Improved Road Pothole Detection and Instance Segmentation Using Mask RCNN with Histogram Equalization and Adam Optimization
تقترح هذه الدراسة إطار عمل محسّن لنموذج Mask R-CNN معزز بـ "تساوي الهيستوجرام" ومحسن "Adam" لتحقيق 90.4% في متوسط الدقة المتوسطة (mAP) في اكتشاف حفر الطرق وتجزئة الكائنات، مما يتفوق بشكل كبير على النموذج الأساسي للمراقبة الذكية للطرق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 محقق يحاول العثور على نوع معين من الأدلة المخبأة في غرفة فوضوية وعشوائية. في عالم علوم الحاسوب، هذه "الغرفة" هي صورة رقمية، و"الدليل" هو كائن محدد، مثل حفرة في طريق. لكي يعمل الحاسوب كمحقق، يحتاج إلى التدريب باستخدام نوع خاص من "الأدمغة" يسمى نموذج "التعلم العميق" (Deep Learning). فكر في هذه النماذج كطلاب يتعلمون من خلال النظر إلى آلاف الأمثلة. أحد أنواع الطلاب الشهيرة هو Mask R-CNN. وبينما قد يكتفي الطالب العادي بالإشارة والقول: "هناك حفرة!" ويرسم مربعاً حولها، فإن Mask R-CNN هو الطالب المتفوق الذي يتتبع أيضاً الخط الخارجي المتعرج للحفرة بدقة، بكسل تلو الآخر. وهذا ما يسمى تجزئة المثيل (instance segmentation). ولكن هنا تكمن المشكلة؛ إذا كانت الغرفة مظلمة، أو كانت الجدران مطلية بألوان غريبة، أو كانت الإضاءة تومض، فحتى أفضل الطلاب سيصابون بالارتباك. لهذا السبب يهتم الباحثون بـ معالجة الصور (image processing) — الأمر يشبه إعطاء المحقق نظارات أفضل أو مصباحاً يدوياً لكي يتمكن من رؤية الأدلة بوضوح، بغض النظر عن مدى فوضوية البيئة.
قرر الباحثان في هذه الورقة، تشوان-بي لين وألوك كومار شارما، ترقية "المحقق" الخاص بهما لجعله أفضل في العثلة من حفر الطرق. لقد أدركا أن طرق التدريب القياسية تعاني أحياناً عندما تكون صور الطرق مظلمة، أو ضبابية، أو ذات إضاءة غير متساوية. ولحل هذه المشكلة، قدما ترقيتين رئيسيتين لنظامهما. أولاً، استخدما تقنية تسمى موازنة المدرج التكراري (Histogram Equalization). تخيل أن لديك صورة تبدو باهتة ورمادية؛ هذه التقنية تشبه رفع درجة التباين في شاشة التلفاز. فهي تعمل على تمديد الألوان والظلال بحيث تبرز الحفر المظلمة في الطريق بوضوح مقابل الرصيف الأفتح لوناً، مما يجعل اكتشافها من قبل الحاسوب أسهل بكثير.
ثانياً، قاما بتغيير كيفية "تعلم" الحاسوب من أخطائه. عادةً ما تستخدم هذه النماذج طريقة تسمى "الاشتقاق المتدرج العشوائي" (SGD)، وهي تشبه إلى حد ما متنزهاً يحاول العثور على قاع وادٍ عبر اتخاذ خطوات صغيرة وعشوائية. وأحياناً، يعلق المتنزّه في منخفض صغير ويظن أنه وصل إلى القاع. لقد استبدل الباحثان هذه الطريقة بمتنزّه أكثر ذكاءً يستخدم محسن آدم (Adam optimizer). "آدم" يشبه متنزهاً يتذكر أين كان ويعدل خطواته ديناميكياً، مما يساعده على العث_ور على القاع الحقيقي للوادي (أفضل نموذج ممكن) بشكل أسرع وأكثر موثوقية.
اختبر الفريق نظامهم المحسن على مجموعة من 335 صورة للطرق وجدوها عبر الإنترنت. ولأن هذا العدد لم يكن كافياً لتدريب محقق فائق الذكاء، فقد استخدما خدعة تسمى تعزيز البيانات (data augmentation). لقد أخذا الصور الموجودة وصنعا صوراً جديدة عبر تدويرها وقلبها أفقياً، مما حول 335 صورة فعلياً إلى أكثر من 1,800 مثال للتدريب. كما حرصا على رسم "الحقيقة الأرضية" (الإجابة الصحيحة) باستخدام أشكال مضلعة دقيقة تتبع الحواف غير المنتظمة للحفر، بدلاً من مجرد مربعات بسيطة.
عندما أجروا التجارب، كانت النتائج واعدة للغاية. تمكن الإصدار الأصلي غير المطور من النموذج من العثور على الحفر بدرجة تسمى "متوسط الدقة المتوسطة" (mAP) بلغت 0.779. ومع ذلك، بعد إضافة مصباح التباين (موازنة المدرج التكراري) وطريقة التعلم الأذكى (محسن آدم)، قفزت درجة النموذج إلى 0.904. وهذا يعني أن النظام الجديد كان أفضل بكثير في كل من العثور على الحفر ورسم أشكالها الدقيقة. ووجد الباحثون أن أكبر دفعة جاءت من تحسين الصورة، مما ساعد النموذج على "رؤية" الحفر بوضوح أكبر، خاصة في ظروف الإضاءة الصعبة.
كما قارنوا محققهم المطور بنماذج شهيرة أخرى مثل YOLOv2 وSSD300 وFaster R-CNN. وقد تفوق إطار عمل Mask R-CNN المقترح في النهاية بدرجة 0.904، متفوقاً على أقرب منافس له (Faster R-CNN) الذي سجل 0.732. تشير الورقة إلى أن الجمع بين التحضير الأفضل للصور وخوارزميات التدريب الأذكى يصنع فرقاً هائلاً. ورغم أن النظام ليس مثالياً — فلا يزال يواجه بعض الهفوات البسيطة مع الأشكال غير المنتظمة للغاية أو الإضاءة الشديدة — إلا أن الدراسة تخلص إلى أن هذه التحسينات تجعل هذه التكنولوجيا أكثر موثوقية للحفاظ على سلامة الطرق. ويقترح المؤلفون أنه في المستقبل، يمكن أن يكون هذا النوع من الأنظمة جزءاً من شبكة أكبر لمراقبة حالة الطرق في الوقت الفعلي، مما يساعد في إصلاح الطرق قبل أن تصبح خطيرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.