Segmenting Low-Contrast X-ray Computed Tomography Images of Concrete: An Unsupervised Approach

تُعد الخرسانة ثاني أكثر المواد استخداماً على وجه الأرض، ولا يتفوق عليها إلا الماء. إنها تشكل الهيكل العظمي لعالمنا الحديث، من أساسات ناطحات السحاب إلى الجسور التي تعبر أنهارنا. ومع ذلك، ورغم انتشارها الواسع، لا تزال هذه المادة لغزاً في جوانب كثيرة. فالخرسانة ليست كتلة صخرية متجانسة؛ بل هي خليط معقد من الرمل، وعجينة الإسمنت، وحجارة أكبر تسمى "الركام"، وكلها مترابطة مع جيوب صغيرة من الهواء والماء. وعندما يريد المهندسون فهم سبب تصدع قطعة من الخرسانة أو كيف ستصمد تحت الضغط، فإنهم يحتاجون إلى رؤية ما بداخلها. إنهم بحاجة لمعرفة مكان الحجارة بالضبط، وأين توجد العجينة، وأين تقع الفراغات. وللقيام بذلك، يستخدم الباحثون تقنية تصوير قوية تسمى التصوير المقطعي المحوسب بالأشعة السينية (X-ray computed tomography). وتتشابه هذه العملية مع الفحص المقطعي الطبي، ولكن بدلاً من النظر داخل جسم الإنسان، فإنها تنظر داخل أسطوانة من الخرسانة، لتنشئ خريطة ثلاثية الأبعاد مفصلة لبنيتها الداخلية.

ومع ذلك، فإن التحدي يكمن في أن الخرسانة موضوع صعب لهذا النوع من التصوير. ففي الفحص الطبي، تبدو العظام والأنسجة الرخوة مختلفة تماماً لأنها تمتص الأشعة السينية بطرق متباينة. أما في الخرسانة، فإن الحجارة الكبيرة وعجينة الإسمنت تمتصان كمية الأشعة السينية نفسها تقريباً. وبالنسبة للكاميرا، يبدوان ككتلة رمادية ضبابية واحدة. إن الحجارة والعجينة متشابهتان جداً في المظهر لدرجة أن التمييز بينهما يشبه محاولة التفريق بين درجتين من اللون الرمادي متطابقتين تقريباً. وبدون وجود فرق بصري واضح، لا تستطيع الحواسيب تصنيف الصورة تلقائياً إلى أجزائها المختلفة. وقد جعل هذا من الصعب للغاية دراسة السلوك الداخلي للمادة أو إنشاء نماذج حاسوبية دقيقة تتنبأ بكيفية أدائها. ولسنوات طويلة، كانت الطريقة الوحيدة للحصول على صورة واضحة هي تتبع كل حجر وكل صدع يدوياً، وهي عملية بطيئة ومضنية تحد من قدرة العلماء على التعلم.

لقد طور فريق من الباحثين من الجامعة التقنية التشيكية في براغ ومعهد لوكسمبورغ لعلوم التكنولوجيا طريقة جديدة لحل هذه المشكلة دون الحاجة إلى أيدٍ بشرية لرسم الخطوط. فقد ابتكروا برنامجاً حاسوبياً يمكنه تعليم نفسه كيفية رؤية الفرق بين الحجارة والعجينة، حتى عندما تكون الصور ضبابية والتباين منخفضاً. وكان مفتاح نجاحهم هو طريقة تسمى "التوسيم الذاتي" (self-annotation). فبدلاً من تغذية الحاسوب بآلاف الصور التي تم تصنيفها مسبقاً بواسطة البشر، تركوا الحاسوب ينظر إلى الصورة ويضع تخميناته الخاصة حول ماهية كل جزء. يبدأ الحاسوب بتقسيم الصورة إلى قطع صغيرة متشابهة إدراكياً، تماماً مثل الفسيفساء. ثم ينظر إلى هذه القطع ويحاول تجميعها معاً بناءً على ما تبدو عليه في السياق الأوسع للصورة. ومن خلال تعديل تخميناته باستمرار والتعلم من أخطائه، يكتشف الحاسوب في النهاية أي أجزاء من الكتلة الرمادية هي الحجارة وأيها هي العجينة.

اختبر الباحثون هذا النهج على عينات خرسانية حقيقية تم مسحها باستخدام الأشعة السينية. لم يظهروا للحاسوب أي أمثلة مصنفة مسبقاً لما يجب أن تبدو عليه الحجارة أو العجينة. بدلاً من ذلك، تركوا النظام يعمل بمفرده، باستخدام نوع معين من بنية الشبكة العصبية التي تجيد التعرف على الأنماط في الصور. نجح النظام في فصل المرحلتين في الصور، منشئاً خريطة واضحة حيث تكون الحجارة بلون واحد والعجينة بلون آخر. وللتأكد من نجاح الطريقة، قارن الفريق مخرجات الحاسوب بمجموعة من الصور التي تم تصنيفها بعناية من قبل خبراء بشريين. وأظهرت النتائج أن الطريقة التلقائية للحاسوب كانت أفضل بكثير في تحديد الحجارة من الطريقة التقليدية التي تعتمد ببساً على النظر إلى سطوع البكسلات. فغالما كانت الطريقة التقليدية تخلط بين الحجارة والعجينة أو تفقد الحجارة تماماً، لكن النهج الجديد وجد الحجارة بدقة واتساق أكبر بكثير.

ومن أهم جوانب هذا العمل هو أن الحاسوب تم اختباره على عينة خرسانية مختلفة تماماً عن تلك التي تدرب عليها. ففي العديد من الدراسات السابقة، كان الباحثون يدربون نموذجاً على جزء من عينة ما ثم يختبرونه على جزء آخر من نفس العينة، مما قد يخفي ما إذا كان النموذج يتعلم حقاً طبيعة المادة أم أنه يحفظ الصورة المحددة فحسب. في هذه الحالة، واجه النموذج أسطوانة خرسانية جديدة تماماً لم يرها من قبل، ومع ذلك ظل يؤدي بشكل جيد. وهذا يشير إلى أن الطريقة قوية ويمكن تطبيقها على أنواع مختلفة من الخرسانة دون الحاجة إلى إعادة تدريبها لكل دفعة جديدة. ووجد الباحثون أنه بينما كان الحاسوب ممتازاً في إيجاد الحجارة، فإنه واجه أحياناً صعوبة مع الحواف الخارجية للعينة أو مع الحجارة المتراصة بإحكام شديد. وهذه مناطق تتدهور فيها جودة الصورة طبيعياً، حيث يرتكب الحاسوب أخطاءً أحياناً، مثل دمج عدة حجارة صغيرة في كتلة واحدة كبيرة. ومع ذلك، وحتى مع هذه الأخطاء الطفيفة، كان الأداء العام متفوقاً على الأساليب الموجودة.

كما استكشفت الدراسة ما إذا كان بإمكان الحاسوب تعلم تحديد الأجزاء الثلاثة الرئيسية للخرسانة: الحجلة، والعجينة، والجيوب الهوائية الصغيرة. عندما طلب الباحثون من الحاسوب إيجاد الأجزاء الثلاثة معاً دون أي مساعدة، واجه صعوبة في التمييز بين جيوب الهواء والحجارة. فجيوب الهواء داكنة جداً، بينما الحجارة والعجينة رماديتان، لكن الحاسوب واجه مشكلة في فصل البقع الداكنة عن الكتلة الرمادية بطريقة متسقة. ولحل هذه المشكلة، أعطى الباحثون الحاسوب تلميحاً صغيراً: أخبروه بالضبط أين توجد جيوب الهواء باستخدام طريقة بسيطة ومعيارية تعمل جيداً مع البقع الداكنة. ومع تقديم هذه المعلومة الواحدة، أصبح الحاسوب حراً في اكتشاف البقية بمفرده. هذا النهج "شبه الموجه" (semi-supervised) حقق نتائج أفضل، حيث سمح للنظام بفصل جميع المكونات بوضوح. وكانت النتيجة النهائية خريطة نظيفة ومفصلة للبنية الداخلية للخرسانة يمكن استخدامها لمزيد من التحليل.

إن هذا الاختراق يكتسب أهمية كبرى لأنه يزيل عقبة رئيسية في علم المواد. فلعقود من الزمن، حال نقص البيانات المصنفة دون الاستخدام الواسع لأدوات الرؤية الحاسوبية المتقدمة لدراسة الخرسانة. ومن خلال إظهار أن الحاسوب يمكنه تعلم تقسيم هذه الصور الصعبة دون الحاجة إلى بيانات تدريب مصنفة بشرياً، فتح الباحثون الباب أمام تحليل أسرع وأكثر كفاءة لمواد البناء. وهذا يعني أن المهندسين يمكنهم الآن دراسة البنية الداخلية للخرسانة بسرعة ودقة أكبر، مما يؤدي إلى تصميمات أفضل وهياكل أكثر ديمومة. لا تتطلب هذه الطة إضافات خاصة لجعل الخرسانة تظهر بشكل أفضل في عمليات المسح، كما أنها لا تحتاج إلى معدات باهظة الثمن بخلاف ما هو قياسي بالفعل. إنها ببساطة تستخدم طريقة ذكية لتعليم الحاسوب كيفية النظر إلى الصورة والتعلم من ملاحظاته الخاصة. وبينما لا يزال هناك عمل يتعين القيام به لإتقان التعامل مع الحالات الحدية أو الحجارة المتجمعة، إلا أن الدراسة تبرهن على مسار جديد وقوي لفهم العالم الخفي داخل المواد التي ترفع من شأن عالمنا.