التعرف التلقائي على الأهداف

📅 آخر تحديث: ٢٤ يوليو ٢٠٢٦
✍️ نُشر في: ٢٤ يوليو ٢٠٢٦
📷 يحتوي على 1 صور
الموسوعة الحرة

التعرف التلقائي على الأهداف ( ATR ) هو قدرة الخوارزمية أو الجهاز على التعرف على الأهداف أو الأشياء الأخرى بناءً على البيانات التي تم الحصول عليها من أجهزة الاستشعار .

كان التعرف على الأهداف يتم في البداية باستخدام تمثيل صوتي للإشارة المستقبلة، حيث يقوم مشغل مدرب بفك شفرة هذا الصوت لتصنيف الهدف الذي رصده الرادار . ورغم نجاح هؤلاء المشغلين المدربين، فقد تم تطوير أساليب آلية، ولا يزال العمل جارياً على تطويرها، مما يسمح بمزيد من الدقة والسرعة في التصنيف. يمكن استخدام تقنية التعرف التلقائي على الأهداف (ATR) لتحديد الأجسام المصنعة، مثل المركبات البرية والجوية، وكذلك الأهداف البيولوجية، مثل الحيوانات والبشر والغطاء النباتي. وهذا مفيد في كل شيء، بدءاً من التعرف على جسم في ساحة المعركة وصولاً إلى تصفية التشويش الناتج عن أسراب الطيور الكبيرة على رادار دوبلر للأرصاد الجوية.

تشمل التطبيقات العسكرية المحتملة نظام تعريف بسيط مثل جهاز الإرسال والاستقبال IFF ، ويُستخدم في تطبيقات أخرى مثل الطائرات المسيّرة وصواريخ كروز . وقد ازداد الاهتمام باستخدام تقنية التعرف التلقائي على الأهداف (ATR) في التطبيقات المحلية أيضًا. وقد أُجريت أبحاث حول استخدام هذه التقنية في أمن الحدود، وأنظمة السلامة لتحديد الأجسام أو الأشخاص على مسارات مترو الأنفاق، والمركبات ذاتية القيادة، وغيرها الكثير.

مفهوم

تاريخ

لقد وُجد التعرف على الأهداف منذ زمن قريب من وجود الرادار . وكان مشغلو الرادار يحددون قاذفات القنابل والمقاتلات المعادية من خلال التمثيل الصوتي الذي تم استقباله بواسطة الإشارة المنعكسة (انظر الرادار في الحرب العالمية الثانية ).

لطالما اعتمد التعرف على الأهداف على تشغيل إشارة النطاق الأساسي للمشغل. فمن خلال الاستماع إلى هذه الإشارة، يستطيع مشغلو الرادار المدربون تحديد معلومات متنوعة حول الهدف المُضاء، مثل نوع المركبة وحجمها، بل ويمكنهم حتى التمييز بين الأهداف البيولوجية. مع ذلك، توجد العديد من القيود على هذا النهج. إذ يجب تدريب المشغل على الصوت المميز لكل هدف، وإذا كان الهدف يتحرك بسرعة عالية فقد لا يكون مسموعًا، كما أن عنصر القرار البشري يزيد من احتمالية الخطأ. ومع ذلك، فقد وفرت فكرة تمثيل الإشارة صوتيًا أساسًا للتصنيف الآلي للأهداف. وتستخدم العديد من أنظمة التصنيف المطورة خصائص إشارة النطاق الأساسي المستخدمة في تطبيقات صوتية أخرى، مثل التعرف على الكلام .

ملخص

تأثير دوبلر الدقيق

يحدد الرادار بُعد الجسم عن طريق قياس زمن عودة الإشارة المرسلة من الهدف المُضاء. عندما يكون الجسم متحركًا، فإنه يُحدث انزياحًا في التردد يُعرف بتأثير دوبلر . بالإضافة إلى الحركة الانتقالية للجسم، قد يحدث انزياح إضافي في التردد نتيجة اهتزازه أو دورانه. عندئذٍ، تُصبح الإشارة المُزاحة دوبلر مُعدّلة. يُعرف هذا التأثير الإضافي لدوبلر، الذي يُسبب تعديل الإشارة، بتأثير دوبلر الدقيق. قد يكون لهذا التعديل نمطٌ أو بصمةٌ مُحددة، مما يسمح بتطوير خوارزميات لكشف الأهداف. يتغير تأثير دوبلر الدقيق بمرور الوقت تبعًا لحركة الهدف، مما يُسبب إشارة متغيرة زمنيًا وتردديًا. [ 1 ]

تحليل التردد الزمني

لا يكفي تحليل إشارة التردد باستخدام تحويل فورييه ، إذ لا يستطيع هذا التحويل مراعاة المكون المتغير مع الزمن. وأبسط طريقة للحصول على دالة للتردد والزمن هي استخدام تحويل فورييه قصير المدى (STFT). مع ذلك، يمكن استخدام طرق أكثر دقة، مثل تحويل غابور أو دالة توزيع ويغنر (WVD)، لتوفير تمثيل متزامن لمجالي التردد والزمن. ولكن في جميع هذه الطرق، ستكون هناك مفاضلة بين دقة التردد ودقة الزمن. [ 2 ]

كشف

بمجرد استخلاص هذه المعلومات الطيفية، يمكن مقارنتها بقاعدة بيانات موجودة تحتوي على معلومات حول الأهداف التي سيحددها النظام، ومن ثمّ يُتخذ قرار بشأن ماهية الهدف المُضاء. ويتم ذلك من خلال نمذجة الإشارة المُستقبلة، ثم استخدام طريقة تقدير إحصائية مثل الاحتمال الأقصى (ML) أو التصويت بالأغلبية (MV) أو الاحتمال اللاحق الأقصى (MAP) لتحديد الهدف الأنسب في قاعدة البيانات للنموذج المُنشأ باستخدام الإشارة المُستقبلة.

يقترب

استخراج الميزات

أُجريت دراسات تستخدم خصائص الصوت المستخدمة في التعرف على الكلام لبناء أنظمة آلية للتعرف على الأهداف، والتي تحدد الأهداف بناءً على هذه المعاملات المستوحاة من الصوت. وتشمل هذه المعاملات ما يلي:

تُعالَج إشارة النطاق الأساسي للحصول على هذه المعاملات، ثم تُستخدم عملية إحصائية لتحديد الهدف الأكثر تشابهًا مع هذه المعاملات في قاعدة البيانات. ويعتمد اختيار الميزات وآلية اتخاذ القرار على النظام والتطبيق.

لا تقتصر الخصائص المستخدمة لتصنيف الهدف على معاملات الكلام فقط، بل يمكن استخدام مجموعة واسعة من الخصائص وخوارزميات الكشف لتحقيق التعرف التلقائي على الهدف.

خوارزميات الكشف

لكي تتم عملية الكشف عن الأهداف تلقائيًا، يلزم إنشاء قاعدة بيانات تدريبية. ويتم ذلك عادةً باستخدام بيانات تجريبية يتم جمعها عندما يكون الهدف معروفًا، ثم يتم تخزينها لاستخدامها بواسطة خوارزمية التعرف التلقائي على الأهداف.

تقنية التعرف التلقائي على الهدف باستخدام ميزات السيبستروم ونموذج غاوسي مختلط

يوضح المخطط الانسيابي مثالاً على خوارزمية الكشف. تستخدم هذه الطريقة M من كتل البيانات، وتستخرج السمات المطلوبة من كل منها (مثل معاملات LPC وMFCC)، ثم تُنمذجها باستخدام نموذج خليط غاوسي (GMM). بعد الحصول على النموذج باستخدام البيانات المُجمّعة، يتم حساب الاحتمال الشرطي لكل هدف موجود في قاعدة بيانات التدريب. في هذا المثال، يوجد M من كتل البيانات، مما ينتج عنه مجموعة من M احتمالات لكل هدف في قاعدة البيانات. تُستخدم هذه الاحتمالات لتحديد نوع الهدف باستخدام قرار الاحتمال الأقصى . وقد أثبتت هذه الطريقة قدرتها على التمييز بين أنواع المركبات (المركبات ذات العجلات مقابل المركبات المجنزرة، على سبيل المثال)، بل وتحديد عدد الأشخاص الموجودين بدقة تصل إلى ثلاثة أشخاص باحتمالية نجاح عالية. [ 3 ]

التعرف على الأهداف باستخدام الشبكات العصبية التلافيفية

يتفوق التعرف على الأهداف باستخدام الشبكات العصبية الالتفافية (CNN) على الطرق التقليدية. [ 4 ] [ 5 ] وقد أثبتت هذه الشبكات فعاليتها في التعرف على الأهداف (مثل دبابات القتال) في صور الأشعة تحت الحمراء للمشاهد الحقيقية بعد تدريبها باستخدام صور اصطناعية، نظرًا لندرة الصور الحقيقية لهذه الأهداف. وتُعد دقة الصور الاصطناعية عاملاً هامًا في التعرف على الأهداف في ظروف العمليات الميدانية.

التطبيقات

في عام 2025، حصل الجيش الهندي على براءة اختراع لنظام تصنيف أهداف آلي مدعوم بالذكاء الاصطناعي ، يستخدم أجهزة استشعار وخوارزميات للكشف عن الأهداف وتصنيفها تلقائيًا على شاشة الرادار. يقارن النظام البيانات الآنية، مثل الصور أو إشارات الرادار، بقاعدة بيانات للمعلومات المسجلة بسرعة ودقة. ويمكن استخدامه لأغراض مؤقتة، بما في ذلك توجيه الصواريخ. [ 6 ] [ 7 ]

انظر أيضاً

مراجع

  1. ↑ تشين، ف. (فبراير 2011). تأثير دوبلر الدقيق في الرادار . نوروود، ماساتشوستس: دار أرتيك. الصفحات 18-21 . ISBN  9781608070589.
  2. ↑ تشين، ف. (فبراير 2011). تأثير دوبلر الدقيق في الرادار . نوروود، ماساتشوستس: دار أرتيك. الصفحات 21-28 . ISBN  9781608070589.
  3. ↑ بيليك، إ.؛ تابريكيان، ج. (يناير 2006). "تصنيف الأهداف باستخدام نموذج خليط غاوسي لرادار دوبلر للمراقبة الأرضية". معاملات IEEE في أنظمة الفضاء والطيران والإلكترونيات . 42 (1): 267-277 . Bibcode : 2006ITAES..42..267B . doi : 10.1109/TAES.2006.1603422 . S2CID 10841797 . 
  4. ↑ يون، سيوك بيل؛ سونغ، تايك ليول؛ كيم، تاي هان (2013-02-01). "التعرف التلقائي على الأهداف وتتبعها في تسلسلات صور الأشعة تحت الحمراء ذات الخلفية المعقدة". المجلة الدولية للتحكم والأتمتة والأنظمة . 11 (1): 21-32 . doi : 10.1007/s12555-011-0226-z . ISSN 2005-4092 . S2CID 120650459 .  
  5. ↑ فينكاتارامان، فيجاي؛ فان، غوليانغ؛ يو، ليانغجيانغ؛ تشانغ، شين؛ ليو، ويغوانغ؛ هافليسيك، جوزيف ب. (2011-12-07). "التتبع والتعرف الآلي على الأهداف باستخدام مشعبات العرض والهوية المقترنة لتمثيل الشكل" . مجلة EURASIP للتطورات في معالجة الإشارات . 2011 (1): 124. Bibcode : 2011EJASP2011..124V . doi : 10.1186/1687-6180-2011-124 . ISSN 1687-6180 . 
  6. ↑ كومار، أنيش (11 سبتمبر 2025). "ابتكار الجيش الهندي في مجال الذكاء الاصطناعي يعزز اكتشاف الأهداف ويحصل على براءة اختراع" . Asianet Newsable . تاريخ الاسترجاع: 11 أكتوبر 2025 .
  7. ↑ ماني، سودارسانان (11 سبتمبر 2025). "الجيش الهندي يحصل على براءة اختراع لنظام تصنيف الأهداف الآلي القائم على الذكاء الاصطناعي" . CNBCTV18 . تاريخ الاسترجاع: 11 أكتوبر 2025 .