ابتكار ثوري: تصنيف الفجوات القوي والخفيف لفحص الجسور بواسطة الطائرات بدون طيار

في عصر التكنولوجيا المتقدمة، تبرز الطائرات بدون طيار (UAVs) كأداة فعالة ومهمة في مراقبة صحة البنية التحتية للجسور. وقد أصبح استخدام تقنيات التعلم العميق لاكتشاف الفجوات تلقائيًا محط اهتمام كبير في الأبحاث. لكن، تواجه عمليات الفحص التي تعتمد على الطائرات بدون طيار أربع تحديات رئيسية: ضعف ميزات الفجوات، ظروف التصوير المتدهورة، عدم التوازن الشديد في الفئات، والموارد الحسابية المحدودة.

لمعالجة هذه التحديات، اقترحت دراسة جديدة إطار عمل موحد يتضمن شبكة عصبية تلافيفية خفيفة تتكون من أربعة مكونات متكاملة: شبكة أساسية خفيفة، وحدة اهتمام لتطوير القناة والفضاء (Convolutional Block Attention Module - CBAM)، استراتيجية تعزيز قوية مستندة إلى أولويات مشهد الفحص، وFocal Loss لتعلم العينات الصعبة في ظل عدم التوازن.

أظهرت التجارب على مجموعة بيانات SDNET2018 لتحليل أسطح الجسور أن الطريقة المقترحة حققت سرعة استدلال تصل إلى 825 إطارًا في الثانية مع استخدام 11.21 مليون معلمة و1.82 مليار عملية حسابية. مقارنةً بالنموذج الأساسي، أدى الإطار الكامل إلى تحسين درجة F1 بنسبة 2.51% واسترجاع بنسبة 3.95%.

علاوة على ذلك، أظهرت تصورات Grad-CAM أن وحدة الاهتمام المعتمدة حولت تركيز النموذج من المناطق المتناثرة إلى تتبع دقيق على طول مسارات الفجوات. ومن ثم، تحقق هذه الدراسة توازنًا قويًا بين الدقة والسرعة والموثوقية، مما يوفر حلاً عمليًا لنشر فحص الجسور في الوقت الحقيقي بمساعدة محطات أرضية.