اسم الباحث:سعد القنطار

اسم المشرف:د.عبدالكريم السالم

العنوان:كشف الأهداف الصغيرة باستخدام التعليم العميق

العنوان باللغة الإنكليزية:

Small Targets Detection Using Deep Learning

العام:2025

القسم:هندسة الإلكترونيات والاتصالات

الملخص:

تم خلال هذه الدراسة العمل على تحسين قدرة خوارزميات التعليم العميق على كشف الأهداف الصغيرة, حيث تم التركيز على كشف الأهداف الصغيرة في المجالين الطبي والأمني. بدأ البحث بعرض لمشكلة وأهمية البحث, حيث بيّن انخفاض دقة خوارزميات الكشف التقليدية إلى النصف عند التعامل مع الأهداف الصغيرة مقارنة مع دقتها مع الأهداف المتوسطة الحجم.

وتم خلال الفصل الأول من هذه الدراسة مراجعة أهم الأبحاث السابقة التي تناولت كشف الأهداف الصغيرة في أنظمة التصوير المرئي والحراري والطبي كلّ على حدة, عملت معظم الأبحاث السابقة في أنظمة التصوير المرئي على تعديل بنية شبكات الكشف التقليدية مثل شبكات YOLO وSSD لتصبح أكثر ملائمة لكشف الأهداف الصغيرة, و عملت بعض الأبحاث على تحسين جودة بيانات التدريب المستخدمة بشكل يحسن من قدرة الخوارزمية على كشف الأهداف الصغيرة. يمكن تقسيم الأبحاث المقترحة إلى تحسينات على مستوى بنية الشبكة المستخدمة للكشف وتحسينات على مستوى بيانات التدريب, بالإضافة إلى تعديل بنى الشبكات وتحسين جودة بيانات التدريب. وعملت بعض الأبحاث المتعلقة بالأهداف الصغيرة على الاستفادة من بعض الخوارزميات التقليدية لتحسين أداء خوارزميات التعليم العميق. واختلف التوجه العام للأبحاث الطبية ليسلك مسار التجزئة الدلالية للصور, فلم يتم التركيز على الكشف وحسب, وإنما على التحديد الدقيق للمناطق المصابة لما لذلك من تأثير على خطط العلاج واحتمالات نجاة المرضى. و تم التطرّق خلال الفصل الأول إلى أهم خوارزميات تصنيف السلاسل الزمنية. تعتمد معظم هذه الخوارزميات على معادلات رياضية لتصنيف البيانات أحادية المتحول, والتي طغت على معظم دراسات السلاسل الزمنية, ظهرت مشكلة تصنيف السلاسل الزمنية متحددة المتحولات في الآونة الأخيرة مع ظهور قواعد بيانات جديدة, وذلك زاد بشكل كبير من تعقيد خوارزميات التصنيف الرياضية, وبدأ العمل على استخدام الشبكات العصبونية في هذا المجال. بينت الفقرة أهم خوارزميات تصنيف السلاسل الزمنية المستخدمة.

تم التركيز في الفصل الثاني من هذه الدراسة على كشف الأهداف الصغيرة في الصور الطبية. بدأنا الفصل بعرض مجموعة من أهم خوارزميات التجزئة الدلالية وتوضيح اهم خصائص مجموعة البيانات المستخدمة للمقارنة Brats. ثم تم اقتراح خوارزمية كشف هجينة متعددة المراحل تستخدم بنية UNet مع شبكة بنية خلفية لشبكة ResNet وتستفيد من خوارزمية K-Means لتحسين دقة حدود منطقة الاهتمام ROI (المنطقة المصابة). تظهر نتائج المقارنة في الفصل تفوق الخوارزمية المقترحة على نتائج الخوارزميات المستخدمة الأخرى والأبحاث المشابهة. تابع القسم الثاني من الفصل دراسة استخدام خوارزميات الكشف والتصنيف في معالجة الصور الطبية, حيث تم استخدام هذه الخوارزميات في معالجة صور بانوراما الأسنان لاكتشاف الإصابات والمعالجات السابقة بدقة, وتم اقتراح نظام معالجة يسمح بزيادة قدرة هذه الخوارزميات على كشف وتصنيف مناطق الاهتمام.

ركزنا في الفصلان الثالث والرابع على عملية كشف وتصنيف الأهداف الطائرة الصغيرة. ويعد تعرف الأهداف الطائرة الصغيرة من أصعب التحديات في أنظمة الرؤية الحاسوبية. عند التعامل مع الأهداف البعيدة, تنخفض جودة الصورة, وذلك يحد من مقدار البيانات المفيدة لخوارزميات التعرف. والذي يجعل من عملية تعرف الهدف مهمة صعبة لأنظمة معالجة الصورة. حددت الأدبيات صنفان رئيسيان لخوارزميات تعرف الأهداف, وهي خوارزميات الكشف قبل الملاحقة Detection Before Tracking (DBT) وخوارزميات الملاحقة قبل الكشف Tracking Before Detection (TBD). تعمل خوارزميات DBT على تعرف الأهداف اعتماداً على خصائصها البصرية باستخدام سمات معينة يتم استخراجها بالاستفادة من خوارزميات تقليدية أو خوارزميات تعليم الآلة. يعتمد نجاح خوارزميات DBT بشكل أساسي على مستوى عالٍ لإشارة الهدف مقارنة بالضجيج Signal-to-Noise Ratio في الصورة أو وضوح معالم الهدف في الصورة. عادة تظهر الأهداف الصغيرة بشكل نقاط في الصور دون ملامح واضحة أو مساحة تسمح باستخراج ملامح مميزة وذلك يصعب من عملية تمييزها باستخدام خوارزميات DBT.

وتم خلال الفصل الثالث اقتراح خوارزمية كشف خاصة تستفيد من خصائص الهدف الحركية لتمييزه عن الخلفية, ثم تم بناء عدة شبكات عصبونية ومقارنة أدائها لتمييز الأهداف الحقيقية عن الأهداف الكاذبة مع شرط العمل ضمن الزمن الحقيقي. واستخدمت خوارزميات التدفق البصري لتحديد الأجزاء الأكثر أهمية في الصور وخوارزمية التجميع K-Mean للاستفادة من التمايز اللوني للهدف عن الخلفية. و تم اقتراح خوارزمية ملاحقة تستفيد من خصائص خوارزمية الكشف لتحسين ملاحقة الأهداف بشكل يناسب خوارزمية التعرف التي تم اقتراحها في الفصل الرابع

و تم خلال الفصل الرابع اقتراح خوارزمية تعرف على الأهداف اعتماداَ على خصائصها الحركية في عدة أطر متتالية. الفكرة الأساسية للطريقة مستوحاة من طريقة تعرف الانسان على الأهداف الطائرة, بالرغم من عدم قدرة الانسان على تمييز العصفور عن الطائرة في الصور البعيدة لعدم قدرته على تمييز ملامح هذه الأهداف, إلا أنه قادر وبسهولة على تمييز هذه الأهداف اعتماداً على خصائصها الحركية في مقطع فيديو بدون ملامح تذكر (أهداف نقطية). تنطلق فكرة خوارزمية التعرف المقترحة في هذا البحث على هذه الملاحظة. تم جمع بيانات التدريب والاختبار من مجموعة مقاطع فيديو لأهداف نقطية حقيقية. تمت مقارنة الخوارزمية المقترحة مع بنى شبكات تصنيف سلاسل زمنية متعددة المتحولات واثبات فعاليتها في هذا النوع من التطبيقات.

اختتمت الدراسة في الفصل الخامس بتسليط الضوء على نقاط قوة وضعف الخوارزميات المقترحة في هذا البحث مع الإشارة إلى الآفاق المستقبلية الممكنة والتحديات التي قد تواجهنا.

 

الكلمات المفتاحية:

المقطر الشمسي الصندوقي  – تحلية المياه –تخزين الطاقة الحرارية –المواد المتغيرة الطور-طاقات متجددة.

تحميل البحث