Multilabel Corrosion Morphology Classification Using Deep Learning with Multimodality Fusion
تقترح هذه الدراسة إطار عمل للتعلم العميق متعدد الوسائط يدمج بين ResNet-18 وCLIP وSwin Transformer مع البيانات الوصفية البيئية لتحقيق تصنيف دقيق لمورفولوجيا التآكل متعددة الملصقات، مما يثبت أن دوال الخسارة الموزونة للفئات والبنيات القائمة على المحولات تعد أمراً حاسماً للتعامل مع الأنماط المعقدة وتحسين الأداء على الملصقات الأقلية.
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
التآكل هو العدو البطيء والصامت للعالم المبني. فهو ينخر في الجسور، وخطوط الأنابيب، والسفن، محولاً المعدن القوي إلى غبار هش. وبينما ينتشر بعض الصدأ بشكل متساوٍ عبر السطح، فإن النوع الأكثر خطورة يحدث في الخفاء؛ وهو التآكل الموضعي، حيث تتشكل حفر صغيرة وتنمو بعمق داخل المعدن، وغالباً ما تظل مخفية عن الأنظى حتى ينهار الهيكل فجأة. هذه الحفر ليست جميعها متشابهة؛ فبعضها له قيعان ملساء، بينما يطور البعض الآخر أنسجة خشنة متقاطعة أو حتى شقوقاً دقيقة يمكن أن تؤدي إلى كسور كارثية. وبالنسبة للمهندسين الذين يحاولون التنبؤ بمدى صمود قطعة من المعدن، فإن معرفة شكل هذه الحفر بدقة أمر حيوي. فإذا استطاعوا التمييز بين الحفرة الملساء غير الضارة والحفرة المتشققة الخطيرة، فيمكنهم منع الكوارث قبل وقوعها.
لعقود من الزمن، نظر الخبراء إلى هذه الحفر تحت مجاهر قوية لتصنيفها يدوياً. لكن هذه مهمة بطيئة ومجهدة، إذ يمكن للعين البشرية أن تغفل عن تفاصيل دقيقة أو تختلف في رؤية ما تراه. لذا، وضع فريق من الباحثين من جامعات في تكساس، وأوهايو، وكولورادو، خطة لتعليم الكمبيوتر القيام بهذا العمل بدلاً منهم. أرادوا بناء نظام يمكنه النظر إلى صور المعدن المتآكل وتحديد أنواع الضرر المختلفة تلقائياً، حتى عندما تظهر أنواع متعددة في الصورة نفسها. كان التحدي يكمكن في أن البيانات كانت غير منظمة؛ فبعض أنماط الضرر كانت نادرة، مما جعل من الصعب على الكمبيوتر تعلمها، كما كانت الصور غالباً ما تحتوي على مزيج مربك من الأنسجة التي تبدو كأكثر من شيء في آن واحد.
جمع الباحثون مئات الصور الملتقطة بواسطة المجهر الإلكتروني الماسح، وهي أداة تنشئ صوراً دقيقة للغاية لأسطح المعادن. وركزوا على عينات من الفولاذ المقاوم للصدأ (ستانلس ستيل) التي تعرضت لمياه مالحة في بيئة محكومة. وفي المختبر، هيأوا ظروفاً محددة لتنمية أنواع مختلفة من التآكل؛ فبعض العينات طورت حفرًا ملساء ومصقولة، بينما شكلت عينات أخرى أنسجة معقدة وخشنة أو شقوقاً دقيقة. والأهم من ذلك، أظهرت العديد من العينات مزيجاً من هذه السمات، مما يعني أن صورة واحدة يمكن أن تنتمي إلى أكثر من فئة. كما جمع الفريق الملاحظات التي كتبها العلماء الذين أداروا التجارب، مثل درجة الحرارة، والرطوبة، ومدة تعرض المعدن. ثم أدخلوا كل هذه المعلومات — الصور والملاحظات المكتوبة معاً — في ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي لمعرفة أي منها سيتعلم بشكل أفضل.
اختبر الفريق ثلاثة نهج متميزة؛ كان الأول نظاماً قياسياً ومعروفاً للتعرف على الصور. والآخر نموذجاً تدرب على ملايين الصور والأوصاف النصية من الإنترنت، مما منحه فهماً واسعاً لكيفية ارتباط الكلمات بالصور. أما الثالث، فكان نموذجاً أحدث وأكثر تعقيداً مصمماً لرصد الأنماط بمقايسات مختلفة. جربوا تغذية الحواسيب بالصور فقط، ثم جربوا إضافة الملاحظات التجريبية ليروا ما إذا كان هذا السياق الإضافي سيساعد. كما جربوا حيلة تدريبية محددة، وهي إخبار الكمبيوتر بضرء الانتباه بشكل إضافي لأنواع الضرر النادرة التي تظهر مرات قليلة فقط في بياناتهم. وبدون هذه الحيلة، كانت الحواسيب تميل إلى تجاهل الشقوق النادرة والخطيرة لأنها كانت مشغولة جداً بتعلم الحفر الشائعة والملساء.
أظهرت النتائج أن المعلومات الإضافية كانت مهمة، ولكن فقط عندما يتم تعليم الكمبيوتر الاهتمام بالحالات النادرة. فعندما تم تدريب النماذج دون اهتمام خاص بالفئات الأقلية، لم يؤدِ إضافة الملاحظات التجريبية إلى تحسين أدائها، بل أدى أحياناً إلى جعلها أسوأ. ومع ذلك، بمجرد أن عدل الباحثون التدريب ليعطي وزناً أكبر للتسميات النادرة، أصبحت النماذج التي استخدمت الصور والملاحظات معاً هي الأكثر دقة. وقد ثبت أن النموذج المدرب على بيانات الإنترنت والنصوص هو الأكثر موثوقية بشكل عام، خاصة في رصد الشقوق الخطيرة؛ إذ استطاع تحديد المزيج الصحيح من أنواع الضرر في كثير من الأحيان أكثر من الأنظمة الأخرى. كما أدى النموذجان الآخران أداءً جيداً في الأنسجة الملساء، لكنهما واجها صعوبة أكبر قليلاً مع الأنماط المعقدة والمتشققة.
كشفت الدراسة أيضاً أن هذه الحواسيب ليست مثالية. ففي بعض الحالات، كانت الصور غامضة لدرجة قد يختلف فيها حتى الخبراء البشر على ما يرونه؛ فقد تحتوي الحفرة على قاع أملس ولكن بها أيضاً شق ضئيل وخافت يصعب تحديده. كانت الحواسيب أحياناً تخمن وجود شق وهو غير موجود، أو تغفل عن نسيج دقيق موجود بالفعل. وهذا يشير إلى أن الصعوبة لا تكمن فقط في قدرة الآلة على التعلم، بل في الطبيعة "الضبابية" للعالم الحقيقي، حيث لا تتبع الطبيعة دائماً فئات مرتبة بدقة. ورغم هذه التحديات، نجح النظام في التمييز بين الأشكال المورفولوجية المختلفة بدرجة عالية من الدقة، مما قدم أداة جديدة للمهندسين.
يؤسس هذا العمل طريقة جديدة لتحليل التآكل تجمع بين البيانات المرئية وسياق كيفية حدوث الضرر. ومن خلال إثبات أن التدريب المعتمد على وزن الفئات (class-weighted training) ضروري للتعامل مع العيوب النادرة، قدم الباحثون مخططاً لكيفية تعليم الآلات التعرف على أكثر أشكال التحلل خطورة. وبينما تم اختبار هذا النظام على نوع محدد من الفولاذ في مختبر محكوم، فإن النهج يقدم مساراً مستقبلياً لأتمتة عمليات فحص البنية التحتية الحيوية. إن هذا النظام لا يحل محل الحاجة إلى الحكم البشري، ولكنه يوفر عيناً ثانية، ثابتة ولا تكل، يمكنها رصد العلامات الدقيقة للفشل قبل أن تتحول إلى أزمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.