DFL-YOLO: A Density-Guided Network with Large Selective Kernels and Frequency Decoupling for Dense Multi-Class Tree Crown Detection

تُعد الغابات مكتبات حية شاسعة تخزن الكربون، وتنظم المناخ، وتوفر مأوى لأنواع لا حصر لها. ولحمايتها، يحتاج العلماء ومديرو الأراضي إلى معرفة ما ينمو بالضبط وأين، ومدى حجم الأشجار، وعددها. لعقود من الزمن، كان هذا يعني إرسال أشخاص إلى الغابات مع أشرطة قياس ولوحات ملاحظات، وهي عملية بطيئة ومكلفة لا يمكنها إلا تغطية مساحات صغيرة جداً من الأرض في كل مرة. واليوم، غالباً ما يأتي الحل من الأعلى؛ حيث تحلق طائرات بدون طيار (درونز) مجهزة بكاميرات فوق المظلة الشجرية، وتلتقط آلاف الصور التي تكشف عن هيكل الغابة بتفاصيل مذهلة. ومع ذلك، فإن تحويل هذه الصور إلى بيانات دقيقة أمر صعب بشكل مفاجئ. فعندما تنظر الطائرة بدون طيار إلى الأسفل، غالباً ما تكون الأشجار متراصة بإحكام، وتتداخل تيجانها مثل قطع الأحجية، كما تتفاوت أحجامها بشكل هائل؛ فبعضها شتلات صغيرة، بينما البعض الآخر عمالقة ضخمة، وكل ذلك مختلط بالظلال والغطاء النباتي الأرضي الذي يربك برامج الكمبيوتر التي تحاول عدّها.

لقد طور فريق من الباحثين في جامعة سيتشوان الزراعية طريقة جديدة لحل هذا اللغز البصري. فقد أنشأوا نظاماً حاسوبياً متخصصاً مصمماً للنظر في صور الطائرات بدون طيار للغابات وتحديد تيجان الأشجار الفردية بدقة أكبر بكثير من الطرق السابقة. يعمل النظام، الذي أطلقوا عليه اسم DFL-YOLO، عن طريق تقسيم المشكلة إلى ثلاث خطوات متميزة، تماماً كما قد يتناول خبير بشري مشهداً معقداً. أولاً، يبني فهماً واسعاً للمحيط، ويتعلم التعرف على كل من الأشجار الصغيرة المنعزلة والمظلات المستمرة الكبيرة. ثانياً، يركز على المناطق المزدحمة حيث تتداخل الأشجار، مستخدماً تقنية لفصل الحواف الحادة للأشجار عن الضجيج الخلفي الضبابي. وأخيراً، يقوم بضبط الموقع الدقيق لكل شجرة، مما يضمن أن يرسم الكمبيوتر مربعاً حول التاج يناسبه تماماً، حتى عندما تكون الشجرة مخفية جزئياً أو محشورة بين جيرانها.

اختبر الباحثون نظامهم الجديد على مجموعة ضخمة من الصور الملتقطة من غابات حقيقية في الولايات المتحدة، حيث جمعوا البيانات من مراصد بيئية وطنية ومصادر أخرى. احتوت مجموعة البيانات على أكثر من 160,000 شجرة مصنفة، تراوحت من الشتلات الصغيرة إلى العينات الكبيرة الناضجة، والتي غالباً ما كانت متراصة لدرجة أن أغصانها تتلامس. وعندما قاموا بتشغيل نظامهم الجديد مقابل أفضل الأدوات الموجودة، كانت النتائج واضحة؛ فقد حدد النظام الجديد الأشجار وحدد مواقعها بشكل أفضل بكثير من المعيار السابق. حقق معدل نجاح قدره 82.2% في إيجاد الأشجار وتحديد حدودها بشكل صحيح، وهي قفزة ملحوما من نسبة 79.6% التي حققها النظام الأساسي. والأهم من ذلك، عندما طلب الباحثون مستوى أكثر صرامة من الدقة -باشتراط أن يطابق الكمبيوتر حدود الشجرة بشكل شبه مثالي- ظل النظام الجديد يتفوق على المنافسين، محققاً تحسناً في الدقة بأكثر من أربع نقاط مئوية.

لفهم سبب عمل هذا النظام الجديد بهذا الشكل الجيد، يجب النظر في كيفية معالجته للصورة. أدرك الباحثون أن أدوات الرؤية الحاسوبية القياسية غالباً ما تواجه صعوبة لأنها تعامل جميع أجزاء الصورة بنفس الطريقة، بغض النظر عن مدى ازدحام المنطقة أو ندرتها. تضمن حلهم ثلاثة ترقيات محددة. تساعد الترقية الأولى الكمبيوتر على رؤية "الصورة الكبيرة" و"التفاصيل الصغيرة" في آن واحد؛ فمن خلال استخدام مرشح متخصص ينظر إلى منطقة واسعة من الصورة دفعة واحدة، يمكن للنظام فهم سياق الشجرة، سواء كانت تقف وحيدة في فسحة أو مدفونة في تجمع كثيف. وهذا يسمح له بالتعرف على شجرة صغيرة قد يتم تجاهلها لولا ذلك بسبب وجودها وسط أشجار أكبر.

أما الترقية الثانية، وهي الأكثر ذكاءً، فتعالج مشكلة الأشجار المتداخلة. ففي الغابة الكثيفة، غالباً ما تندمج ظلال وأوراق شجرة ما مع الشجرة التالية، مما يجعل من الصعب معرفة أين تنتهي إحداهما وتبدأ الأخرى. علم الباحثون نظامهم التنبؤ بـ "خريطة كثافة"، وهي نوع من الخرائط الحرارية التي توضح الأماكن الأكثر ازدحاماً بالأشجار. وباستخدام هذه الخريطة، يتعلم النظام شحذ حواف الأشجار في المناطق المزدحمة مع تنعيم الضجيج الخلفي. إنه يخبر الكمبيوتر فعلياً بأن يولي اهتماماً إضافياً للحدود حيث تتلامس الأشجار، مع تجاهل الأنسجة المربكة لأرضية الغابة أو الظلال التي قد تخدع برنامجاً أبسط. تسمح عملية فصل الحواف الحادة عن الخلفية الناعمة للنظام بالتمييز بين شجرتين تكادان تتلامسان، وهي مهمة تسببت سابقاً في الكثير من الأخطاء.

وتركز الترقية النهائية على دقة المربعات المرسومة حول كل شجرة. فحتى لو وجد الكمبيوتر شجرة ما، فقد يرسم مربعاً كبيراً جداً أو صغيراً جداً، أو مزاحاً نحو اليسار أو اليمين. قدم الباحثون طريقة جديدة لقياس مدى مطابقة مربع الكمبيوتر للشجرة الحقيقية؛ فبدلاً من مجرد التحقق مما إذا كانت المربعات تتداخل، تنظر طريقتهم إلى المسافة بين زوايا المربعات وزوايا الشجرة الفعلية. كما يهتم النظام بمدى صعوبة العثور على كل شجرة محددة، مما يعطي وزناً أكبر للأشجار الصعبة ويقلل الوزن عن الأشجار السهلة. يضمن هذا أن يتعلم النظام من أخطائه في الأمثلة الأكثر صعوبة، مما يؤدي إلى أداء أكثر موثوقية عبر الغابة بأكملها.

لم يتوقف الفريق عند اختبار نظامهم على صور الغابات التي جمعوها، بل لإثبات أن طريقتهم قوية حقاً وليست مجرد ضربة حظ مع مجموعة بيانات محددة، قاموا بإعادة تدريب النظام على مجموعة مختلفة تماماً من الصور الملتقطة في سياق مختلف: وهي مجموعة بيانات VisDrone2019، التي تحتوي على صور لأجسام متنوعة من الجو. وحتى دون ضبط النظام خصيصاً للأشجار، فقد تكيف بسرعة وأدى أداءً أفضل من النماذج الرائدة الأخرى على هذه البيانات الجديدة؛ حيث حقق معدل نجاح قدره 54.5% في تحديد الأجسام وتحديد حدودها بشكل صحيح، متفوقاً مرة أخرى على المنافسين. يشير هذا إلى أن التقنيات التي طوروها ليست مجرد حل مؤقت لمشكلة معينة، بل هي تحسين عام لكيفية فهم أجهزة الكمبيوتر للمشاهد المزدحمة من الأعلى.

يقر الباحثون بأن هناك المزيد من العمل الذي يتعين القيام به. فبينما يعد نظامهم خطوة كبيرة للأمام، إلا أنه ليس مثالياً؛ ففي الأجزاء الأكثر كثافة من الغابة، حيث تكون الأشجار مظللة بشدة أو مخفية تماماً بجيرانها، لا يزال النظام يعاني للعثور على كل شجرة. كما أن القدرة الحسابية المطلوبة لتشغيل هذه المرشحات المتقدمة أعلى من النماذج الأبسط، مما قد يجعل من الصعب تشغيلها على طائرات بدون طيار صغيرة تعمل بالبطاريات في الميدان. ومع ذلك، توفر الدراسة مساراً واضحاً للمضي قدماً؛ فمن خلال إظهار أن تقسيم المشكلة إلى بناء السياق، وتحليل الكثافة، والتحديد الدقيق للمواقع يعمل، فقد قدموا للمجتمع العلمي مخططاً جديداً لمراقبة غاباتنا. ومع تحسن هذه الأدوات، ستسمح للعلماء بتتبع صحة الغابات، وقياس تخزين الكربون، ورصد تفشي الأمراض بسرعة ونطاق كانا مستحيلين في السابق، محولةً المظلة الخضراء الفوضوية إلى بيانات واضحة وقابلة للتنفيذ.