💻 computer science

Generalising Hybrid OUR-Net -U-Net for Accurate Identification and Multi-Domain Structural Crack Segmentation Using Refinement Techniques

تقترح هذه الورقة إطار عمل تحت إشراف ضعيف يستفيد من التسميات التوضيحية على مستوى الصورة لتوليد أقنعة وهمية منقحة عبر تقنيتي CAM وGrad-CAM، والتي تُستخدم بعد ذلك لتدريب نموذج هجين (OUR-Net–U-Net) لتجزئة الشقوق الهيكلية بدقة عبر نطاقات متعددة، مع تقليل تكاليف التوسيم بشكل كبير وتحقيق أداء متفوق مقارنة بالطرق الحالية.

المؤلفون الأصليون: K. S. Ravichandran

نُشر 2026-08-20

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: K. S. Ravichandran

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

تعتمد كل جسر ومبنى وطريق على سلامة غلافه الخرساني. وعندما يتشقق هذا الغلاف، فإنه غالباً ما يكون العلامة المرئية الأولى على أن الهيكل يتقادم، أو يعاني من وزن زائد، أو يستسلم للعوامل الجوية. وإذا مرت هذه الشقوق دون ملاحظة، فقد تتوسع، مما يسمح للمياه والحطام بالتغلغل في العمق، مما يؤدي في النهاية إلى زعزعة سلامة الهيكل بأكمله. لعقود من الزمن، كانت الطريقة الوحيدة للعثور على هذه الشقوق هي من خلال عيون المفتشين البشر، الذين كانوا يسيرون على طول الجسر أو يتسلقون جانب البرج، ويحدقون في الأسطح لرصد الكسور الشعرية. هذه الطريقة بطيئة، ومكلفة، وعرضة للخطأ البشري، حيث يمكن للإرهاق والأحكام الذاتية أن يتسببا في تفويت أكثر المفتشين خبرة لخلل حرج.

في السنوات الأخيرة، توجه المهندسون إلى الحواسيب للمساعدة في هذه المهمة، باستخدام الذكاء الاصطناعي لمسح صور الخرسانة وتحديد الأضرار. ومع ذلك، فإن تعليم الكمبيوتر كيفية رؤية الشق أمر صعب بشكل مفاجئ. لكي يتعلم، تحتاج هذه البرامج الحاسوبية عادةً إلى آلاف الأمثلة حيث يتم تتبع كل بكسل من بكسلات الشق يدوياً بواسطة إنسان. هذه العملية مجهدة للغاية لدرجة أنها تخلق عنق زجاجة؛ إذ غالباً لا يستطيع الباحثون جمع ما يكفي من البيانات المصنفة لتدريب أنظمتهم بفعالية. التحدي، إذن، كان بناء نظام يمكنه العثور على الشقوق بدقة عالية دون الحاجة إلى جيوش من الناس لرسمها بكسلاً تلو الآخر.

لقد طور باحث نهجاً جديداً يسد هذه الفجوة، حيث يجمع بين نوعين مختلفين من الذكاء الاصطناعي للكشف عن الشقوق الهيكلية بدقة أكبر وجهد يدوي أقل بكثير. يبدأ نهجهم، الذي يسمونه الإطار الهجين، بتعليم الكمبيوتر ببساطة التعرف على ما إذا كانت الصورة تحتوي على شق أم لا، وهي مهمة تتطلب فقط تسمية بسيطة بـ "نعم" أو "لا" بدلاً من رسم تفصيلي. وبمجرد أن يفهم الكمبيوتر كيف يبدو الشق بشكل عام، يستخدم الباحث تقنية تسلط الضوء على المناطق المحددة في الصورة التي أقنعت الكمبيوتر باتخاذ هذا القرار. هذه المناطق المظللة، والتي تعمل كمسودة خشنة للضرر، يتم بعد ذلك تنقيحها وتنظيفها باستخدام قواعد رياضية لتنعيم الأخطاء وربط الخطوط المقطوعة.

تُستخدم هذه المسودة المنقحة لتدريب نموذج حاسوبي ثانٍ أكثر تطوراً مصمم خصيصاً لرسم حدود دقيقة. هذا النموذج الثاني مبني لفهم كل من الشكل العام للشق وتفاصيله الصغيرة والمعقدة، مما يسمح له بالتمييز بين الكسر الحقيقي وبين الظل أو البقعة على الخرسانة. اختبر الباحث هذا النظام على مجموعة من الصور الواقعية لأسطح خرسانية، مقارناً أداءه بالطرق الأخرى الموجودة. ووجد أن نهجه نجح في تحديد الشقوق بدقة إجمالية بلغت 85 بالمائة. والأهم من ذلك، أنه من خلال الاعتماد على المسودات الخشنة الأولية بدلاً من الرسومات البشرية المثالية، قلل النظام من مقدار العمل اليدوي المطلوب للتصنيف بنسبة 39 بالمائة.

أظهرت النتائج أن النظام كان جيداً بشكل خاص في التعامل مع أنواع مختلفة من الأضرار، من الكسور الواسعة والواضحة إلى الشقوق الشعرية الرقيقة جداً التي غالباً ما تغفلها الطرق الأخرى. كما استخدم الباحث التحليل الإحصائي للتأكد من أن ثقة الكمبيوتر في نتائجها كان متسقاً عبر أنواع مختلفة من الشقوق، حيث أظهر النظام أعلى درجات اليقين عندما كان الضرر شديداً وأدنى درجاتها عندما كانت الشقوق بالكاد مرئية. وبينما لا يعد النظام مثالياً ولا يزال يتطلب بعض الضبط للتعامل مع ظروف الإضاءة الأكثر صعوبة، إلا أنه يقدم مساراً عملياً للمضي قدماً في مراقبة صحة بنيتنا التحتية. ومن خلال جعل عملية الكشف أسرع وأقل اعتماداً على العمالة البشرية المكلفة، يمكن لهذا الأسلوب أن يساعد المهندسين على فحص المزيد من الهياكل بشكل أكثر تكراراً، مما يضمن بقاء الجسور والمباني آمنة قبل وقت طويل من تحول شق صغير إلى فشل كبير.

أبحاث مشابهة