← أحدث الأبحاث
💻 computer science

Graph Convolutional Networks for Automated Anthropometric Measurement Estimation from Three-Dimensional Human Body Meshes

تُظهر هذه الدراسة أن الشبكة العصبية التلافيفية الرسومية يمكنها تقدير ستة عشر قياساً بشرياً معيارياً بفعالية مباشرة من نماذج الجسم البشري ثلاثية الأبعاد، محققةً دقة واعدة على البيانات الاصطناعية مع تسليط الضوء على تحديات تكييف النطاق عند تطبيقها على المسوحات الواقعية.

المؤلفون الأصليون: Adepeju Opaleye

نُشر 2026-09-15
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Adepeju Opaleye

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

إن الأشياء اليومية، من الكراسي التي نجلس عليها إلى الملابس التي نرتديها، مصممة مع مراعاة الأجسام البشرية. ولعدة قرون، اعتمد ضمان الملاءمة الجيدة على طقس بسيط ومستهلك للوقت: قيام خياط أو مصمم بقياس الشخص باستخدام شريط قياس. وبينما تنجح هذه الطريقة، إلا أنها بطيئة، وعرضة للخطأ البشري، ومن الصعب تطبيقها على آلاف الأشخاص في وقت واحد. ولحل هذه المشكلة، لجأ المهندسون إلى الماسحات الضوئية ثلاثية الأبعاد التي تلتقط شكل الشخص كـ "سحابة من النقاط" أو سطح هيكلي. ومع ذلك، فإن هذه المسوحات الرقمية ليست سوى بيانات خام؛ فهي لا تعرف تلقائياً أين يقع خط الخصر أو كم يبلغ طول الذراع. إن استخراج تلك الأرقام المحددة من شكل ثلاثي الأبعاد معقد كان يتطلب تقليدياً إيجاد نقاط تشريحية محددة يدوياً أو مطابقة نموذج جسم عام للمسح الضوئي، وكلاهما عملية ثقيلة حاسوبياً وغير دقيقة أحياناً.

لقد استكشف باحث في جامعة واين ستيت مساراً مختلفاً، حيث تعامل مع جسم الإنسان ليس كمجموعة من النقاط أو قالب صلب، بل كشبكة متصلة. في نهجه هذا، يُنظر إلى سطح مسح الجسم ثلاثي الأبعاد كـ "رسم بياني" (graph)، حيث تُعتبر كل نقطة صغيرة على الجلد "عقدة" (node) متصلة بجيرانها عبر "حواف" (edges)، تماماً مثل خريطة المدن المرتبطة بالطرق. وباستخدام نوع من الذكاء الاصطنيعي يُعرف باسم "الشبكة العصبية التلافيفية الرسومية" (graph convolutional network)، علّم الباحث الحاسوب كيف ينظر إلى هيكل الشبكة بأكره دفعة واحدة. وبدلاً من البحث عن المعالم واحداً تلو الآخر، يتعلم النظام كيف يرتبط شكل الجسم بأكمله بالقياسات المحددة، مثل محيط الصدر أو طول الساق. يهدف هذا الأسلوب إلى تجاوز الخطوات الوسيطة البطيئة للمسح التقليدي والانتقال مباشرة من الشكل ثلاثي الأبعاد إلى الأرقام اللازمة للتصنيع.

قام الباحث بتدريب نظامه باستخدام مكتبة ضخمة من أشكال الأجسام الاصطناعية التي تم إنشاؤها بواسطة نموذج حاسوبي. كانت هذه الأجسام الرقمية مثالية، حيث عُرفت كل قياساتها بدقة، مما سمح للشبكة بتعلم العلاقة بين الشكل والحجم دون الضجيج الموجود في المسوحات الواقعية. وبمجرد تدريبها، تم اختبار النظام على مجموعتين مختلفتين من البيانات. أولاً، تم تقييمه على أجسام اصطناعية لم يسبق له رؤيتها لمعرفة مدى جودة تعلمه للأنماط. وفي هذه البيئة المحكومة، أثبتت الشبكة قدرة جيدة، حيث تنبأت بستة عشر قياساً مختلفاً للجسم بمتوسط خطأ يبلغ حوالي 22 ملم. ولحوالي 45 بالمائة من هذه التنبؤات، كان الخطأ ضمن نطاق 20 ملم، وهو هامش مقبول غالباً في العديد من تطبيقات التصميم. وقد كان النظام جيداً بشكل خاص في قياس الأجزاء الصلبة من الجسم، مثل عرض الكتفين أو محيط المعصم، حيث توفر العظام هيكلاً واضحاً وثابتاً.

ومع ذلك، جاء الاختبار الحقيقي عندما طبق الباحث نفس النظام المدرب على بيانات واقعية من مسوحات بشرية فعلية. هنا، انخفض الأداء بشكل ملحوظ، حيث ارتفع متوسط الخطأ إلى ما يقرب من 58 ملم. وتبرز هذه الفجوة بين بيانات التدريب الاصطناعية المثالية والواقع الفوضوي للأجسام البشرية تحدياً شائعاً في الذكاء الاصطناعي: ما يعمل بشكل مثالي في المحاكاة غالباً ما يعاني عند مواجهة عدم القدرة على التنبؤ في العالم الحقيقي. لقد عانى النظام أكثر مع القياسات التي تعتمد على الأنسجة الرخوة، مثل الخصر أو الفخذ. فخلافاً للكتف أو المعصم، اللذين يرتكزان على العظام، يمكن للخصر أن يتغير ويتحول شكله بناءً على كيفية وقوف الشخص أو تنفسه. وقد مال النظام إلى التقليل من تقدير قياسات الأنسجة الرخوة هذه، مما يشير إلى أن طريقته في توزيع المعلومات عبر الجسم بأكمله قد أدت أحياناً إلى "تنعيم" التفاصيل الدقيقة اللازمة للحصول على هذه الأرقام المحددة بدقة.

وعلى الرغم من هذه القيود، تقدم الدراسة إثبات مفهوم مقنع لطريقة جديدة في التفكير حول قياس الجسم. لقد أظهر الباحث أن الكمبيوتر يمكنه تعلم قراءة "الشبكة" (mesh) ثلاثية الأبعاد للجسم مباشرة، دون الحاجة أولاً إلى إيجاد نقاط محددة أو مطابقة قالب عام. هذا النهج المباشر فعال من الناحية الحسابية، حيث يتطلب تمريرة واحدة فقط عبر الشبكة لتوليد النتائج، وهو أمر أسرع بكثير من طرق التحسين التكرارية المستخدمة في التقنيات القديمة. وتشير النتالئج إلى أنه بينما لا تزال هذه التكنولوجيا غير جاهزة للتصنيع عالي الدقة الفوري دون مزيد من التطوير، فإن الاستراتيجية الأساسية سليمة. إن الطريق نحو المستقبل يتضمن سد الفجوة بين التدريب الاصطناعي والتطبيق الواقعي، ربما من خلال تعليم النظام كيفية التعامل مع تباين الأنسجة الرخوة بشكل أفضل، أو من خلال تكييف الشبكة للعمل مباشرة من الصور الفوتوغرافية ثنائية الأبعاد بدلاً من اشتراط مسح ثلاثي الأبعاد مسبق البناء. وفي الوقت الحالي، يمثل هذا العمل خطوة مهمة نحو أتمتة فن القياس القديم، وتحويل الهندسة المعقدة للشكل البشري إلى بيانات يمكن للآلات فهمها واستخدامها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →