الشيك الأخضر
تم نسخ الرابط إلى الحافظة

المدركات والشبكات العصبية: المبادئ الأساسية للرؤية الحاسوبية

افهم كيف تقوم الشبكات العصبية بتحويل التكنولوجيا الحديثة، بدءاً من مراقبة الجودة في سلاسل التوريد إلى عمليات التفتيش الذاتي للمرافق باستخدام الطائرات بدون طيار.

على مدى العقود القليلة الماضية، أصبحت الشبكات العصبية اللبنات الأساسية للعديد من ابتكارات الذكاء الاصطناعي الرئيسية. الشبكات العصبية هي نماذج حسابية تحاول محاكاة الوظائف المعقدة للدماغ البشري. وهي تساعد الآلات على التعلم من البيانات والتعرف على الأنماط لاتخاذ قرارات مستنيرة. وبذلك، فإنها تمكّن مجالات فرعية من الذكاء الاصطناعي مثل الرؤية الحاسوبية والتعلم العميق في قطاعات مثل الرعاية الصحية والتمويل والسيارات ذاتية القيادة

إن فهم كيفية عمل الشبكة العصبية يمكن أن يمنحك فكرة أفضل عن "الصندوق الأسود" الذي هو الذكاء الاصطناعي، مما يساعد على إزالة الغموض عن كيفية دمج التكنولوجيا المتطورة في وظائف حياتنا اليومية . في هذه المقالة، سوف نستكشف ما هي الشبكات العصبية، وكيف تعمل، وكيف تطورت على مر السنين. كما سنلقي نظرة على الدور الذي تلعبه في تطبيقات الرؤية الحاسوبية. لنبدأ!

ما هو الإدراك الحسي في الذكاء الاصطناعي؟

قبل أن نناقش الشبكات العصبية بالتفصيل، دعونا نلقي نظرة على المدركات. إنها النوع الأساسي من الشبكات العصبية وهي الأساس لبناء نماذج أكثر تعقيداً. 

المدرك هو خوارزمية تعلم آلي خطية تُستخدم للتعلم تحت الإشراف (التعلم من بيانات التدريب المصنفة). ويُعرف أيضًا باسم الشبكة العصبية أحادية الطبقة ويستخدم عادةً في مهام التصنيف الثنائي التي تفرق بين فئتين من البيانات. إذا كنت تحاول تصور شبكة عصبونية مدركة، فيمكنك التفكير فيها كخلية عصبية اصطناعية واحدة. 

الشكل 1. المدرك الحسي هو خلية عصبية اصطناعية واحدة.

فهم كيفية عمل المدرك الحسي

يمكن للمدرك أن يأخذ عدة مدخلات ويجمعها مع الأوزان ويقرر الفئة التي تنتمي إليها ويعمل كصانع قرار بسيط. يتكون من أربعة معاملات رئيسية: قيم المدخلات (تسمى أيضًا العقد), weights and biasesومجموع الشبكة، ودالة تنشيط. 

إليك كيفية عمل ذلك:

  • المدخلات والأوزان: لنفترض أن لديك عدة أجزاء من المعلومات (المدخلات)، ولكل منها وزن يوضح مدى أهميتها. بالإضافة إلى ذلك، يساعد الترجيح المدرك على أن يكون أكثر مرونة في اتخاذ القرارات.
  • حساب المجموع الموزون: يقوم المُدْرِك بضرب كل مدخل في وزنه، ثم يجمع كل المدخلات معًا، بما في ذلك التحيز، للوصول إلى مجموع مرجح.
  • اتخاذ القرار: بعد ذلك، يستخدم المدرك دالة تنشيط لتحديد الخرج النهائي. فهي تأخذ المجموع المرجح وتقرر ما إذا كان ينبغي تنشيط المدرك أم لا. في أبسط الحالات، تكون دالة التنشيط عبارة عن دالة متدرجة تعطي خرجًا بقيمة واحد إذا كان المجموع الموزون أعلى من عتبة معينة، وصفرًا إذا لم يكن كذلك. لذلك، يتم تحويل المدخلات المرجحة إلى قرار بنعم أو لا.
  • التعلم والتحسين: إذا ارتكب المدرك خطأً، فإنه يعدل الأوزان لمحاولة التحسين في المرة القادمة. تساعد هذه العملية النموذج على التعلم من أخطائه.
الشكل 2. لمحة عامة عن المستقبلات.

دور أجهزة الإدراك الحسي في الرؤية الحاسوبية

تلعب المدركات دورًا مهمًا في مساعدتنا على فهم أساسيات الرؤية الحاسوبية. فهي أساس الشبكات العصبية المتقدمة. على عكس المدركات الإدراكية، لا تقتصر الشبكات العصبية على طبقة واحدة. فهي تتكون من طبقات متعددة من المدركات المترابطة، مما يتيح لها تعلم الأنماط غير الخطية المعقدة. يمكن للشبكات العصبية التعامل مع مهام أكثر تقدماً وإنتاج مخرجات ثنائية ومستمرة. على سبيل المثال، يمكن استخدام الشبكات العصبية في مهام الرؤية الحاسوبية المتقدمة مثل تجزئة المثيل وتقدير الوضع.

تطور تكنولوجيا الرؤية الحاسوبية من الشبكات العصبية

يعود تاريخ الشبكات العصبية إلى عدة عقود مضت وهو حافل بالأبحاث والاكتشافات المثيرة للاهتمام. دعونا نلقي نظرة فاحصة على بعض هذه الأحداث الرئيسية. 

إليك لمحة سريعة عن المراحل الأولى:

  • 1940s: طور وارن ماكولوخ ووالتر بيتس دائرة بسيطة لمحاكاة كيفية عمل الدماغ. 
  • 1958: قدم روزنبلات جهاز الإدراك الحسي.
  • 1970s: توصل بول ويربوس إلى مفهوم الانتثار الخلفي (طريقة تدريب تساعد الشبكة العصبية على التعلم من خلال تقليل الفرق بين المخرجات المتوقعة والفعلية). وقد أتاح الانتقاء الخلفي إمكانية تدريب الشبكات العصبية متعددة الطبقات ومهد الطريق للتعلم العميق. 
  • 1980s: قام باحثون مثل جيفري هينتون ويان لوكون بدراسة الاتصالية، والتي تدور حول كيفية تشكيل شبكات من الوحدات المترابطة للعمليات الإدراكية. وقد أرسى عملهم الأساس للشبكات العصبية الحديثة.
  • 1990s: اقترح يورغن شميدهوبر وسيب هوكرايتر شبكة الذاكرة طويلة المدى (LSTM) التي أصبحت ضرورية للمهام التي تنطوي على التنبؤ بالتسلسل.
الشكل 3. تطور الشبكات العصبية.

مع انتقالنا إلى القرن الحادي والعشرين، انطلقت الأبحاث على الشبكات العصبية، مما أدى إلى تقدم أكبر. في العقد الأول من القرن الحادي والعشرين، لعب عمل هينتون على آلات بولتزمان المقيدة - وهو نوع من الشبكات العصبية التي تجد أنماطًا في البيانات - دورًا رئيسيًا في تطوير التعلم العميق. فقد جعل تدريب الشبكات العميقة أسهل، مما ساعد على التغلب على التحديات التي تواجه النماذج المعقدة وجعل التعلم العميق أكثر عملية وفعالية.

ثم، في عام 2010، تسارعت الأبحاث بسرعة بسبب ظهور البيانات الضخمة والحوسبة المتوازية. ومن أبرز ما تحقق خلال هذه الفترة فوز شبكة AlexNet في مسابقة ImageNet (2012). كانت شبكة AlexNet، وهي شبكة عصبية تلافيفية عميقة، إنجازًا كبيرًا لأنها أظهرت مدى قوة التعلم العميق في مهام الرؤية الحاسوبية، مثل التعرف على الصور بدقة. وقد ساعد ذلك في إشعال شرارة النمو السريع للذكاء الاصطناعي في مجال التعرف البصري. 

واليوم، تتطور الشبكات العصبية مع ابتكارات جديدة مثل المحولات، وهي رائعة لفهم التسلسل، والشبكات العصبية البيانية التي تعمل بشكل جيد مع العلاقات المعقدة في البيانات. كما أن تقنيات مثل التعلم التحويلي - استخدام نموذج مدرب على مهمة ما لمهمة أخرى -والتعلم الذاتي الخاضع للإشراف، حيث تتعلم النماذج دون الحاجة إلى بيانات موسومة، تعمل أيضًا على توسيع ما يمكن للشبكات العصبية القيام به.

فهم الشبكات العصبية: الأساسيات

والآن بعد أن قمنا بتغطية قواعدنا، دعونا نفهم ما هي الشبكة العصبية بالضبط. الشبكات العصبية هي نوع من نماذج التعلّم الآلي التي تستخدم عقدًا أو خلايا عصبية مترابطة في بنية متعددة الطبقات تشبه الدماغ البشري. تقوم هذه العقد أو الخلايا العصبية بمعالجة البيانات والتعلم منها، مما يجعلها قادرة على أداء مهام مثل التعرف على الأنماط. كما أن الشبكات العصبية قابلة للتكيف، لذا يمكنها التعلم من أخطائها والتحسن بمرور الوقت. وهذا يمنحها القدرة على معالجة المشاكل المعقدة، مثل التعرف على الوجه، بشكل أكثر دقة.

الشكل 4. شبكة عصبية.

تتألف الشبكات العصبية من معالجات متعددة تعمل بالتوازي، وهي منظمة في طبقات. وهي تتكون من طبقة مدخلات وطبقة مخرجات وعدة طبقات مخفية بينهما. تستقبل طبقة الإدخال البيانات الخام، على غرار الطريقة التي تستقبل بها أعصابنا البصرية المعلومات البصرية. ثم تقوم كل طبقة بتمرير مخرجاتها إلى الطبقة التالية، بدلاً من العمل مباشرةً مع المدخلات الأصلية، مثلما ترسل الخلايا العصبية في الدماغ إشارات من واحدة إلى أخرى. تنتج الطبقة الأخيرة مخرجات الشبكة. وباستخدام هذه العملية، يمكن للشبكة العصبية الاصطناعية (ANN) أن تتعلم أداء مهام الرؤية الحاسوبية مثل تصنيف الصور.

تطبيق صناعي للشبكات العصبية في الرؤية الحاسوبية

بعد أن فهمنا ما هي الشبكات العصبية وكيفية عملها، دعونا نلقي نظرة على تطبيق يعرض إمكانات الشبكات العصبية في الرؤية الحاسوبية.

فحص خطوط الطاقة الكهربائية في قطاع الطاقة

تشكل الشبكات العصبية أساس نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 ويمكن استخدامها لفحص خطوط الطاقة بصريًا باستخدام الطائرات بدون طيار. تواجه صناعة المرافق العامة تحديات لوجستية عندما يتعلق الأمر بفحص وصيانة شبكاتها الواسعة من خطوط الكهرباء. وغالباً ما تمتد هذه الخطوط عبر كل شيء بدءاً من المناطق الحضرية المزدحمة إلى المناطق النائية والوعرة. وتقليدياً، كان يتم إجراء عمليات الفحص هذه بواسطة طاقم أرضي. وعلى الرغم من فعالية هذه الطرق اليدوية إلا أنها مكلفة وتستغرق وقتاً طويلاً ويمكن أن تعرض العمال للمخاطر البيئية والكهربائية. تُظهر الأبحاث أن أعمال خطوط المرافق من بين أكثر عشر وظائف خطرة في أمريكا، حيث يبلغ معدل الوفيات السنوي من 30 إلى 50 عاملًا لكل 100,000 عامل.

ومع ذلك، يمكن لتكنولوجيا التفتيش بالطائرات بدون طيار أن تجعل عمليات التفتيش الجوي خياراً أكثر عملية وفعالية من حيث التكلفة. تسمح التكنولوجيا المتطورة للطائرات بدون طيار بالتحليق لمسافات أطول دون الحاجة إلى تغيير البطارية بشكل متكرر أثناء عمليات التفتيش. تأتي العديد من الطائرات بدون طيار الآن مدمجة مع الذكاء الاصطناعي ولديها ميزات تجنب العوائق الآلية وقدرات أفضل لاكتشاف الأعطال. تُمكِّنها هذه الميزات من فحص المناطق المزدحمة التي تحتوي على العديد من خطوط الطاقة والتقاط صور عالية الجودة من مسافات بعيدة. تتبنى العديد من الدول استخدام الطائرات بدون طيار والرؤية الحاسوبية في مهام فحص خطوط الكهرباء. على سبيل المثال، في إستونيا، يتم إجراء 100% من جميع عمليات فحص خطوط الكهرباء بواسطة هذه الطائرات بدون طيار.

الشكل 5. تقني يستخدم طائرات بدون طيار وأدوات الذكاء الاصطناعي لفحص خطوط الكهرباء (الصورة على اليسار) والطائرة بدون طيار التي يقوم بتشغيلها (الصورة على اليمين).

الماخذ الرئيسية 

لقد قطعت الشبكات العصبية شوطاً طويلاً من مرحلة البحث إلى مرحلة التطبيقات، وأصبحت جزءاً مهماً من التطورات التكنولوجية الحديثة. فهي تسمح للآلات بالتعلم والتعرف على الأنماط واتخاذ قرارات مستنيرة باستخدام ما تعلمته. من الرعاية الصحية والتمويل إلى السيارات ذاتية القيادة والتصنيع، تقود هذه الشبكات الابتكار وتغير الصناعات. ومع استمرارنا في استكشاف نماذج الشبكات العصبية وصقلها، تتضح بشكل متزايد قدرتها على إعادة تعريف المزيد من جوانب حياتنا اليومية وعملياتنا التجارية.

لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول الخاصة بنا. 🚀

شعار الفيسبوكشعار تويترشعار لينكد إنرمز نسخ الرابط

اقرأ المزيد في هذه الفئة

دعونا نبني المستقبل
من الذكاء الاصطناعي معا!

ابدأ رحلتك مع مستقبل التعلم الآلي