A Hybrid Computer Vision and AI Framework for Wildlife Hospital Patient Identification Systems: Kangaroo Facial Recognition as a Case Study

في الزوايا الهادئة لمستشفيات الحياة البرية، تدور يومياً أزمة صامتة من الذاكرة. هذه المراكز هي ملاذات حيث تُعالج الحيوانات الأصلية المصابة، ولكن على عكس الحيوانات الأليفة، تصل المرضى البرية دون أسماء أو أطواق أو رقائق إلكترونية. وغالباً ما تكون متوترة للغاية بحيث يصعب التعامل معها، أو مصابة بجروح تمنع وضع علامات عليها، أو متشابهة جداً في المظهر لدرجة يصعب التمييز بينها بالعين المجردة فقط. بالنسبة للمتطوعين الذين يقدمون الرعاية، يعتمد تحديد كنغر معين من بين مجموعة من الشبيه به تماماً على ذاكرة البشر والإشارات البصرية العابرة مثل ندبة أو قطعة مفقودة من الأذن. هذا النظام هش؛ فعندما يغادر المتطوع، غالباً ما ترحل معه المعرفة بهوية كل حيوان، مما يؤدي إلى خطر تكرار السجلات، أو الخطأ في العلاجات، أو فقدان التاريخ الطبي. ولحل هذه المشكلة، يتجه الباحثون إلى فرع من العلوم يسمى "رؤية الحاسوب"، والذي يعلم الآلات كيف ترى وتتعرف على الأنماط كما يفعل البشر. ومن خلال دمج ذلك مع الذكاء الاصطناعي، وتحديداً طريقة تتعلم قياس الاختلافات الدقيقة بين الوجوه، يأمل العلماء في بناء ذاكرة رقمية لا تنسى أبداً، مما يسم يسمح للمستشفيات بتتبع كل مريض من لحظة الإنقاذ حتى إطلاقه مرة أخرى في البرية.

في مركز "بوسم وود" لاستعادة الحياة البرية (Possumwood Wildlife Recovery Centre) في نيو ساوث ويلز، يبدو هذا التحدي فورياً ومستمراً. تشكل الكنغر الرمادي الشرقي غالبية الحالات الواردة، وهي حيوانات يصعب تمييزها بشكل ملحوظ. فمثلاً، يمكن لـ "جوي" (صغير الكنغر) تم إنقاذهما من نفس الحادث، وكلاهما يعاني ربما من إصابات في الأنسجة الرخوة دون أي علامات مميزة، أن يصبحا غير قابلين للتمييز بصرياً للمراقب البشري لدرجة أنه يتم التعامل معهما ككيان واحد. الطريقة الحالية لتحديد الهوية هي طريقة يدوية، تعتمد على تذكر المتطوعين للوجوه أو ملاحظة الضمادات المؤقتة، وهي عملية ذاتية، وعرضة للخطأ، ويستحيل توسيع نطاقها مع زيادة عدد الحيوانات التي يتم إنقاذها. ولمعالجة ذلك، طور فريق من الباحثين من جامعة التكنولوجيا في سيدني ومركز "بوسم وود" نظاماً جديداً مصمماً لتحديد هوية الكنغر تلقائياً باستخدام وجوهها. لم يقوموا ببساطة ببناء كاميرا تلتقط صورة؛ بل ابتكروا سير عمل متكاملاً يلتقط الفيديو، ويجد وجه الحيوان، ويستخدم التعلم العميق لإنشاء توقيع رقمي فريد لكل كنغر، مما يسمح للنظام بمطابقة صورة جديدة مع قاعدة بيانات للمرضى المعروفين دون الحاجة أبداً للمس الحيوان.

بدأ الباحثون بجمع مجموعة بيانات من العالم الحقيقي مباشرة من مركز الاستعادة. جمعوا صوراً ومقاطع فيديو قصيرة لحوالي 70 كنغراً فرداً، بالعمل جنباً إلى جنب مع المتطوعين لضمان تحديد كل حيوان بشكل صحيح. لم يكن هذا في بيئة مختبرية محكومة؛ فقد كانت الحيوانات متوترة، ومصابة، وغالباً ما تتحرك، مما جعل البيانات غير منظمة وصعبة المعالجة. وبعد تصفية الصور الضبابية واللقطات منخفضة الجودة، انتهى بهم المطاف بمجموعة منتقاة تضم 68 فرداً متميزاً. ولتدريب نظامهم، كان عليهم تعليم الكمبيوتر تجاهل التفاصيل غير ذات الصلة مثل لون الضمادة أو خلفية الحظيرة، والتركيز فقط على الملامح الدائمة والدقيقة لوجه الكنغر. قاموا بمعالجة آلاف الصور، وتقسيم مقاطع الفيديو إلى إطارات فردية لالتقاط الحيوان من زوايا وظروف إضاءة مختلفة قليلاً، لضمان أن النظام يتعلم الهوية الحقيقية للحيوان بدلاً من مجرد لقطة واحدة ثابتة.

لاختبار أفكارهم، بنى الفريق وقارن بين ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي. صُمم النموذج الأول للنظر في تسلسل من إطارات الفيديو، تماماً مثل إنسان يشاهد كنغراً يحرك رأسه، لجمع معلومات أكثر مما يمكن أن توفره صورة ثابتة واحدة. أما النموذجان الآخران فقد نظرا في صورة واحدة فقط في كل مرة، باستخدام استراتيجيات رياضية مختلفة لتحديد مدى تشابه وجهين. صُمم أحد هذين النموذجين ذوي الصورة الواحدة ليكون أبسط وأسرع، بينما بُني الآخر ليكون أكثر صرامة في الفصل بين الهويات المختلفة. درب الباحثون جميع النماذج الثلاثة على مجموعة البيانات الخاصة بهم، ثم اختبروها على مجموعة منفصلة من الصور التي لم يرها الكمبيوتر من قبل. كان الهدف هو معرفة ما إذا كان بإمكان النظام النظر إلى صورة جديدة لكنغر والقول بشكل صحيح: "هذا هو نفس الحيوان الذي رأيناه بالأمس"، أو "هذا مريض جديد".

أظهرت النتائج أن النهج القائم على الفيديو كان الأكثر فعالية. حقق النموذج الذي حلل تسلسلات الإطارات معدل نجاح قدره 95.1% في تحديد الكنغر كأفضل مطابقة في مجموعة الاختبار، وحقق بشكل ملحوظ معدل استرجاع من الدرجة الأولى (Rank-1 retrieval rate) بنسبة 100%، مما يعني أنه حدد المطابقة الأولى بشكل صحيح لكل استعلام في هذا التقييم المحدد ذي المجموعة المغلقة. ومع ذلك، أكد الباحثون أن هذه الدرجة الكاملة يجب اعتبارها حداً أقصى لهذا الإعداد التجريبي المحدد وليس دليلاً على أن المهمة قد حُلت بالكامل، حيث تفرض ظروف العالم الحقيقي مع المرضى الجدد والاستعلامات مفتوحة المجموعة تحديات أكبر. كما أدت النماذج الأبسط التي اعتمدت على الصور الفردية أداءً جيداً، حيث حددت الحيوان الصحيح بنسبة 8-82% من الوقت، وهو تحسن كبير عن الطرق اليدوية الحالية، لكنه ظل أقل من دقة نموذج الفيديو. ووجد الباحثون أن قدرة نموذج الفيديو على رؤية الحيوان عبر لحظات قليلة سمحت له بالتقاط تفاصيل دقيقة، مثل شكل الأذن أو ملمس الفراء، والتي قد تُفقد في إطار ثابت واحد. واكتشفوا أيضاً أن صرامة القواعد الرياضية المستخدمة لمقارنة الوجوه كانت مهمة؛ فبالنسبة لبعض الكناغر المتشابهة جداً، كان النهج الأكثر مرونة يعمل بشكل أفضل، بينما كان النهج الأكثر صرامة مطلوباً لآخرين للتمييز بينهم.

على الرغم من الدقة العالية، كان الباحثون حذرين في الإشارة إلى قيود عملهم. فقد تم اختبار النظام على مجموعة صغيرة نسبياً تضم 68 كنغراً، وفي مستشفى حقيقي، ينمو عدد المرضى باستمرار. كما سلطت الدراسة الضوء على فخ محتمل: يمكن للكمبيوتر أحياناً أن يتعلم أشياء خاطئة. ففي إحدى الحالات، أصبح النظام بارعاً بشكل استثنائي في تحديد "جوي" معين ليس بسبب وجهه، بل لوجود بقايا حليب على خطمه من عملية تغذية حديثة. لقد تمسك الجهاز بهذه الميزة المؤقتة كمعرف دائم، وهو خطأ كان سيختفي بمجرد تنظيف الحيوان. وهذا بمثابة تذكير بأنه بينما التكنولوجيا قوية، يجب استخدامها مع إشراف بشري لضمان أنها تتعرف على الحيوان نفسه وليس على أثر عابر. كما لاحظ الباحثون أنه في البرية، غالباً ما تظهر الكناغر في مجموعات، والنظام الحالي مصمم لتحديد حيوان واحد في كل مرة، مما يمثل تحدياً جديداً للتطوير المستقبلي.

الهدف النهائي من هذا البحث ليس مجرد بناء خوارزمية ذكية، بل إنشاء أداة عملية تتناسب مع الإيقام اليومي لمستشفى الحياة البرية. تم تصميم النظام المقترح ليكون غير جراحي، حيث لا يتطلب سوى صورة أو مقطع فيديو قصير يلتقطه متطوع باستخدام جهاز محمول. سيقوم البرنامج بعد ذلك بالتحقق فوراً من صورة الحيوان مقابل قاعدة بيانات المستشفى لتأكيد هويته أو الإشارة إليه كمريض جديد. سيؤدي ذلك إلى إلغاء الحاجة لاعتماد المتطوعين على ذاكرتهم أو مراجعة عدة أشخاص، مما يقلل من خطر الأخطاء في السجلات الطبية وخطط العلاج. وبينما تثبت الدراسة الحالية أن مثل هذا النظام ممكن تقنياً ودقيق للغاية في اختبار محكوم، فإن الباحثين يتصورون مستقبلاً يتم فيه دمج هذه التكنولوجيا في سير العمل بالمستشفى، لدعم الموظفين أثناء رعايتهم لمئات الحيوانات كل عام. ومن خلال منح كل كنغر مصاب هوية رقمية مستمرة، يعد النظام بجعل إعادة تأهيل الحياة البرية أكثر كفاءة وأماناً واستدامة، مما يضمن عدم ضياع أي حيوان في زحام مركز استعادة مزدحم.