← أحدث الأبحاث
💻 computer science

DA-MSRNet: A Dual-Branch CNN-Mamba Network with Deformable Alignment and Multi-Scale Feature Reconstruction for Crack Segmentation

تعد DA-MSRNet شبكة (CNN-Mamba) ثنائية المسار تعالج تحديات تقسيم الشقوق من خلال دمج وحدة محاذاة تشكيلية ودمج مسارات توجيهية، ووحدة إعادة بناء الميزات متعددة المقاييس، والإشراف التعاوني للحدود والطوبولوجيا لتحقيق دقة فائقة واستمرارية هيكلية على مجموعات البيانات المرجعية.

المؤلفون الأصليون: Bingmeng Zhu, Dongmei Zhou, Qiucheng Yu, Yuxiang Lu, Leizhenyu Tang, Luyao Yang

نُشر 2026-10-01
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Bingmeng Zhu, Dongmei Zhou, Qiucheng Yu, Yuxiang Lu, Leizhenyu Tang, Luyao Yang

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 الشقوق في الطرق والجسور والمباني هي أكثر من مجرد عيوب تجميلية؛ فهي علامات مرئية للإجهاد الهيكلي الذي، إذا تُرك دون معالجة، يمكن أن يؤدي إلى فشل كارثي. لعقود من الزمن، اعتمد المهندسون على عمليات التفتيش البصري للعثور على هذه الكسور، وهي عملية بطيئة وذاتية، وغالبًا ما تغفل عن أصغر الشقوق وأكثرها خطورة والمختبئة في الظلال أو الأنسجة المعقدة. وفي السنوات الأخيرة، بدأت الحواسيب في تولي هذه المهمة، باستخدام الذكاء الاصطناعي لمسح الصور وتحديد الأضرار بكسل تلو الآخر. ومع ذلك، فإن تعليم الكمبيوتر كيفية رؤية الشق أمر صعب بشكل مفاجئ. فالشقوق نادرًا ما تكون خطوطًا مستقيمة ومنتظمة؛ بل غالبًا ما تكون رقيقة ومتعرجة ومتقطعة، وتختفي في الخلفية أو تتفرع بطرق غير متوقعة. وتواجه أدوات الرؤية الحاسوبية القياسية، الممتازة في التعرف على الأجسام الصلبة مثل السيارات أو الأشجار، صعوبة في التعامل مع هذه الأنماط الهشة وغير المتصلة، حيث تخطئ كثيرًا في اعتبار الظل شقًا أو تغفل تمامًا عن وجود صدع شعري دقيق.

ولحل هذه المشكلة، طور فريق من الباحثين في جامعة تشينغدو للتكنولوجيا نظامًا جديدًا يسمى DA-MSRNet، مصممًا خصيصًا لتعقب هذه الكسور المراوغة. يعمل النظام وفق استراتيجية ذات فرعين، مما يعني أنه يستخدم "عينين" مختلفتين للنظر إلى نفس الصورة في آن واحد. تركز إحدى العينين على التفاصيل الدقيقة والمباشرة للسطح، مثل الحواف الحادة للشق ونسيج الخرسانة. بينما تتراجع العين الأخرى للوراء لفهم السياق الأوسع، متتبعة المسار الطويل والمتعرج للشق عبر الصورة لترى كيف تتصل الأجزاء المختلفة ببعضها البعض. وكان التحدي دائمًا يتمثل في أن هذين المنظورين غالبًا ما يختلفان حول الموقع الدقيق للشق. فقد ترى الرؤية التفصيلية حافة حادة، بينما ترى الرؤية الواسعة اتجاهًا عامًا، مما يتسبب في وضع الكمبيوتر للشق في المكان الخاطئ أو تقسيم الخط المستمر إلى أجزاء منفصلة.

وقد عالج الباحثون هذا عدم التطابق عبر تقديم آلية محاذاة ذكية تعمل كمترجم بين المنظورين. فقبل أن يدمج الكمبيوتر المعلومات من عينه التفصيلية وعينه الواسعة، يقوم بحساب إزاحة ديناميكية صغيرة لدفع الرؤية الواسعة لتتطابق تمامًا مع الرؤية التفصيلية. وهذا يضمن أنه عندما يقرر النظام وجود شق، فإنه يحدد الموقع الدقيق نفسه في كلا المنظورين. وبمجرد محاذاة الرؤى، ينتقل النظام إلى مرحلة إعادة البناء. وهنا، يعمل على إعادة بناء صورة الشق، لضمان استعادة حتى الأجزاء الأكثر دقة أو خفوتًا أو انقطاعًا بوضوح. كما يولى اهتمامًا خاصًا بحواف الشق، حيث يعمل على شحذها حتى لا تندمج في الخلفية، ويتحقق من الشكل العام للتأكد من أن الشق يشكل مسارًا مستمرًا ومنطقيًا بدلاً من كونه مجرد مجموعة مبعثرة من النقاط.

ولتطريب هذا النظام، لم يعتمد الباحثون فقط على طرق الاختبار القياسية، بل أنشأوا مجموعة شاملة من القواعد التي توجه عملية تعلم الكمبيوتر، مع التركيز ليس فقط على ما إذا كان الكمبيوتر قد وجد العدد الصحيح من بكسلات الشق، بل أيضًا على ما إذا كانت الحدود حادة وهل ظل الهيكل متصلًا. هذا النهج يجبر النظام على إعطاء الأولوية لسلامة شكل الشق، مما يمنعه من إنشاء اتصالات وهمية أو تفويت الفروع الصغيرة. وقد اختبر الفريق نظامهم الجديد على ثلاث مجموعات عامة من صور الشقوق، تتراوح من الشقوق الخطية البسيطة إلى الشبكات المعقدة الشبيهة بخيوط العنكبوت. وفي كل اختبار، تفوق النظام الجديد على سبع طرق رائدة أخرى؛ حيث نجح في تحديد نسبة أعلى من الشقوق الفعلية، بما في ذلك الشقوق الباهتة والمتقطعة التي أغفلتها الأنظمة الأخرى، مع الحفاظ على مستوى عالٍ من الدقة في تحديد حدود الشق.

كانت النتائج متسقة عبر جميع مجموعات البيانات التي فحصها الباحثون. ففي مجموعة من الصور التي تتميز بشقوق شبكية معقدة، حقق النظام درجة 88.11 بالمائة في قياس مدى مطابقة تنبؤاته للحقيقة الأرضية. وفي مجموعة أخرى تحتوي على شقوق متطاولة ومتفرعة، سجل 85.97 بالمائة، وفي مجموعة ثالثة مع تداخلات خلفية صعبة، وصل إلى 82.26 بالمائ percent. وتشير هذه الأرقام إلى أن النظام أفضل بكثير في إيجاد المدى الكامل للشق مقارنة بالأدوات السابقة، مما يقلل من عدد حالات الكشف المفقودة أو الانكسارات الهيكلية في الصورة النهائية. وبينما يعد النظام حاليًا أكثر تعقيدًا ويتطلب قدرة حوسبة أكبر من النماذج الأبسط، يشير الباحثون إلى أن قدرته على إعادة بناء الطبوغرافيا الدقيقة للشقوق تجعل منه أداة قوية لمراقبة البنية التحتية. ويظهر هذا العمل أنه من خلال المحاذاة الدقيقة لأنواع مختلفة من المعلومات المرئية والإشراف الصارم على إعادة بناء التفاصيل الدقيقة، يمكن تعليم الحواسيب كيفية رؤية الخطوط الضعيفة والمتقطعة التي تنذر بصحة بيئتنا العمرانية.

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 →