ما هي الرؤية الحاسوبية؟ وكيف يرى الحاسوب الصور

خلاصة سريعة: الرؤية الحاسوبية (Computer Vision) مجال يمنح الحاسوب قدرة على استخراج معنى من الصور والفيديو: يحوّل البكسلات إلى أرقام، ثم إلى حواف وملامح وأجزاء، ثم إلى قرار مثل «هذه سيارة» أو «هذا عيب في القطعة». نجاحها يعتمد على جودة البيانات أكثر من حجم الشبكة، وأخطاؤها تظهر حين يختلف الواقع عن بيانات التدريب.

ما هي الرؤية الحاسوبية؟

الرؤية الحاسوبية (Computer Vision) فرع من فروع الذكاء الاصطناعي يدرس كيف يستخرج الحاسوب معلومات من الصور ومقاطع الفيديو. ولا تعني أن الجهاز «يرى» كما يرى الإنسان، بل أن يحوّل الصورة إلى مصفوفة أرقام، ثم يبحث فيها عن أنماط إحصائية تسمح بتصنيف المشهد أو تحديد موضع جسم فيه أو رسم حدوده.

والمدخل صورة ممثلة بارتفاع وعرض وعدد قنوات لونية، والمخرج يتغير بحسب المهمة: تسمية واحدة للصورة، أو صناديق حول عدة أجسام، أو فئة لكل بكسل. وقد تغيّر الأداء جذريًا بعد عام 2012، حين حققت شبكة AlexNet نتيجة متقدمة في مسابقة ImageNet للتصنيف، ثم جاءت الشبكات الأعمق لتثبت أن تمثيل الملامح يمكن تعلمه من البيانات بدل تصميمه يدويًا.

كيف ينتقل الحاسوب من البكسل إلى القرار؟

تمر الصورة في خط معالجة متتابع، وكل مرحلة تختصر التفاصيل وتزيد التجريد:

1. التهيئة: تُغيَّر أبعاد الصورة إلى حجم ثابت، وتُطبَّع قيم البكسلات، وقد تُضاف تعديلات صناعية مثل التدوير والقص وتغيير الإضاءة لزيادة تنوع التدريب.
2. الالتفاف: يمر مرشح صغير على الصورة، ويحسب حاصل ضرب نقطي في كل نافذة، فينتج خريطة ملامح تُبرز الحواف والخطوط والأنسجة.
3. التجميع: تُقلَّص خريطة الملامح في نطاقات أصغر، فيقل عدد الحسابات ويصبح التمثيل أقل حساسية لانزياح بسيط في الصورة.
4. التعمق: تتراكم طبقات الالتفاف، فتتعلم الطبقات الأولى حوافًا، وتتعلم الوسطى أشكالًا وأجزاء، وتتعلم الأخيرة تراكيب كاملة مثل وجه أو عجلة.
5. القرار: تُجمَّع الملامح في متجه، ويمر على طبقات متصلة تنتج احتمالات الفئات، ويُختار أعلاها أو تُقارن بعتبة محددة.

وقد أضافت المحوّلات (Transformers) منذ عام 2020 مسارًا مختلفًا: تُقسَّم الصورة إلى رقع صغيرة، وتُعامل كل رقعة كرمز، فيتعلم النموذج العلاقات بينها بالانتباه. وتُعرف هذه البنية بمحوّل الرؤية (ViT)، وهي تنافس الشبكات الالتفافية حين تتوفر بيانات كبيرة، بينما تبقى الشبكات الالتفافية أصغر في الحجم وأسرع في التدريب على مجموعات محدودة.

ما الفرق بين التصنيف والكشف والتقسيم؟

تتشابه هذه المهام في المدخل وتختلف في المخرج، وخلطها يؤدي إلى اختيار نموذج لا يجيب عن السؤال المطروح:

المهمة	السؤال	المخرج
التصنيف	ما هذا الشيء؟	تسمية واحدة أو احتمالات فئات
الكشف	أين يقع؟ وكم عدد؟	صناديق حول الأجسام مع فئة لكل صندوق
التقسيم الدلالي	ما فئة كل بكسل؟	قناع يغطي الصورة كلها
تقسيم المثيلات	كيف نفصل جسمين من الفئة نفسها؟	قناع مستقل لكل جسم
تقدير الوضع	كيف ترتبط أجزاء الجسم؟	نقاط مفصلية أو زوايا
التعرف الضوئي على الحروف	ما النص المكتوب؟	سلسلة أحرف مع مواضعها

كيف تُدرَّب الشبكة العصبية الالتفافية؟

يبدأ التدريب بمجموعة صور موسومة، تمر في الشبكة فتُنتج توقعات، ثم تقيس دالة الخسارة الفارق بين التوقع والوسم الصحيح. وتنتشر المشتقات عكسيًا لتعديل أوزان المرشحات، وتتكرر الدورة على دفعات صغيرة حتى يستقر الأداء على مجموعة تحقق منفصلة. وهذا هو جوهر التعلم العميق، أي تعلم التمثيل من البيانات بدل كتابة قواعد يدوية.

وتجعل بطاقة الرسوميات هذا التدريب ممكنًا، لأن حسابات الالتفاف متوازية بطبيعتها وتناسب آلاف الأنوية الصغيرة. ويُستحسن البدء بنموذج مدرَّب مسبقًا على بيانات عامة، ثم إعادة تدريبه على صور المجال الضيق؛ فذلك يقلل الحاجة إلى بيانات موسومة كثيرة ويقصر زمن الوصول إلى نموذج صالح.

ولا يكفي مقياس واحد للحكم على النموذج. فالدقة الكلية تخفي أداء الفئات النادرة، وتقاس مهام الكشف بمعدل التداخل والاتحاد (IoU) ومتوسط الدقة (mAP)، بينما تُقاس مهام التقسيم بمعامل Dice أو بنسبة البكسلات الصحيحة. والأهم من اسم المقياس أن يكون قريبًا من قرار التشغيل: كم عيبًا فات النموذج، وكم إنذارًا كاذبًا أطلق في الوردية الواحدة.

أين تُستخدم الرؤية الحاسوبية؟

تنتشر اليوم في مهام تتكرر فيها العين البشرية وتتعب، أو تحتاج إلى سرعة لا يبلغها الإنسان:

• فحص الجودة الصناعي: كشف الخدوش والشقوق والقطع الناقصة على خط الإنتاج قبل التغليف.
• التجزئة والمتاجر: متابعة امتلاء الرفوف، وقراءة الباركود، وعدّ القطع في السلة دون مسح يدوي.
• الزراعة: تقدير نضج المحصول، ورصد الآفات، وتوجيه آلات الرش إلى المنطقة المصابة وحدها.
• المستندات: استخراج الفواتير والبيانات من صور الورق، وتحويل الصفحات الممسوحة إلى نص قابل للبحث.
• مساعدة السائق: التعرف على المشاة واللافتات والمركبات في أنظمة المساعدة، مع بقاء القرار النهائي للسائق.
• إمكانية الوصول: وصف الصور لذوي الإعاقة البصرية، وقراءة النصوص في لقطات الشاشة بقارئ شاشة.

ما أوجه الفشل الشائعة؟

لا يشترط أن يكون النموذج ضعيفًا كي يخطئ في الإنتاج؛ يكفي أن يرى ما لم يتدرب عليه:

• انزياح التوزيع: صور الموقع الجديد تختلف في الإضاءة والخلفية وآلة التصوير، فينخفض الأداء دون أن يتغير النموذج.
• الإضاءة والاحتجاب: انعكاس قوي أو جسم يحجب جزءًا من الهدف يكسر النمط الذي تعلمه النموذج.
• الأجسام الصغيرة: القطع البعيدة أو الدقيقة تفقد تفاصيلها بعد تصغير الصورة، فلا تكفي دقة النموذج وحدها.
• عدم توازن البيانات: إذا كانت الفئة النادرة قليلة العدد، مال النموذج إلى تقديم الفئة الشائعة، فيبدو دقيقًا وهو يهمل الحالة المهمة.
• أمثلة معادية: تعديل صغير غير مرئي للعين قد يقلب التصنيف، وهو خطر في الأنظمة التي تعتمد على التحقق البصري.
• الثقة الزائدة: نماذج التصنيف قد تعطي احتمالًا مرتفعًا لصورة لا تنتمي إلى أي فئة معروفة، فلا بد من عتبة رفض ومراجعة.
• الخصوصية: التعرف على الوجوه ولوحات المركبات يجمع بيانات شخصية، فيحتاج إلى أساس واضح وموافقة وحدود استخدام.

كيف تقلل مخاطر التبني؟

ابدأ بتعريف الخطأ الأغلى ثمنًا: هل هو تفويت عيب، أم إنذار كاذب يوقف الخط؟ ثم اجمع صورًا من الموقع نفسه، وقسّم التدريب والاختبار بحسب الموقع والزمن لا عشوائيًا، حتى لا تتسرب صور متشابهة إلى الاختبار. وأضف مراجعة بشرية للعينات ذات الثقة المنخفضة، وراقب الأداء بعد النشر لأن الإضاءة والمعدات تتغير. ووثّق الحدود في صفحة المنتج: ما الذي لا يستطيعه النموذج، وما الإجراء عند الشك.

أسئلة شائعة

المصادر

• IBM، What is computer vision? (اطُّلع عليه في 24 أكتوبر 2026)
• AWS، ما هي الرؤية الحاسوبية؟ (اطُّلع عليه في 24 أكتوبر 2026)
• Deng et al.، ImageNet: A Large-Scale Hierarchical Image Database، arXiv، 18 سبتمبر 2014
• He et al.، Deep Residual Learning for Image Recognition، arXiv، 10 ديسمبر 2015
• NIST، Face Recognition Vendor Test (FRVT) (اطُّلع عليه في 24 أكتوبر 2026)

صورة الغلاف: Matthewdfr / Wikimedia Commons، بموجب رخصة CC BY-SA.