يرتدي قبعة ضخمة ومنفوشة. إذا قمت بالقياس مع القبعة، فستظن أنه ضخم جدًا. أنت بحاجة لنزع القبعة للحصول على القياس الحقيقي.
يقوم الحاسوب تلقائيًا بالعثور على الزعانف (الذيل، الزعنفة الظهرية، زعنفة البطن، إلخ) و"يمسحها" من التحديد. إنه ينشئ شكلًا أملسًا وخاليًا من الزعانف يمثل جسم السمكة الفعلي.

4. رياضيات "البالون": تخمين الوزن

الآن، بعد أن أصبح لدى الحاسوب تحديد نظيف للسمكة، كيف يعرف وزنها؟

التشبيه: تخيل أن السمكة عبارة عن بالون ثلاثي الأبعاد (3D). إذا التقطت صورة ثنائية الأبعاد (2D) للبالون، يمكنك رؤية عرضه وارتفاعه. بما أنك تفترض أن البالون مستدير من جميع الجهات (مثل كرة القدم الأمريكية)، يمكنك حسابيًا تخمين كمية الهواء الموجودة بداخله (الحجم). وبما أن الأسماك تتكون في معظمها من الماء، فإن حجمها يرتبط ارتباطًا مباشرًا بوزنها.
يقيس الحاسوب "المساحة السطحية" للسمكة (كم تبلغ مساحة جلدها في الصورة) وارتفاعها. ثم يستخدم معادلة ليتخيل أن السمكة عبارة عن كرة بيضاوية (إهليلج).
النتيجة: من خلال حساب حجم هذه الكرة الوهمية ثلاثية الأبعاد، يمكن للحاسوب التنبؤ بالوزن بدقة مذهلة.

5. النتائج: دقيقة للغاية!

اختبر الباحثون هذا النظام على 149 من صغار السلمون.

الدقة: كان تخمين الحاسوب قريبًا جدًا من الوزن الحقيقي. في المتوسط، كان الخطأ قدره 0.16 جرامًا فقط (وهو أقل من وزن حبة عنب واحدة!).
الكفاءة: فعل الحاسوب ذلك دون التسبب في أي توتر للسمكة ودون الحاجة لبشر يقضون ساعات في قياس كل نقطة في السمكة.

لماذا يهم هذا الأمر؟

إنقاذ الأسماك: الأسماك المهددة بالانقراض هشة. تسمح هذه الطريقة للعلماء بجمع بيانات حيوية دون إيذاء الحيوانات أو إجهادها.
السرعة: يحول هذا النظام عملية يدوية بطيئة إلى عملية مؤتمتة.
الإمكانات المستقبلية: نظرًا لأن البرنامج مفتوح المصدر (مجاني للاستخدام من قبل أي شخص)، يمكن لعلماء آخرين تكييف "كشك صور الأسماك" هذا لأنواع أخرى من الأسماك، مما يساعد في حماية النظم البيئية في جميع أنحاء العالم.

باخت-مختصر، تدور هذه الورقة البحثية حول تعليم الحاسوب كيف ينظر إلى صورة سمكة، ويتجاهل زعانفها المتمايلة، ويتخيل السمكة كبالون ثلاثي الأبعاد، ويخبرك بالضبط كم تزن — كل ذلك بينما تظل السمكة سعيدة وتسبح في الماء.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "القياسات المورفولوجية الآلية والتنبؤ بالوزن لأسماك السلمون الشینوك (Chinook Salmon) اليافعة باستخدام نماذج التعلم العميق مفتوحة المصدر."

1. بيان المشكلة

تتناول الدراسة تحديين حرجين في إدارة المصايد، وتحديداً فيما يتعلق بأسماك سلمون الشینوك (Oncorhynchus tshawytscha) اليافعة المهددة بالانقراض:

الإجهاد الناتج عن التعامل مع الأسماك: تتطلب الطرق التقليدية لقياس البيانات المورفولوجية (الطول، الوزن، عوامل الحالة) إخراج الأسماك من الماء، والتعامل معها جسدياً، وغالباً ما يتطلب ذلك تخديرها. وهذا يسبب إجهاداً كبيراً ويمكن أن يؤثر على صحة وبقاء المجموعات الضعيفة.
اختناقات معالجة البيانات: اعتمدت المحاولات المؤتمتة السابقة لرقمنة قياسات الأسماك على وضع نقاط المعالم (landmarks) يدوياً من قبل مستخدمين مدربين. هذه العملية تستغرق وقتاً طويلاً، وعرضة للخطأ البشري، وتخلق اختناقاً في مسارات معالجة البيانات، مما يحد من نطاق جمع البيانات.

كان الهدف هو تطوير نظام يقلل من التعامل مع الأسماك (إبقاؤها مغمورة في الماء) مع أتمتة استخراج السمات المورفولوجية الدقيقة للتنبؤ بالوزن.

2. المنهجية

قام المؤلفون بتطوير إطار عمل برمجيات يسمى HandsFreeFishing، والذي يدمج التعلم العميق مفتوح المصدر مع خوارزميات هندسية مخصصة. يتكون خط الإنتاج من أربع مراحل رئيسية:

أ. الحصول على الصور

يتم تصوير الأسماك داخل "عارض أسماك" (fish viewer) متخصص ومنخفض التكلفة يحتوي على شبكة 5×5 ملم لمعايرة المقياس.
تُؤخذ الصور من جانب جانبي بينما تظل السمكة مغمورة.
مدخلات المستخدم: يقدم المستخدم صندوق إحاطة (bounding box) بسيط حول السمكة ويحدد الاتجاه (مواجهة لليمين/اليسار، منتصبة/مقلوبة). لا يتطلب الأمر تحديد معالم يدوياً.

ب. التجزئة المؤتمتة (التعلم العميق)

النموذج: يستخدم النظام نموذج Segment Anything Model (SAM) من شركة ميتا (Meta)، وهو نموذج تأسيسي مفتوح المصدر، لإنشاء أقنعة تجزئة أولية للأسماك من الصور الخام.
معالجة الخطوط الكنتورية: يتم تنقيح القناع الخام باستخدام تحليل فورييه الإهليلجي (Elliptic Fourier Analysis) لإنشاء خط كونتور سلس ومجزأ ثنائي الأبعاد ( $c = [c_0, c_1, ..., c_n]$ ).
معايرة المقياس: تقوم خوارزمية مطابقة القوالب بتحديد شبكة 5×5 ملم في الخلفية لتحويل قياسات البكسل إلى مليمترات.
إزالة الزعانف: بما أن الزعانف يمكن أن تكون في وضعيات مختلفة (مما يؤثر على حسابات مساحة السطح) ولها كثافات تختلف عن جسم السمكة، يستخدم النظام قواعد استدلالية (heuristics) للكشف عن الزعانف الفردية وتجزئتها (الظهرية، الدهنية، الذيلية، إلخ). يتم بعد ذلك حجب مناطق الزعانف هذه لإنشاء تجزئة "بدون زعانف"، والتي تمثل حجم الجسم الرئيسي بشكل أفضل.
استخراج السمات: يقوم النظام أيضاً بتجزئة العين لقياس قطر العين.

ج. استخراج السمات

بمجرد إنشاء خط الكونتور "بدون زعانف"، يقوم البرنامج بحساب:

طول الشوكة (Fork Length): يتم تحديده عن طريق إيجاد طرف الخطم ومركز تشعب الذيل (باستخدام اكتشاف القيم القصوى المحلية على كونتور الذيل).
مساحة السطح (SA): المساحة المسقطة ثنائية الأبعاد لجسم السمكة.
القطع الناقص الأنسب (Best-Fit Ellipse): يتم ملاءمة قطع ناقص للكنتور لاستخراج المحاور شبه الطويلة $a$ (الطول) و $b$ (الارتفاع).
نقاط المعالم (Landmark Points): يتم وضع 16 نقطة معلم مؤتمتة على طول الكونتور لإنشاء "شبكة تراس" (truss lattice) لتحليل الشكل الإضافي.
مساحات السطح المجزأة: يتم تقسيم الجسم إلى أقسام للسماح بنمذجة الكثافة غير الثابتة.

د. نماذج التنبؤ بالوزن

قام المؤلفون بتدريب عدة نماذج انحدار (الانحدار الخطي والانحدار الخطي المتعدد) باستخدام لغة بايثون ومكتبة Scikit-Learn. تعتمد النماذج على الافتراض البيولوجي بأن حجم السمكة يتناسب طردياً مع وزنها.

الافتراضات الهندسية: يتم تقريب جسم السمكة كقطع ناقص ثلاثي الأبعاد.
- الحجم $V = \frac{4}{3}\pi abc$ .
- بافتراض أن محيط الخصر ( $c$ ) يتناسب مع الارتفاع ( $b$ )، فإن $V \propto SA \times b$ .
- بافتراض أن جميع النسب ثابتة ( $a \propto b \propto c$ )، فإن $V \propto SA^{1.5}$ .
النماذج المختبرة:
- النموذج 1: يستخدم $V_1 = SA \times b$ (مساحة السطح $\times$ الارتفاع).
- النموذج 2: يستخدم $SA^{1.5}$ .
- النماذج 3-7: تركيبات مختلفة من مساحة السطح، والمحاور، والمساحات المجزأة، وأطوال المعالم (مكعبة).

3. المساهمات الرئيسية

برنامج HandsFreeFishing: خط إنتاج مؤتمت بالكامل ومفتوح المصدر (متاح على GitHub) يقلل من تفاعل المستخدم إلى مجرد فحص صندوق الإحاطة والاتجاه.
دمج نموذج SAM: نجاح في تكييف نموذج Segment Anything Model من ميتا لمهام تجزئة بيولوجية محددة دون الحاجة لإعادة تدريب مكثفة، مما يثبت فائدة النماذج التأسيسية في الرصد البيئي.
سير عمل غير جراحي: طريقة تم التحقق منها لقياس الوزن وعوامل الحالة دون إخراج الأسماك من الماء، مما يعالج مباشرة احتياجات الحفظ.
القوة في مواجهة البيانات غير المثالية: تم تصميم النظام للتعامل مع جودة الصور المتغيرة وعيوب التجزئة (مثل حركة الزعانف) من خلال المعالجة الهندسية اللاحقة (الغلُف المحدب واختيار أكبر مكون متصل).

4. النتائج

تم اختبار النظام على مجموعة بيانات مكونة من 149 صورة (طول الشوكة 27–90 ملم، الوزن 0.31 جم–7.74 جم). كما تم تحليل مجموعة فرعية من 109 صور (بعد استبعاد التجزئات السيئة).

النموذج الأفضل أداءً: حقق النموذج 1 ( $V_1 = SA \times b$ $V_{1} = S A \times b$ ) أعلى دقة.
- معامل التحديد ( $R^2$ ): بلغ 0.99 (على المجموعة المنقحة).
- متوسط الخطأ المطلق (MAE): 0.16 جم.
- متوسط نسبة الخطأ المطلق (MAPE): 12%.
- درجة AIC: -19.98.
المقارنة:
- أدى النموذج 2 ( $SA^{1.5}$ ) أداءً مشابهاً ولكن بنسبة MAPE أعلى قليلاً (13%).
- كانت النماذج التي استخدمت أطوال المعالم (النموذذ 6 و7) أقل أداءً بكثير، مما يشير إلى أن مساحة السطح العالمية والارتفاع أكثر قوة في التنبؤ من هياكل المعالم المعقدة لهذا الحجم المحدد من البيانات.
التعميم: حتى مع مجموعة البيانات الكاملة غير المنقحة (149 صورة)، حافظ النموذج 1 على $R^2$ قدره 0.98، مما يظهر مرونة النظام تجاه ضوضاء التجزئة.

5. الأهمية والعمل المستقبلي

الأثر على الحفظ: تتيح هذه التكنولوجيا للباحثين مراقبة صحة ونمو مجموعات سلمون الشینوك المهددة بأقل قدر من الإجهاد، مما يسمح بجمع بيانات أكثر تكراراً وعلى نطاق أوسع.
القابلية للتوسع: تعني الطبيعة مفتوحة المصدر للكود واستخدام نماذج التعلم العميق العامة (SAM) إمكانية تكييف إطار العمل بسهولة مع أنواع أخرى من الأسماك ومراحل حياتها المختلفة.
الاتجاهات المستقبلية: يقترح المؤلفون أن جمع مجموعات بيانات أكبر يمكن أن يحسن النماذج المعقدة (مثل النموذج 5 و6). قد يشمل العمل المستقبلي تحديد معالم تشريحية أفضل (مثل تجزئة خط المنتصف) والتنبؤ بمقاييس أخرى مثل عامل حالة فولتون (Fulton's condition factor ( $K$ )).

في الختام، تثبت الورقة البحثية أن الجمع بين التعلم العميق مفتوح المصدر والقواعد الهندسية يمكن أن يحل محل بروتوكولات قياس الأسماك اليدوية والجراحية بطريقة مؤتمتة وغير جراحية وعالية الدقة.