ثورة في كشف العيوب السطحية: كيفية تحسين دقة النماذج باستخدام قياسات مورفولوجية مبتكرة

في عالم الذكاء الاصطناعي، يمثل القياس المعروف باسم التقاطع مع الاتحاد (Intersection-over-Union - IoU) أداة حاسمة لتقييم البنية المكانية بين الاقتراحات المقدمة والتعليقات الحقيقية. إلا أن هذا المقياس يعاني من قيود قد تؤثر سلبًا على جودة عينات التدريب لنماذج الكشف البصري. من خلال دراسة نظرية وتحليل معمق، تم الكشف عن منطقة غير حساسة على منحنى استجابة IoU، حيث يمكن أن تؤدي العينات إلى تسجيلات متطابقة على الرغم من تباين تداخلها الهندسي.

لمعالجة هذه المشكلة، نقدم مجموعة من مقاييس التشابه المورفولوجية التي تغطي المنطقة، الشكل، ونسبة الأبعاد. هذه المقياس تعمل على تحسين عملية تعيين العينات الإيجابية، مما يضمن تطابقًا أكثر دقة وموثوقية. كما يتم اشتقاق درجة مطابقة إضافية من خلال التجميع القائم على المتوسط لهذه التشابهات متعددة الأبعاد، تعويضًا عن القيود الداخلية لـ IoU في تمثيل المطابقة الهيكلية.

من الناحية النظرية، فإن دمج التشابه المورفولوجي يعيد تشكيل توزيع استجابة دالة المطابقة، مما يؤدي إلى تدرجات اتجاهية فعالة ومناطق استجابة مشبكية تحصر بدقة المناطق ذات الاستجابة العالية حول كل مثيل حقيقي، وبالتالي تعزز دقة اختيار العينات الإيجابية.

تثبت التجارب المستندة إلى إطار العمل YOLOv9 الكفاءة المستمرة لهذه التقنية الجديدة على مجموعتي بيانات NEUDET وGC10-DET. الجدير بالذكر أن الطريقة المقترحة قابلة للتطبيق بشكل كامل ولا تتطلب أي تحميل إضافي على الأداء، مما يضمن فعالية نشرها في عمليات الفحص الصناعي.

استعد لنقلة نوعية في دقة الكشف عن العيوب واستعد للتفاعل مع هذه التحول! ما هي توقعاتكم للتقديمات المستقبلية في هذا المجال؟ شاركونا آرائكم في التعليقات.