💻 computer science

ODConv-GFPN-LSPCD: A Multi-Module Enhanced YOLOv11n for Marine Organism Detection

تقترح هذه الورقة ODConv-GFPN-LSPCD، وهي بنية YOLOv11n معززة متعددة الوحدات تدمج الالتفاف الديناميكي شامل الأبعاد، وشبكة هرم الميزات بأسلوب الزرافة، ورأس كشف تلافيفي مشترك خفيف الوزن، لتحقيق دقة فائقة وكفاءة في الوقت الفعلي للكشف عن الكائنات البحرية في البيئات المائية الصعبة.

المؤلفون الأصليون: Shuzhi Zheng, Shuqiang Gao, Ruhui Zuo, Ruijie Xie, Yilin Hu, Yeqi Guo

نُشر 2026-08-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shuzhi Zheng, Shuqiang Gao, Ruhui Zuo, Ruijie Xie, Yilin Hu, Yeqi Guo

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

المحيط عالم شاسع ومتحول، حيث يتصرف الضوء فيه بشكل مختلف عما هو عليه على اليابسة. يتشتت ضوء الشمس ويتلاشى مع تغلغله في الماء، مما يخلق مشاهد غالبًا ما تكون معتمة، وضبابية، ومليئة بالعوائق. بالنسبة للعلماء وحماة البيئة، يعد فهم ما يعيش تحت السطح أمرًا بالغ الأهمية لحماية الأنظمة البيئية وإدارة المصايد، لكن مراقبة هذه البيئات صعبة للغاية. لا يستطيع البشر البقاء تحت الماء لفترات طويلة، كما أن الطرق التقليدية مثل سحب الشباك يمكن أن تضر بالموائل التي يحاولون دراستها. وقد أدى هذا إلى الاعتماد على الكاميرات والروبوتات، ومع ذلك فإن تعليم الحواسيب "الرؤية" تحت الماء يمثل تحديًا فريدًا. فأنظمة الرؤية القياسية، المدربة على صور واضحة للسيارات أو الأشخاص على اليابسة، غالبًا ما تفشل عند مواجهة التشوه، والضوء المنخفض، والمخلوقات الصغيرة المتحركة في البحر. فهي تفقد الكائنات الصغيرة، وتفقد تتبع المخلوقات التي تنثني وتلتوي، وتواجه صعوبة عندما تكون الرؤية سيئة.

ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديدًا نوع من أنظمة الرؤية الحاسوبية يُعرف باسم "الكاشف" (detector). تقوم هذه الأنظمة بمسح الصورة ورسم مربعات حول الأشياء، وتحديد ماهيتها وموقعها. وبينما تعد الكواشف الحديثة قوية، إلا أن تلك المصممة للسرعة والكفاءة تفتقر غالبًا إلى الدقة المطلوبة للعالم المعقد تحت الماء. تعالج دراسة حديثة من جامعة تشنغتشو وجامعة سيشوان الزراعية هذه الفجوة من خلال تحسين نظام كشف خفيف الوزن وسريع مصمم خصيصًا للحياة البحرية. لم يبتكر الفريق نظامًا جديدًا من الصفر؛ بل أخذوا نموذجًا موجودًا وفعالاً وقاموا بتحسين ثلاثة أجزاء محددة من منطقه الداخلي جراحيًا. كان هدفهم هو إنشاء أداة تكون سريعة بما يكفي للعمل على الروبوتات الصغيرة التي تعمل بالبطارية، ودقيقة بما يكفي لرصد نجم بحر صغير أو سمكة مموهة في بيئة مزدحمة.

بدأ الباحثون بنموذج أساسي يسمى YOLOv11n، وهو معروف بالفعل بكونه سريعًا ومدمجًا. ومع ذلك، فقد حددوا ثلاث نقاط ضعف محددة جعلت هذا النموذج يعاني تحت الماء. أولًا، استخدمت الطبقات الأولية للنموذج، والتي تقلل حجم الصورة لمعالجتها، طريقة جامدة وثابتة لا يمكنها التكيف مع الأشكال الغريبة للحيوانات البحرية. ثانيًا، الجزء من النظام الذي يجمع المعلومات من مسافات مختلفة — والذي يساعد الحاسوب على رؤية التفاصيل الصغيرة والأشكال الكبيرة معًا — كان ثابتًا للغاية، مما تسبب في فقدان تتبع المخلوقات الصغيرة أو المختبئة. ثالثًا، الطبقة النهائية التي تقدم التخمين الفعلي لماهية الكائن كانت تحمل وزنًا غير ضروري، مما يجعل النظام عرضة للأخطاء عند التدريب على بيانات محدودة.

ولإصلاح هذه المشكلات، قدم الفريق ثلاث ترقيات متكاملة. استبدل التغيير الأول الطبقات الأولية الجامدة بنظام ديناميكي يمكنه ضبط تركيزه. تخيل عدسة كاميرا يمكنها إعادة تشكيل زجاجها فورًا ليتناسب مع منحنى جسم سمكة بدلاً من إجبار السمكة على التوافق مع شكل قياسي. سمح هذا للنظام بالتقاط تفاصيل الحيوانات التي تلتوي أو تنثني أو تمتلك أجسامًا مرنة بشكل أفضل. أما الترقية الثانية، فقد أعادت تنظيم كيفية مشاركة المعلومات بين الطبقات المختلفة للمعالجة. فبدلاً من كونها شارعًا باتجاه واحد حيث تتدفق المعلومات في اتجاه واحد، أنشأوا شبكة يمكن للتفاصيل فيها أن تتداول وتعزز بعضها البعض. ضمن ذلك عدم ضياع الميزات الدقيقة لجمبري صغير أو قنديل بحر بعيد أثناء معالجة الصورة. وكان التغيير الثالث والأكثر تأثيرًا هو تبسيط الطبقة النهائية. فمن خلال إزالة الأجزاء الزائدة ومشاركة الموارد بين مهام الكشف المختلفة، قلل الباحثون بشكل كبير من مقدار الذاكرة التي يتطلبها النظام دون التضحية بقدرته على الدقة.

عندما اختبر الفريق هذه التحسينات على مجموعة بيانات تضم ما يقرب من عشرة آلاف صورة تحت الماء تحتوي على أحد عشر نوعًا مختلفًا من الحياة البحرية، كانت النتائج واضحة. تفوق النظام المعدل، الذي أطلقوا عليه اسم ODConv-GFPN-LSPCD، على النموذج الأصلي والعديد من الكواشف الرائدة الأخرى. وفي مقارنة مباشرة، حقق النظام الجديد معدل دقة أعلى في تحديد وتحديد مواقع الأشياء، حيث وصل إلى درجة 47.20 بالمائة في اختبارهم المحدد، بينما استخدم موارد حوسبة أقل من النموذج الأساسي. لقد نجح في تحديد المخلوقات الصغيرة والمختبئة جزئيًا التي فاتتها النماذج الأخرى، مثل أسماك المهرج المختبئة في المرجان أو الرخويات في قاع البحر. كما حافظ النظام على سرعة عالية، مما يسمح بمعالجة الصور بسرعة كافية لتكون مفيدة للتطبيقات في الوقت الفعلي على الروبوتات تحت الماء.

تسلط الدراسة الضوء على أن أكبر المكاسب جاءت من الطبقة النهائية المبسطة، مما أثبت أن جعل النظام أصغر وأقل ازدحامًا يمكن أن يجعله في الواقع أكثر ذكاءً عن طريق تقليل الارتباك. وبينما ساعدت التعديلات الديناميكية للشكل وتحسين مشاركة المعلومات، كان تقليل التعقيد غير الضروري هو المحرك الرئيسي لتحسين الأداء. وأشار الباحثون إلى أن النظام لا يزال يواجه تحديات في المياه شديدة الظلمة أو عندما تكون بعض الأنواع النادرة غير ممثلة بشكل كافٍ في بيانات التدريب، لكن التوازن العام بين السرعة والدقة يمثل خطوة كبيرة للأمام. ومن خلال إنشاء أداة خفيفة الوزن ودقيقة في آن واحد، يقدم هذا العمل مسارًا عمليًا لنشر المركبات ذاتية القيادة تحت الماء التي يمكنها مراقبة التنوع البيولوجي البحري باستمرار، مما يساعد في حماية الحياة الخفية للمحيطات دون الحاجة إلى تدخل بشري مستمر.

أبحاث مشابهة