هل يمكن للذكاء الاصطناعي اكتشاف الأفعال البشرية؟ استكشاف التعرف على الأنشطة

تمتلئ الحياة اليومية بحركات صغيرة نادراً ما نتوقف للتفكير فيها. قد يبدو المشي عبر الغرفة، أو الجلوس على المكتب، أو التلويح لصديق أمراً سهلاً بالنسبة لنا، ومع ذلك فإن اكتشافها بواسطة الذكاء الاصطناعي أكثر تعقيداً بكثير. فما يأتي بشكل طبيعي للبشر يترجم إلى شيء أكثر تعقيداً عندما تحاول الآلة فهمه.

تُعرف هذه القدرة باسم التعرف على النشاط البشري (HAR)، وهي تُمكّن أجهزة الكمبيوتر من اكتشاف وتفسير الأنماط في السلوك البشري. تطبيق اللياقة البدنية هو مثال رائع على تقنية HAR قيد الاستخدام. فمن خلال تتبع الخطوات وروتين التمارين، يظهر كيف يمكن للذكاء الاصطناعي مراقبة الأنشطة اليومية.

مع إدراك إمكانات تقنية التعرف على الأنشطة البشرية (HAR)، بدأت العديد من الصناعات في اعتماد هذه التقنية. في الواقع، من المتوقع أن يصل سوق التعرف على الأنشطة البشرية إلى أكثر من 12.56 مليار دولار بحلول عام 2033.

جزء كبير من هذا التقدم مدفوع برؤية الكمبيوتر، وهي فرع من الذكاء الاصطناعي يمكن الآلات من تحليل البيانات المرئية، مثل الصور والفيديوهات. بفضل رؤية الكمبيوتر والتعرف على الصور، تحولت تقنية HAR من مجرد مفهوم بحثي إلى جزء عملي ومثير من تطبيقات الذكاء الاصطناعي المتطورة.

في هذه المقالة، سوف نستكشف ماهية تقنية HAR، والطرق المختلفة المستخدمة للتعرف على تصرفات البشر، وكيف تساعد رؤية الكمبيوتر في الإجابة على السؤال: هل يمكن للذكاء الاصطناعي اكتشاف تصرفات البشر في تطبيقات العالم الحقيقي؟ لنبدأ!

ما هو التعرف على النشاط البشري؟#

يتيح التعرف على الأنشطة البشرية أنظمة الكمبيوتر من فهم الأنشطة أو الحركات البشرية عن طريق تحليل حركات الجسم. على عكس مجرد اكتشاف شخص في صورة ما، يمكن لتقنية HAR المساعدة في تحديد ما يفعله الشخص. على سبيل المثال، التمييز بين المشي والجري، أو التعرف على تلويحة باليد، أو ملاحظة عندما يسقط شخص ما على الأرض.

تكمن أساسيات HAR في أنماط الحركة والوضعية. يمكن أن يشير تغيير طفيف في كيفية وضع ذراعي أو ساقي الإنسان إلى مجموعة متنوعة من الإجراءات. من خلال التقاط وتفسير هذه التفاصيل الدقيقة، يمكن لأنظمة HAR الحصول على رؤى ذات مغزى من حركات الجسم.

لتحقيق ذلك، يجمع التعرف على الأنشطة البشرية بين تقنيات متعددة مثل التعلم الآلي، وننماذج التعلم العميق، ورؤية الكمبيوتر، ومعالجة الصور، والتي تعمل معًا لتحليل حركات الجسم وتفسير الأنشطة البشرية بدقة أعلى.

شكل 1. يتضمن التعرف على النشاط البشري فروعاً مختلفة من علوم الكمبيوتر (المصدر: cell.com)

كانت أنظمة HAR السابقة أكثر محدودية بكثير. فقد كانت قادرة على التعامل مع بضعة إجراءات بسيطة ومتكررة فقط في بيئات خاضعة للرقابة، وغالباً ما كانت تعاني في مواقف العالم الحقيقي.

اليوم، وبفضل الذكاء الاصطناعي وكميات كبيرة من بيانات الفيديو، تقدمت تقنية HAR بشكل ملحوظ في كل من الدقة والمتانة. يمكن للأنظمة الحديثة التعرف على مجموعة واسعة من الأنشطة بدقة أكبر بكثير، مما يجعل التكنولوجيا عملية لمجالات مثل الرعاية الصحية، والأمن، والأجهزة التفاعلية.

طرق مختلفة لاكتشاف تصرفات البشر#

الآن بعد أن أصبح لدينا فهم أفضل لماهية التعرف على النشاط البشري، دعونا نلقي نظرة على الطرق المختلفة التي يمكن للآلات من خلالها اكتشاف تصرفات البشر.

إليك بعض الطرق الشائعة:

• الطرق القائمة على المستشعرات: يمكن للأجهزة الذكية مثل مقاييس التسارع، والأجهزة القابلة للارتداء، والهواتف الذكية التقاط الإشارات مباشرة من جسم الإنسان. يمكنها إظهار أنماط الحركة مثل المشي، أو الجري، أو حتى الوقوف بثبات. يعد عداد الخطوات في الساعة الذكية مثالاً رائعاً على هذه الطريقة.
• الطرق القائمة على الرؤية: تقوم الكاميرات المقترنة برؤية الكمبيوتر بتحليل الصور ومقاطع الفيديو لتتبع كيف يبدو الجسم ويتحرك إطاراً تلو الآخر. وهذا يتيح التعرف على الأنشطة الأكثر تعقيداً. تعتمد أجهزة التلفاز التي يتم التحكم فيها بالإيماءات أو أنظمة الألعاب على هذه الطريقة.
• الطرق متعددة الوسائط: هي مزيج من المستشعرات والكاميرات التي تخلق نظاماً أكثر موثوقية، حيث يمكن لمصدر واحد تأكيد ما يكتشفه الآخر. على سبيل المثال، قد يسجل جهاز قابل للارتداء الحركة بينما تتحقق الكاميرا من الوضعية، وهو إعداد يُستخدم غالباً في اكتشاف السقوط لكبار السن.

دور مجموعات البيانات في التعرف على النشاط البشري#

بالنسبة لأي نموذج أو نظام HAR، تُعد مجموعات البيانات نقطة البداية. مجموعة بيانات HAR هي مجموعة من الأمثلة، مثل مقاطع الفيديو، أو الصور، أو بيانات المستشعرات، التي تلتقط حركات مثل المشي، أو الجلوس، أو التلويح. تُستخدم هذه الأمثلة لتدريب نماذج الذكاء الاصطناعي على التعرف على الأنماط في حركة الإنسان، والتي يمكن تطبيقها بعد ذلك في تطبيقات الواقع الحقيقي.

تؤثر جودة بيانات التدريب بشكل مباشر على مدى جودة أداء النموذج. تجعل البيانات النظيفة والمتسقة من السهل على النظام التعرف على الإجراءات بدقة.

ولهذا السبب غالباً ما تتم معالجة مجموعات البيانات مسبقاً قبل التدريب. إحدى الخطوات الشائعة هي التطبيع، الذي يقوم بتغيير حجم القيم بشكل متسق لتقليل الأخطاء ومنع الإفراط في التجهيز (عندما يعمل النموذج بشكل جيد على بيانات التدريب ولكنه يعاني مع بيانات جديدة).

لقياس كيفية أداء النماذج بعد التدريب، يعتمد الباحثون على مقاييس التقييم ومجموعات بيانات القياس التي تسمح باختبار ومقارنة عادلة. تشمل المجموعات الشهيرة مثل UCF101 وHMDB51 وKinetics الآلاف من مقاطع الفيديو المصنفة لاكتشاف الإجراءات البشرية. من جانب المستشعرات، توفر مجموعات البيانات التي يتم جمعها من الهواتف الذكية والأجهزة القابلة للارتداء إشارات حركة قيمة تجعل نماذج التعرف أكثر متانة عبر بيئات مختلفة.

الشكل 2. لمحة عن مجموعة بيانات التعرف على الأنشطة البشرية. (المصدر)

كيف تدعم رؤية الكمبيوتر التعرف على النشاط البشري#

من بين الطرق المختلفة لاكتشاف تصرفات البشر، أصبحت رؤية الكمبيوتر بسرعة واحدة من أكثر الطرق شعبية وبحثاً على نطاق واسع. ميزتها الرئيسية هي أنها تستطيع سحب تفاصيل غنية مباشرة من الصور والفيديو. من خلال النظر إلى وحدات البكسل إطاراً تلو الآخر وتحليل أنماط الحركة، يمكنها التعرف على الأنشطة في الوقت الفعلي دون الحاجة إلى ارتداء الأشخاص لأجهزة إضافية.

لقد جعل التقدم الأخير في التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، المصممة لتحليل الصور، رؤية الكمبيوتر أسرع وأكثر دقة وموثوقية.

على سبيل المثال، تُبنى نماذج رؤية الكمبيوتر الحديثة والواسعة الاستخدام مثل Ultralytics YOLO11 على هذه التطورات. يدعم YOLO11 مهام مثل اكتشاف الكائنات، وتقسيم المثيلات، وتتبع الأشخاص عبر إطارات الفيديو، وتقدير وضعيات الجسم البشري، مما يجعله أداة ممتازة للتعرف على الأنشطة البشرية.

نظرة عامة على Ultralytics YOLO11#

Ultralytics YOLO11 هو نموذج ذكاء اصطناعي للرؤية مصمم خصيصًا لتحقيق السرعة والدقة. وهو يدعم مهام رؤية الكمبيوتر الأساسية مثل اكتشاف الكائنات، وتتبع الكائنات، وتقدير الوضعيات. هذه الإمكانيات مفيدة بشكل خاص للتعرف على الأنشطة البشرية.

يقوم اكتشاف الكائنات بتحديد وتحديد مواقع الأشخاص في المشهد، ويتبع التتبع حركاتهم عبر إطارات الفيديو للتعرف على تسلسلات الإجراءات، ويقوم تقدير الوضعية برسم خرائط لمفاصل جسم الإنسان الرئيسية للتمييز بين الأنشطة المتشابهة أو اكتشاف التغيرات المفاجئة مثل السقوط.

على سبيل المثال، يمكن استخدام الرؤى المستمدة من النموذج للتمييز بين شخص يجلس بهدوء، ثم يقف، وأخيراً يرفع ذراعيه للتشجيع. قد تبدو هذه الإجراءات اليومية البسيطة متشابهة للوهلة الأولى، لكنها تحمل معاني مختلفة تماماً عند تحليلها في تسلسل.

الشكل 3. استخدام Ultralytics YOLO11 لتقدير الوضعيات. (المصدر)

تطبيقات العالم الحقيقي لرؤية الكمبيوتر وHAR#

بعد ذلك، دعونا نلقي نظرة فاحصة على كيفية تطبيق التعرف على النشاط البشري المدعوم برؤية الكمبيوتر في حالات الاستخدام الواقعية التي تؤثر على حياتنا اليومية.

الرعاية الصحية والرفاهية#

في مجال الرعاية الصحية، يمكن للتغيرات الصغيرة في الحركة أن توفر رؤى مفيدة حول حالة الشخص. على سبيل المثال، قد كشف تعثر مريض مسن أو زاوية أحد الأطراف أثناء إعادة التأهيل عن مخاطر محتملة أو تقدم في الحالة. وغالبًا ما يصعب ملاحظة هذه العلامات بالوسائل التقليدية، مثل الفحوصات الدورية.

يمكن لنموذج Ultralytics YOLO11 المساعدة من خلال استخدام تقدير الوضعيات وتحليل الصور لمراقبة المرضى في الوقت الفعلي. ويمكن استخدامه لاكتشاف السقوط، وتتبع تمارين التعافي، ومراقبة الأنشطة اليومية مثل المشي أو التمدد. وبسبب عمله من خلال التحليل المرئي دون الحاجة إلى مستشعرات أو أجهزة قابلة للارتداء، فهو يوفر طريقة بسيطة لجمع معلومات دقيقة تدعم رعاية المرضى.

الشكل 4. تتبع حركات الجسم باستخدام دعم نموذج Ultralytics YOLO11 لتقدير الوضعيات. (المصدر)

الأمن والمراقبة#

تعتمد أنظمة الأمان على اكتشاف الأنشطة البشرية غير العادية بسرعة، مثل شخص يحوم، أو يركض في منطقة محظورة، أو يُظهر عدوانية مفاجئة. وغالباً ما يتم تفويت هذه العلامات في البيئات المزدحمة حيث لا يستطيع حراس الأمان مراقبة كل شيء يدويّاً. وهنا يأتي دور الرؤية الحاسوبية ونموذج Ultralytics YOLO11.

يسهل YOLO11 عملية مراقبة الأمان من خلال تشغيل مراقبة فيديو في الوقت الفعلي قادرة على اكتشاف الحركات المشبوهة وإرسال تنبيهات فورية. وهو يدعم سلامة الحشود في الأماكن العامة ويعزز كشف التسلل في المناطق الخاصة.

بهذا النهج، يمكن لحراس الأمن العمل جنباً إلى جنب مع أنظمة رؤية الكمبيوتر، مما يخلق تفاعلاً وشراكة بين الإنسان والكمبيوتر تتيح استجابات أسرع وأكثر توقيتاً للأنشطة المشبوهة.

إيجابيات وسلبيات استخدام رؤية الكمبيوتر لـ HAR#

إليك بعض مزايا استخدام رؤية الكمبيوتر للتعرف على النشاط البشري:

• القابلية للتوسع: بمجرد الإعداد، يمكن لنفس نظام التعرف مراقبة العديد من الأشخاص تلقائياً في وقت واحد، مما يجعله مفيداً للأتمتة في مرافق الرعاية الصحية، والمصانع، والأماكن العامة.
• المعالجة في الوقت الفعلي: يمكن استخدام حلول رؤية الكمبيوتر المدعومة بالذكاء الاصطناعي لتحليل تدفقات الفيديو فور حدوثها، مما يتيح استجابات أسرع.
• التتبع غير الغازي: على عكس الأجهزة القابلة للارتداء أو المستشعرات، لا يتطلب الأمر من الأشخاص حمل أجهزة، مما يسمح بتحليل السلوك الطبيعي وبدون مجهود.

على الرغم من وجود العديد من الفوائد لاستخدام رؤية الكمبيوتر لـ HAR، إلا أن هناك قيوداً يجب مراعاتها. إليك بعض العوامل التي يجب وضعها في الاعتبار:

• مخاوف الخصوصية: يمكن للمراقبة القائمة على الفيديو أن تثير قضايا تتعلق بحماية البيانات والموافقة، خاصة في البيئات الحساسة مثل المنازل أو أماكن العمل.
• التحيز المحتمل: إذا كانت مجموعات بيانات التدريب تفتقر إلى التنوع، فقد تسيء الخوارزميات تفسير الإجراءات لمجموعات معينة من الناس، مما يؤدي إلى نتائج غير عادلة أو غير دقيقة.
• الحساسية البيئية: يمكن أن تنخفض الدقة بسبب ضعف الإضاءة، أو فوضى الخلفية، أو الأشخاص المخفيين جزئياً، مما يعني أن الأنظمة تحتاج إلى تصميم دقيق.

أبرز النقاط#

يجعل الذكاء الاصطناعي ورؤية الكمبيوتر من الممكن للآلات التعرف على تصرفات البشر بدقة أكبر وفي الوقت الفعلي. من خلال تحليل إطارات الفيديو وأنماط الحركة، يمكن لهذه الأنظمة تحديد الإيماءات اليومية والتغيرات المفاجئة. مع استمرار تحسن التكنولوجيا، يتحرك التعرف على النشاط البشري إلى ما وراء مختبرات البحث ويصبح أداة عملية للرعاية الصحية، والأمن، والتطبيقات اليومية.

استكشف المزيد حول الذكاء الاصطناعي من خلال زيارة مستودع GitHub الخاص بنا والانضمام إلى مجتمعنا. اطلع على صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في الروبوتات ورؤية الكمبيوتر في التصنيع. واكتشف خيارات الترخيص لدينا للبدء في استخدام الذكاء الاصطناعي للرؤية.