State-of-the-Art Image Recognition for Surface Water Garbage Detection, Classification, and Counting
تقدم هذه الورقة نظاماً خفيف الوزن يعتمد على نموذج YOLOv8n للتعرف على الصور من أجل كشف وتصنيف وعد نفايات المياه السطحية، مما يثبت أنه في حين أن هذا النهج قابل للتطبيق باستخدام بيانات محدودة وموارد معالجة مركزية (CPU) متواضة، إلا أن أداءه الحالي المتواضع (mAP50 قدره 0.244) يسلط الضوء على الحاجة إلى توسيع مجموعات البيانات، وتحسين التصنيفات، وتمديد فترة التدريب لتحقيق الفائدة العملية.
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
تُعد الأنهار والبحيرات والبرك عروق مناظرنا الطبيعية، لكنها بدأت تنسد بشكل متزايد بنوع مختلف من الحطام: النفايات العائمة. تنجرف الزجاجات البلاستيكية والأكياس وغيرها من النفايات على السطح، مما يحاصر الحياة البرية، ويعيق التصريف، ويفسد المنظر. في الوقت الحالي، الطريقة الوحيدة لتتبع هذا التلوث هي قيام الأشخاص بالسير على الضفاف أو ركوب القوارب، مع تضييق أعينهم لرؤية الماء وتدوين ما يشاهدونه. هذه الطريقة بطيئة، وغير متسقة، ومن المستحيل تكرارها بما يكفي لمواكبة نمو المشكلة. يكمن الحل في منح الآلات القدرة على الرؤية. فمن خلال تثبيت كاميرات على الجسور أو القوارب أو الطائرات بدون طيار (الدرونز)، يمكننا التقاط صور للمياه كل يوم. ويتمثل التحدي في تعليم الكمبيوتر كيفية النظر إلى صورة واحدة، وإيجاد كل قطعة من القمامة، وتحديد ماهيتها، وحساب عدد القطع الموجودة. هذا هو عمل "كشف الأشياء" (object detection)، وهو مجال يتعلم فيه الذكاء الاصطناعي التعرف على الأشكال والأنماط تماماً كما تفعل العين البشرية، ولكن بسرعة وقوة تحمل الآلة.
قام باحث في جامعة سانجيفاني في الهند بتجربة ما إذا كان بإمكان برنامج كمبيوتر صغير وفعال التعامل مع هذه المهمة دون الحاجة إلى أجهزة باهظة الثمن وعالية القدرة. كان الهدف هو بناء نظام يمكنه العث على النفايات العائمة في صورة ما، وتسمية نوع النفايات، وحساب العدد الإجمالي، كل ذلك أثناء العمل على معالج حاسوب محمول قياسي. اختار الباحث أداة محددة تُعرف باسم YOLOv8، وهي نظام كشف حديث مصمم ليكون سريعاً وخفيف الوزن. ولتعليم هذا النظام، استخدم مجموعة مكونة من 371 صورة لأسطح مائية تحتوي على قمامة، بالإضافة إلى 105 صور إضافية للتحقق من تقدم النظام. تم وضع علامات (labels) على هذه الصور لسبعة فئات مختلفة، تتراوح من الزجاجات البلاستيكية والعلب إلى نفايات الألياف والحطام الآخر، رغم أن بعض العلامات في مجموعة البيانات الأصلية كانت عبارة عن تسميات مؤقتة غير دقيقة تركتها عملية التوسيم.
تضمنت عملية التدريب تغذية نموذج الكمبيوتر بهذه الصور عبر سلسلة من الخطوات تسمى "العصور" (epochs)، مما سمح للبرمجيات بتعديل قواعدها الداخلية للتعرف بشكل أفضل على القمامة. تمت عملية التدريب بأكملها على وحدة المعالجة المركزية (CPU)، وهي العقل الرئيسي للحاسوب القياسي، بدلاً من بطاقة رسومات متخصصة تُستخدم غالباً في أعمال الذكاء الاصطناعي الثقيلة. وبعد 24 خطوة تدريبية، وصل النظام إلى نقطة حيث يمكنه تحديد القمامة بمستوى معين من الدقة. وفي أفضل لحظة من هذه العملية، حدد النموذج حوالي 62 بالمائة من الصناديق التي رسمها حول الأشياء بشكل صحيح، مما يعني أنه كان محقاً في الغالب عندما يدعي رؤية شيء ما. ومع ذلك، فقد وجد حوالي 28 بالمائة فقط من النفايات الفعلية الموجودة في الصور، متجاهلاً العديد من العناصر التي كانت موجودة بوضوح. كانت الدرجة الإجمالية لمدى مطابقة النموذج للأشياء الحقيقية متواضعة، مما يعكس صعوبة المهمة وكمية البيانات الصغيرة المستخدمة.
على الرغم من هذه القيود، أثبت النظام قدرته على العمل من البداية إلى النهاية. فعندما عُرضت عليه صورة جديدة لبحيرة، قام النموذج بمسح الصورة في أقل من ثانية، ورسم صندوقاً حول كل قطعة من القمامة وجدها وأسند إليها اسماً. إذا رأى الكمبيوتر ثلاثة صناديق تحمل تسمية "زجاجة بلاستيكية"، فإنه يحصي ثلاث زجاجات. أظهرت طريقة العد البسيطة هذه، والتي تعتمد على خطوة الكشف، أن المسار الوظيفي يعمل. كان النموذج حذراً بما يكفي لتجنب الإنذارات الكاذبة في معظم الأوقات، لكنه لم يكن حساساً بما يكفي بعد للإمساك بكل قطعة من النفايات العائمة. ومن المرجح أن قلة صور التدريب ووجود تسميات مربكة أو مؤقتة في مجموعة البيانات قد ساهمت في تفويت عمليات الكشف. فالماء بيئة صعبة للرؤية، حيث يغير الوهج والتموجات والانعكاسات مظهر الأشياء، مما يجعل من الصعب على الكمبيوتر التمييز بين زجاجة عائمة وبقعة ضوء.
خلصت الدراسة إلى أنه بينما لا تعتبر النتائج الحالية مثالية، فإن النهج قابل للتطبيق للمراقبة منخفضة التكلفة. يعمل النظام على أجهزة كمبيوتر عادية، ويتعلم بسرعة، وينجح في ربط خطوات البحث والتسمية وعد القمامة. ويشير الباحث إلى أن النتائج هي مجرد لقطة لمشروع غير مكتمل؛ فقد توقف التدريب قبل الوصول إلى إمكاناته الكاملة، ولم يتم اختبار النظام بعد على مجموعة منفصلة من الصور التي لم يرها من قبل. وسيتضمن العمل المستقبلي تنظيف التسميات، وإضافة آلاف الصور الملتقطة في ظروف جوية مختلفة، واختبار نماذج أكبر وأكثر قوة. والهدف النهائي هو نشر هذه التكنولوجيا على كاميرات مثبتة على طائرات بدون طيار أو قوارب، وتحويل المهمة اليدوية البطيئة لمراقبة الأنهار إلى تدفق مستمر ومؤتمت من البيانات التي يمكن أن تساعد في حماية مجارينا المائية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.