أخبار ar.wedoany.com، نشر فريق البروفيسور تشانغ مان من كلية المعلومات والهندسة الكهربائية بجامعة الزراعة الصينية ورقة بحثية في مجلة "Engineering" التابعة للأكاديمية الصينية للهندسة، بعنوان "Multimodal Feature Representation Mechanism for 3D Detection of Agricultural Obstacles with Few or Zero Samples" (الترجمة الصينية: آلية تمثيل الميزات متعددة الوسائط للكشف ثلاثي الأبعاد للعقبات الزراعية باستخدام عينات قليلة أو بدون عينات). تستهدف هذه الدراسة متطلبات الإدراك الآمن للعقبات الميدانية للملاحة الذاتية للآلات الزراعية الذكية، وتقترح طريقة للكشف ثلاثي الأبعاد للعقبات الزراعية باستخدام عينات قليلة أو بدون عينات تعتمد على آلية تمثيل الميزات متعددة الوسائط، مما يوفر فكرة جديدة للتشغيل الذاتي الآمن والموثوق للآلات الزراعية في بيئات الحقول غير المنظمة. تأسست مجلة "Engineering" من قبل الأكاديمية الصينية للهندسة في عام 2015، وهي مفهرسة في قواعد بيانات SCI وEI وScopus وغيرها، ويبلغ أحدث عامل تأثير لها في SCI 12.2، وقد احتلت المرتبة الأولى في تصنيف عامل التأثير بين مجلات الهندسة الشاملة عالمياً.
تعد الملاحة الذاتية للآلات الزراعية دعماً مهماً لتطوير المعدات الزراعية الذكية، ويشكل الإدراك الآمن للعقبات في بيئات الحقول المعقدة مفتاحاً لضمان التشغيل الموثوق للعمل الذاتي. في السنوات الأخيرة، أحرزت طرق التعلم العميق التي تدمج بيانات الكاميرا والليدار تقدماً ملحوظاً في الكشف ثلاثي الأبعاد للعقبات، لكن هذه الطرق تعتمد عادةً على بيانات تدريب موسومة على نطاق واسع. تتميز مشاهد الحقول بخصائص مثل عدم التنظيم، والاختلافات الموسمية الواضحة، وتعقيد أنواع العقبات، مما يجعل جمع البيانات متعددة الوسائط ووسمها مكلفين للغاية. ولا تزال قدرة النموذج على التعميم في ظل ظروف العينات القليلة أو حتى بدون عينات تمثل المشكلة الرئيسية التي تعيق تطبيقه العملي.
تدمج آلية تمثيل الميزات متعددة الوسائط التي اقترحها فريق البحث مصحح وضع الصور ونقاط السحابة، وتستخدم معلومات الوضع المقدمة من نظام الأقمار الصناعية للملاحة بيدو ووحدة القياس بالقصور الذاتي لتصحيح انحرافات وضع العينات الناتجة عن التضاريس الوعرة في الحقول، مما يحسن دقة وموثوقية واتساق البيانات متعددة الوسائط. وفي الوقت نفسه، تم بناء مشفر الميزات الدلالية، ومشفر ميزات الهندسة والشدة، وفك تشفير الدمج المكاني لرؤية الطائر، لتوحيد المعلومات الدلالية للصورة مع معلومات الهندسة والشدة لنقاط السحابة في فضاء تمثيل دمج الدلالة والهندسة والشدة، لالتقاط العلاقات الرئيسية بين الفئات، وتعزيز قدرة النموذج على التعرف على فئات العقبات الجديدة في ظل ظروف الوسم المحدودة.
أجرى الفريق تجارب ميدانية في محطة تجارب تشوتشو بجامعة الزراعة الصينية، غطت سيناريوهات تشغيل نموذجية للآلات الزراعية مثل الطرق الإسمنتية والأراضي غير المزروعة وحقول القمح، وجمع بيانات متعددة الوسائط لعقبات نموذجية مثل الحصادات والجرارات والأفراد. أظهرت النتائج أن الطريقة المقترحة حققت توازناً جيداً بين أداء الكشف وكفاءة التشغيل والاعتماد على البيانات، حيث يمكنها تقليل اعتماد النموذج على عينات التدريب بنسبة 30% إلى 40%. في إعدادات التدريب الكاملة، بلغت معدلات الدقة والاستدعاء ودرجة F1 وسرعة الكشف 95.03% و97.01% و96.01% و16.56 إطاراً في الثانية على التوالي. في سيناريوهات العينات الصفرية، أي عندما لا توجد أي عينات تدريب مقابلة لفئة العقبات، حققت الطريقة المقترحة درجة F1 بلغت 81.63%.
يساهم هذا الإنجاز في تقليل الاعتماد على بيانات الوسم على نطاق واسع للكشف ثلاثي الأبعاد للعقبات في البيئات الزراعية المعقدة، وتعزيز قدرة الإدراك الآمن للآلات الزراعية الذكية في ظل ظروف العقبات غير المعروفة والتضاريس المعقدة والأهداف متعددة الفئات، مما يوفر دعماً تقنياً للملاحة الذاتية للآلات الزراعية وتجنب العقبات الديناميكي والتشغيل الموثوق للمعدات الزراعية الذكية.
تم إنجاز الورقة البحثية بالتعاون بين جامعة الزراعة الصينية وجامعة بكين للغابات ومعهد أبحاث السكك الحديدية الصيني وغيرها من الوحدات، حيث كانت جامعة الزراعة الصينية هي الوحدة الأولى الموقعة، والبروفيسور تشانغ مان هو المؤلف المراسل للورقة، والطالب وانغ تيانهاي، طالب الماجستير في عام 2021 والحاصل على جائزة أفضل أطروحة ماجستير على مستوى الجامعة لعام 2024، هو المؤلف الأول للورقة. حصل البحث على دعم من برنامج البحث والتطوير الرئيسي الوطني (2022YFD2001600-2022YFD2001601). بدعوة خاصة من مجلة "Engineering"، شارك البروفيسور تشانغ مان في محاضرة "أجهزة الاستشعار الزراعية" ضمن منصة Engineering الكبرى في 30 يونيو 2026، وقدم تقريراً عبر الإنترنت عن نتائج هذا البحث.
