تعزيز إعادة التعرّف على المركبات باستخدام نماذج Ultralytics YOLO

عندما تشاهد سباق Formula One، فمن السهل تمييز سيارة فريقك المفضل. فاللون الأحمر الزاهي لسيارة Ferrari أو اللون الفضي لسيارة Mercedes يبرزان في كل لفة.

إن مطالبة آلة بفعل الشيء نفسه، ليس على حلبة سباق نظيفة بل في شوارع مدينة مزدحمة تعجّ بحركة المرور، أكثر تحديًا بكثير. لذلك حظيت إعادة تعرّف المركبات (vehicle re-ID) باهتمام متزايد في مجال الذكاء الاصطناعي مؤخرًا.

تمنح إعادة تعرّف المركبات الآلات القدرة على التعرّف إلى المركبة نفسها عبر كاميرات متعددة المناظير أو غير متداخلة. كما تهدف إلى تحديد هوية المركبات بعد حجب مؤقت (عندما تكون المركبة مخفية جزئيًا) أو عند حدوث تغيّرات في الإضاءة ووجهة النظر.

تُعد الرؤية الحاسوبية تقنية أساسية تدعم إعادة تعرّف المركبات. والرؤية الحاسوبية مجال فرعي من الذكاء الاصطناعي يركز على تعليم الآلات فهم المعلومات المرئية وتفسيرها، مثل الصور ومقاطع الفيديو. وباستخدام هذه التقنية، تستطيع أنظمة الذكاء الاصطناعي تحليل خصائص المركبات وتتبعها بصورة موثوقة عبر شبكات كاميرات واسعة، لتطبيقات مثل المراقبة الحضرية ومتابعة حركة المرور.

وعلى وجه الخصوص، تدعم نماذج ذكاء الرؤية مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب مهام مثل اكتشاف الأجسام وتتبعها. ويمكنها تحديد مواقع المركبات بسرعة في كل إطار ومتابعة حركتها عبر المشهد. وعند دمج هذه النماذج مع شبكات إعادة تعرّف المركبات، يستطيع النظام المدمج التعرّف إلى المركبة نفسها عبر موجزات كاميرات مختلفة، حتى عند تغيّر زوايا الرؤية أو ظروف الإضاءة.

الشكل 1. مثال على استخدام YOLO11 لتتبع المركبات وتقدير السرعة (المصدر)

في هذه المقالة، نستعرض كيفية عمل إعادة تعرّف المركبات، والتقنية التي تجعلها ممكنة، ومجالات استخدامها في أنظمة النقل الذكية. لنبدأ!

ما إعادة تعرّف المركبات؟#

تُعد إعادة تعرّف المركبات تطبيقًا في الرؤية الحاسوبية مهمًا. وهي تركز على التعرّف إلى المركبة نفسها عند ظهورها عبر كاميرات مختلفة وغير متداخلة، مع الحفاظ على هويتها ثابتة أثناء تحركها عبر المدينة. ويمثل ذلك تحديًا لأن كل كاميرا قد تلتقط المركبة من زاوية مختلفة، أو في ظروف إضاءة مختلفة، أو مع حجب جزئي.

لنتصور سيناريو تمر فيه سيارة سيدان زرقاء عبر تقاطع، ثم تظهر لاحقًا في شارع مختلف تراقبه كاميرا أخرى. لقد تغيّرت الزاوية والإضاءة والخلفية، وقد تحجب سيارات أخرى الرؤية لفترة وجيزة. ومع ذلك، يظل على نظام إعادة تعرّف المركبات تحديد أنها المركبة نفسها.

جعلت التطورات الحديثة في التعلم العميق، ولا سيما مع الشبكات العصبية الالتفافية (CNNs) والنماذج القائمة على Transformer، هذه العملية أكثر دقة بكثير. إذ تستطيع هذه النماذج استخراج أنماط مرئية ذات دلالة والتمييز بين المركبات المتشابهة في المظهر، مع الاستمرار في تحديد المركبة الصحيحة.

في أنظمة النقل الذكية، تدعم هذه القدرة المراقبة المستمرة، وإعادة بناء المسارات، وتحليل حركة المرور على مستوى المدينة، مما يمنح أنظمة المدن الذكية صورة أوضح عن كيفية تحرك المركبات. كما تساعد على تحسين السلامة والكفاءة.

فهم كيفية عمل إعادة تعرّف المركبات#

عادةً ما تُحلَّل لقطات الفيديو من التقاطعات ومناطق مواقف السيارات والطرق السريعة باستخدام تقنيات إعادة تعرّف المركبات لتحديد ما إذا كانت المركبة نفسها تظهر عبر كاميرات مختلفة. ويشبه هذا المفهوم إعادة تعرّف الأشخاص، حيث تتتبع الأنظمة الأفراد عبر مناظير متعددة، لكن التركيز هنا ينصب على تحليل الخصائص الخاصة بالمركبة بدلًا من مظهر الإنسان.

تنطوي هذه العملية على عدة خطوات رئيسية، صُممت كل منها لمساعدة النظام على اكتشاف المركبات، واستخراج خصائصها المرئية، ومطابقتها بصورة موثوقة عبر وجهات نظر مختلفة.

على مستوى عالٍ، يكتشف النظام أولًا المركبات في كل إطار، ثم يستخرج خصائص مثل اللون والشكل والملمس لإنشاء تمثيل رقمي فريد، أو تضمين، لكل مركبة. وتُقارن هذه التضمينات عبر الزمن وعبر الكاميرات، غالبًا بدعم من تتبع الأجسام وعمليات التحقق المكاني-الزمني، لتحديد ما إذا كانت مشاهدتان تعودان إلى المركبة نفسها.

الشكل 2. كيفية عمل إعادة تعرّف المركبات. (المصدر)

إليك نظرةً أقرب على هذه العملية:

• اكتشاف الأجسام: يحدد النظام المركبات ويحدد مواقعها أولًا داخل كل إطار فيديو، كي يعرف بدقة المناطق التي ينبغي معالجتها. وتتولى نماذج اكتشاف الأجسام هذه الخطوة عادةً.
• استخراج الخصائص: بعد الاكتشاف، تحلل شبكة مخصصة لإعادة التعرّف أو لاستخراج الخصائص اقتصاص كل مركبة، وتنشئ خرائط خصائص أو تمثيلات خصائص تلتقط تفاصيل مرئية مثل اللون والشكل والملمس والأجزاء المميزة.
• إنشاء التضمين: تُحوَّل الخصائص المستخرجة إلى تمثيل رقمي يُسمى تضمين الخصائص. ويعمل هذا التضمين كبصمة رقمية تلتقط شكل المركبة من زوايا مختلفة. وقبل المطابقة، تُطبَّع هذه التضمينات عادةً حتى لا تتداخل الاختلافات الناتجة عن الإضاءة أو التباين أو إعدادات الكاميرا مع مقارنة الهوية. ويضمن التطبيع تركيز النظام على الخصائص المهمة المرتبطة بالهوية بدلًا من الضوضاء.
• تتبع الأجسام: ضمن مجال رؤية كاميرا واحدة، تصل خوارزميات التتبع بين الاكتشافات عبر الإطارات، مما يساعد على الحفاظ على هوية ثابتة أثناء تحرك المركبة عبر المشهد.
• المطابقة عبر الكاميرات: لمطابقة المركبة نفسها عبر كاميرات مختلفة، يقارن النظام التضمينات (التي تنشئها شبكة إعادة التعرّف) إلى جانب معلومات التوقيت والموقع. وتحدد هذه الخطوة ما إذا كانت مشاهدتان تعودان إلى المركبة نفسها، حتى عندما لا تتداخل الكاميرات.

كيف يمكن لنماذج Ultralytics YOLO دعم إعادة تعرّف المركبات#

تؤدي نماذج Ultralytics YOLO دورًا داعمًا مهمًا في مسارات إعادة تعرّف المركبات. وعلى الرغم من أنها لا تنفذ إعادة التعرّف بمفردها، فإنها توفر قدرات أساسية أخرى، مثل الاكتشاف السريع والتتبع المستقر، التي تعتمد عليها شبكات إعادة التعرّف لإجراء المطابقة الدقيقة عبر الكاميرات.

لنلقِ الآن نظرةً أقرب على كيفية تعزيز نماذج Ultralytics YOLO، مثل YOLO11، لأنظمة إعادة تعرّف المركبات.

وحدة دقيقة لاكتشاف المركبات: الجزء الأول من أنظمة إعادة التعرّف#

يُعد اكتشاف الأجسام بدقة أساس أي نظام لإعادة تعرّف المركبات. وتُعد نماذج Ultralytics YOLO، مثل YOLO11، خيارًا ممتازًا لذلك، إذ يمكنها اكتشاف المركبات بسرعة في كل إطار، حتى في المشاهد المزدحمة التي تتضمن حجبًا جزئيًا أو حركة مرور كثيفة أو ظروف إضاءة متغيرة.

كما يمكن تدريبها بصورة مخصصة، ما يعني أنه يمكنك ضبط النموذج دقيقًا على مجموعة بياناتك الخاصة ليتعلم التعرّف إلى أنواع محددة من المركبات، مثل سيارات الأجرة أو شاحنات التوصيل أو مركبات الأساطيل. ويكون ذلك مفيدًا خصوصًا عندما يتطلب الحل اكتشافًا أكثر تخصصًا. ومن خلال توفير مربعات إحاطة نظيفة ودقيقة، تمنح نماذج Ultralytics YOLO شبكات إعادة التعرّف مدخلات عالية الجودة للعمل عليها، مما يؤدي إلى مطابقة أكثر موثوقية عبر الكاميرات.

دعم التتبع الموثوق باستخدام كاميرا واحدة#

بعد اكتشاف المركبات، يمكن لنماذج مثل Ultralytics YOLO11 أيضًا دعم تتبع الأجسام المستقر ضمن مجال رؤية كاميرا واحدة. وتتبع الأجسام هو عملية متابعة مركبة مكتشفة عبر إطارات متتالية وإسناد معرّف ثابت إليها أثناء تحركها.

بفضل الدعم المدمج لخوارزميات التتبع مثل ByteTrack وBoT-SORT في حزمة Ultralytics Python، يستطيع YOLO11 الحفاظ على معرّفات ثابتة أثناء تحرك المركبات عبر المشهد. ويقلل هذا التتبع المستقر من تبديلات الهوية قبل أن يتولى نظام إعادة التعرّف المهمة، مما يحسن في النهاية دقة المطابقة عبر الكاميرات.

إعادة التعرّف الاختيارية على مستوى أداة التتبع لتحسين استقرار الهوية#

بالإضافة إلى التتبع القياسي القائم على الحركة، تتضمن حزمة Ultralytics Python قدرات إعادة تعرّف اختيارية قائمة على المظهر ضمن أداة التتبع BoT-SORT. وهذا يعني أن أداة التتبع تستطيع استخدام خصائص المظهر المرئي، وليس أنماط الحركة أو تداخل مربعات الإحاطة فحسب، لتحديد ما إذا كان اكتشافان يعودان إلى المركبة نفسها.

عند تفعيله، يستخرج BoT-SORT تضمينات خفيفة الوزن للمظهر من الكاشف أو من نموذج تصنيف Ultralytics YOLO11، ويستخدمها للتحقق من الهوية بين الإطارات. ويساعد هذا المؤشر الإضافي للمظهر أداة التتبع على الحفاظ على معرّفات أكثر استقرارًا في الحالات الصعبة، مثل الحجب القصير، أو مرور المركبات متقاربة، أو التحولات الصغيرة الناتجة عن حركة الكاميرا.

على الرغم من أن إعادة التعرّف المدمجة هذه لا تهدف إلى استبدال إعادة تعرّف المركبات الكاملة عبر الكاميرات، فإنها تحسن اتساق الهوية ضمن مجال رؤية كاميرا واحدة وتنتج مسارات أنظف يمكن لوحدات إعادة التعرّف اللاحقة الاعتماد عليها. ولاستخدام ميزات التتبع القائمة على المظهر هذه، ما عليك سوى تفعيل إعادة التعرّف في ملف إعدادات أداة التتبع BoT-SORT من خلال ضبط “with_reid” على “True” واختيار النموذج الذي سيوفر خصائص المظهر.

لمزيد من التفاصيل، يمكنك الاطلاع على صفحة توثيق Ultralytics الخاصة بتتبع الأجسام، التي تشرح خيارات إعادة التعرّف المتاحة وكيفية إعدادها.

توفير مدخلات عالية الجودة لشبكات إعادة التعرّف#

إلى جانب تحسين استقرار الهوية أثناء التتبع، تؤدي نماذج YOLO أيضًا دورًا مهمًا في إعداد مدخلات مرئية نظيفة لشبكة إعادة التعرّف نفسها.

بعد اكتشاف مركبة، يُقتص عادةً مربع إحاطتها ويُرسل إلى شبكة لإعادة التعرّف، تستخرج الخصائص المرئية اللازمة للمطابقة. وبما أن نماذج إعادة التعرّف تعتمد بدرجة كبيرة على هذه الصور المقتصة، فإن المدخلات الضعيفة، مثل الاقتصاصات الضبابية أو غير المحاذاة أو غير المكتملة، قد تؤدي إلى تضمينات أضعف ومطابقة أقل موثوقية عبر الكاميرات.

تساعد نماذج Ultralytics YOLO على تقليل هذه المشكلات من خلال إنتاج مربعات إحاطة نظيفة ومحاذاة جيدًا بصورة متسقة، تلتقط المركبة المعنية كاملةً. ومع اقتصاصات أوضح وأكثر دقة، تستطيع شبكة إعادة التعرّف التركيز على التفاصيل المهمة مثل اللون والشكل والملمس وغيرها من الخصائص المميزة. وتؤدي المدخلات عالية الجودة إلى أداء أكثر موثوقية ودقة لإعادة التعرّف عبر مجالات رؤية الكاميرات.

تمكين المطابقة عبر الكاميرات عند الدمج مع نموذج لإعادة التعرّف#

على الرغم من أن نماذج Ultralytics YOLO لا تنفذ إعادة التعرّف بمفردها، فإنها توفر المعلومات الأساسية التي تحتاج إليها شبكة إعادة التعرّف لمقارنة المركبات عبر مجالات رؤية كاميرات مختلفة. ويمكن لنماذج مثل YOLO11 تولي تحديد مواقع المركبات وتتبعها ضمن كل كاميرا، بينما يحدد نموذج إعادة التعرّف ما إذا كان اقتصاصا مركبتين من موقعين مختلفين يعودان إلى الهوية نفسها.

عندما تعمل هذه المكونات معًا، أي YOLO للاكتشاف والتتبع، ونموذج تضمين مخصص لاستخراج الخصائص، فإنها تشكل مسارًا متكاملًا لمطابقة المركبات عبر كاميرات متعددة. ويتيح ذلك ربط المركبة نفسها أثناء تحركها عبر شبكة كاميرات أوسع.

فعلى سبيل المثال، استخدم باحثون في دراسة حديثة نموذج Ultralytics YOLO11 خفيف الوزن بوصفه كاشف المركبات في نظام تتبع متعدد الكاميرات عبر الإنترنت. ووجدت الدراسة أن استخدام YOLO11 ساعد على تقليل زمن الاكتشاف دون التضحية بالدقة، مما حسّن الأداء الإجمالي للتتبع اللاحق والمطابقة عبر الكاميرات.

الشكل 3. تتبع وإعادة تعرّف مركبات متعددة عبر كاميرات متعددة بالاعتماد على Ultralytics YOLO11. (المصدر)

بنى قائمة على التعلم العميق لإعادة تعرّف المركبات#

بعد أن أصبح لدينا فهم أفضل لكيفية دعم نماذج Ultralytics YOLO لإعادة تعرّف المركبات، لنلقِ نظرةً أقرب على نماذج التعلم العميق التي تتولى خطوتي استخراج الخصائص والمطابقة. وهذه النماذج مسؤولة عن تعلم شكل المركبات، وإنشاء تضمينات متينة، والتمييز بين المركبات المتشابهة بصريًا عبر مجالات رؤية كاميرات مختلفة.

فيما يلي بعض الأمثلة على مكونات التعلم العميق الأساسية المستخدمة في أنظمة إعادة تعرّف الأجسام:

• استخراج الخصائص باستخدام CNNs: تتعلم الشبكات العصبية الالتفافية مثل ResNet50 أو ResNet101 خصائص عميقة من خلال التعرف إلى الأنماط، فتحدد عناصر مثل اللون والشكل والملمس التي تميز مركبة عن أخرى. ثم تُحوَّل هذه الأنماط المتعلمة إلى تضمينات تعمل بوصفها تمثيلًا رقميًا فريدًا للمركبة.

• آليات الانتباه وTransformer: يمكن لشبكات وطبقات الانتباه، بما في ذلك الانتباه المكاني، أن تساعد على إبراز المناطق المهمة في المركبة، مثل المصابيح الأمامية أو النوافذ أو مناطق لوحات الترخيص. ويركز الانتباه المكاني النموذج على مواضع وجود الإشارات المرئية الأكثر إفادة، بينما تلتقط النماذج القائمة على Transformer، مثل المحولات البصرية (ViT)، العلاقات الشاملة عبر الصورة بأكملها. وتعمل هذه العناصر معًا على تحسين الدقة الدقيقة عندما تبدو المركبات متشابهة جدًا.

• الشبكات القائمة على الأجزاء ومتعددة الفروع: تحلل بعض نماذج إعادة التعرّف مناطق محددة من المركبة بصورة منفصلة، مثل السقف أو المصابيح الخلفية أو الألواح الجانبية، ثم تدمج النتائج. وهذا يعني أن النظام يظل متينًا حتى عندما تكون المركبات محجوبة جزئيًا أو تُرى من زوايا صعبة.

بالإضافة إلى هذه المكونات المعمارية، يؤدي تعلم المقاييس دورًا رئيسيًا في تدريب نماذج إعادة تعرّف المركبات. وتساعد دوال خسارة مثل خسارة الثلاثيات، والخسارة التباينية، وخسارة الانتروبيا المتقاطعة النظام على تعلم تضمينات قوية ومميزة، من خلال تقريب صور المركبة نفسها وإبعاد صور المركبات المختلفة.

مجموعات بيانات ومعايير إعادة تعرّف المركبات الشائعة#

في أبحاث الرؤية الحاسوبية، تؤثر جودة مجموعة البيانات تأثيرًا كبيرًا في مدى جودة أداء النموذج بعد نشره. وتوفر مجموعة البيانات الصور أو مقاطع الفيديو الموسومة التي يتعلم منها النموذج.

وبالنسبة إلى إعادة تعرّف المركبات، يجب أن تلتقط مجموعات البيانات المتقدمة هذه ظروفًا متنوعة مثل الإضاءة وتغيرات وجهة النظر وتنوعات الطقس. ويساعد هذا التنوع النماذج على التعامل مع تعقيد بيئات النقل الواقعية.

إليك لمحة عن مجموعات البيانات الشائعة التي تدعم تدريب نماذج إعادة تعرّف المركبات وتحسينها وتقييمها:

• مجموعة بيانات VeRi-776: هي مجموعة تضم أكثر من 50,000 صورة مركبة مشروحة، التُقطت من 20 كاميرا في المدينة. وتتضمن الشروحات معرّف المركبة ولونها وطرازها ومناطق لوحات الترخيص، مما يتيح تعلمًا تفصيليًا للخصائص.
• مجموعة بيانات VehicleID: تضم مجموعة البيانات واسعة النطاق هذه أكثر من 200,000 صورة تمثل أكثر من 26,000 مركبة. وغالبًا ما تُختار لدراسة قابلية التوسع وإجراء مقارنات أساسية بين الأساليب المختلفة.
• مجموعة بيانات VeRi-Wild: صُممت لتعكس التباين في العالم الحقيقي، بما في ذلك الاختلافات في وجهة النظر والطقس والحجب الجزئي. وتُستخدم عادةً لتقييم متانة النموذج وقدرته على التعميم.

الشكل 4. مثال على مركبات في مجموعة بيانات VeRi-776. (المصدر)

يُقيَّم أداء النموذج على مجموعات البيانات هذه عادةً باستخدام مقاييس مثل متوسط الدقة المتوسطة (mAP) ودقة Rank-1 أو Rank-5. ويقيس mAP مدى دقة النموذج في استرجاع جميع المطابقات ذات الصلة بمركبة معينة، بينما تشير درجتا Rank-1 وRank-5 إلى ما إذا كانت المطابقة الصحيحة تظهر في أعلى قائمة النتائج أو ضمن التنبؤات القليلة الأولى.

وتمنح هذه المعايير مجتمعةً الباحثين طريقة متسقة لمقارنة الأساليب المختلفة، وتؤدي دورًا مهمًا في توجيه تطوير أنظمة إعادة تعرّف المركبات الأكثر دقة وموثوقية للاستخدام في العالم الحقيقي.

تطبيقات إعادة تعرّف المركبات#

بعد أن غطينا الأساسيات، لنستعرض بعض حالات الاستخدام الواقعية التي تدعم فيها إعادة تعرّف المركبات عمليات النقل والتنقل والمراقبة العملية.

المراقبة الحضرية لحركة المرور ومتابعتها#

تمتلئ طرق المدن المزدحمة بالحركة باستمرار، وغالبًا ما تواجه كاميرات المرور صعوبة في تتبع المركبة نفسها أثناء انتقالها بين مناطق مختلفة. وقد تؤدي تغيّرات الإضاءة والمشاهد المزدحمة والمركبات المتطابقة تقريبًا في مظهرها إلى فقدان الهويات عبر الكاميرات.

تعالج إعادة تعرّف المركبات ذلك من خلال اكتشاف المركبات بوضوح، واستخراج الخصائص المميزة، والحفاظ على معرّفات ثابتة حتى في اللقطات منخفضة الدقة أو المزدحمة. والنتيجة هي تتبع أكثر سلاسة واستمرارية عبر الشبكة، مما يمنح فرق المرور صورة أوضح عن حركة المركبات في المدينة، ويمكّن من الاستجابة الأسرع والأكثر استنارة للازدحام والحوادث.

أنظمة مواقف السيارات الذكية#

تعتمد مرافق مواقف السيارات الذكية على تحديد ثابت لهوية المركبات لإدارة الدخول والخروج والتحكم في الوصول وتخصيص المساحات. غير أن الكاميرات في هذه البيئات تلتقط المركبات غالبًا من زوايا غير مألوفة وفي ظروف إضاءة صعبة، مثل مواقف السيارات تحت الأرض أو المناطق المظللة أو المواقف الخارجية عند الغسق.

تجعل هذه الظروف التحقق من ظهور المركبة نفسها عبر مناطق مختلفة أكثر صعوبة. وعندما تكون الهويات غير متسقة، قد تتعطل سجلات مواقف السيارات، ويصبح التحكم في الوصول أقل موثوقية، وقد يتعرض السائقون للتأخير. لذلك تدمج العديد من أنظمة مواقف السيارات الذكية نماذج إعادة تعرّف المركبات للحفاظ على هوية ثابتة لكل مركبة أثناء تحركها داخل المنشأة.

الشكل 5. مثال على إعادة تعرّف المركبات يعرض صورة المركبة المحددة على اليسار ونتائج البحث المطابقة على اليمين. (المصدر)

إنفاذ القانون والتحقيقات الجنائية#

استنادًا إلى مراقبة حركة المرور، تؤدي إعادة تعرّف المركبات أيضًا دورًا مهمًا في إنفاذ القانون والتحقيقات الجنائية. ففي حالات كثيرة، يحتاج الضباط إلى تتبع مركبة عبر عدة كاميرات، لكن قد يتعذر قراءة لوحات الترخيص أو تكون مفقودة أو محجوبة عمدًا.

يمكن للمشاهد المزدحمة وضعف الرؤية والحجب الجزئي أن تجعل المركبات المختلفة تبدو متشابهة على نحو مضلل، مما يجعل تحديد الهوية يدويًا بطيئًا وغير موثوق. ويمكن استخدام إعادة تعرّف المركبات لتتبع حركة مركبة عبر شبكات كاميرات غير متداخلة من خلال تحليل خصائصها المرئية بدلًا من الاعتماد solely على لوحات الترخيص.

وهذا يعني أن المحققين يستطيعون تتبع تحركات المركبة بسهولة أكبر، وفهم وقت ظهورها في مواقع مختلفة، وتأكيد مسارها قبل وقوع حادث أو بعده. كما تدعم إعادة تعرّف المركبات المدعومة بالذكاء الاصطناعي مهام مثل تتبع المركبات المشتبه فيها، ومراجعة لقطات الحوادث، أو تحديد الاتجاه الذي سلكته المركبة قبل حدث ما أو بعده.

الشكل 6. مطابقة المركبات عبر كاميرات مختلفة ذات مناظير متنوعة. (المصدر)

تتبع الأساطيل والخدمات اللوجستية#

تعتمد عمليات الأساطيل والخدمات اللوجستية غالبًا على GPS وRFID وسجلات يدوية لتتبع حركة المركبات، لكن هذه الأدوات تترك فجوات في المناطق التي تغطيها كاميرات الأمن أو كاميرات الساحات، مثل أرصفة التحميل وساحات المستودعات وشبكات الطرق الداخلية.

تنتقل المركبات كثيرًا بين كاميرات غير متداخلة، أو تختفي خلف المنشآت، أو تبدو متطابقة تقريبًا مع مركبات أخرى في الأسطول، مما يجعل من الصعب تأكيد رؤية المركبة نفسها في مواقع مختلفة. ويمكن لأنظمة إعادة تعرّف المركبات سد هذه الفجوات من خلال تحليل التفاصيل المرئية ومعلومات التوقيت للحفاظ على هوية ثابتة لكل مركبة أثناء تحركها داخل المنشأة.

ويمنح ذلك مديري الأساطيل رؤية أكثر اكتمالًا للنشاط داخل مراكزهم، ويدعم مهام مثل التحقق من مسارات التسليم، وتحديد التحركات غير المعتادة، وضمان اتباع المركبات للمسارات المتوقعة.

إيجابيات وسلبيات مهام إعادة تعرّف المركبات#

فيما يلي بعض الفوائد الرئيسية لاستخدام إعادة تعرّف المركبات المدعومة بالذكاء الاصطناعي:

• تقليل العمل اليدوي: تعمل إعادة تعرّف المركبات على أتمتة مهام مطابقة الهوية التي كانت تتطلب لولا ذلك مراجعة يدوية واسعة، مما يقلل بدرجة كبيرة الوقت والجهد اللازمين لتحليل لقطات الفيديو.
• الأتمتة والرؤى الفورية: من خلال الجمع بين الاكتشاف والتتبع ومطابقة الخصائص، تدعم إعادة تعرّف المركبات المراقبة الآلية المستمرة، ويمكنها توفير تنبيهات فورية للاستجابة الأسرع للحوادث.
• قابلية التوسع والتكيف: تستطيع نماذج إعادة التعرّف التكيف مع البيئات الجديدة وظروف الإضاءة أو زوايا الكاميرات من خلال تعلم الخصائص المتين، واستخراج الخصائص متعددة المقاييس، والتمثيلات الثابتة التي تظل مستقرة في ظل التغيرات المرئية. وتجعل هذه القدرات النماذج مناسبة لكل من شبكات المدن الكبيرة وعمليات النشر الأصغر.

مع أن إعادة تعرّف المركبات توفر مزايا عديدة، فهناك أيضًا بعض القيود التي ينبغي أخذها في الاعتبار. وفيما يلي بعض العوامل التي تؤثر في موثوقيتها في البيئات الواقعية:

• الطلب الحسابي المرتفع: يتطلب استخراج الخصائص وإنشاء التضمينات والمطابقة عبر الكاميرات قدرة معالجة كبيرة، خصوصًا عند مراقبة شبكات كبيرة من الكاميرات.
• التباين البيئي: يمكن لعوامل مثل الإضاءة الليلية وتغيرات الطقس والظلال والحجب أن تقلل قدرة النموذج على الحفاظ على هويات متسقة عبر المشاهد.
• قيود مجموعة البيانات والمجال: قد لا تعمم النماذج المدربة على مجموعات بيانات محدودة أو مثالية جيدًا على الظروف الواقعية من دون ضبط دقيق إضافي أو تكييف للمجال.

آفاق أساليب إعادة تعرّف المركبات#

تواصل إعادة تعرّف المركبات تقدمها مع تطور التقنية. وتبرز المنشورات الحديثة من IEEE وCVPR وarXiv، إلى جانب العروض المقدمة في المؤتمرات الدولية، تحولًا واضحًا نحو نماذج أكثر ثراءً تجمع بين مصادر بيانات متعددة واستدلال أكثر تقدمًا على الخصائص. ومن المرجح أن يركز العمل المستقبلي في هذا المجال على بناء أنظمة أكثر متانة وكفاءة وقدرة على التعامل مع التباين الواقعي على نطاق واسع.

فعلى سبيل المثال، يتمثل أحد الاتجاهات الواعدة في استخدام النماذج القائمة على Transformer وشبكات تجميع الرسوم البيانية. إذ تستطيع Transformer تحليل الصورة بأكملها وفهم كيفية ترابط جميع التفاصيل المرئية، مما يساعد النظام على التعرّف إلى المركبة نفسها حتى عند تغير الزاوية أو الإضاءة.

تتقدم النماذج القائمة على الرسوم البيانية خطوة إضافية من خلال التعامل مع أجزاء المركبة المختلفة أو مشاهد الكاميرات باعتبارها نقاطًا مترابطة في شبكة. ويتيح ذلك للنظام فهم الارتباط بين تلك النقاط الأساسية واتخاذ قرارات أفضل بشأن هويات المركبات والسمات التمييزية.

ومن التطورات الرئيسية الأخرى دمج البيانات متعددة الوسائط ودمج السمات. فبدلًا من الاعتماد على الصور وحدها، تجمع الأنظمة الأحدث بين المعلومات المرئية وإشارات الوسائط المتعددة الأخرى، مثل بيانات GPS أو أنماط الحركة المستمدة من المستشعرات. ويسهّل هذا السياق الإضافي على النظام الحفاظ على دقته عندما تكون المركبات محجوبة جزئيًا، أو عندما تكون الإضاءة ضعيفة، أو عندما تتغير زوايا الكاميرا فجأة.

أهم النقاط المستخلصة#

أصبحت إعادة التعرّف على المركبات منهجيةً أساسيةً في نظم النقل الذكية، إذ تساعد المدن على تتبّع المركبات بموثوقية أكبر عبر الكاميرات المختلفة. وبفضل التقدم في التعلم العميق وتحسّن التحقق باستخدام مجموعات بيانات أغنى وأكثر تنوعًا، أصبحت هذه الأنظمة أكثر دقة وعملية في الظروف الواقعية.

مع تطور التقنية، من المهم تحقيق التوازن بين الابتكار والممارسات المسؤولة المتعلقة بالخصوصية والأمن والأخلاقيات. وبوجه عام، تمهّد هذه التطورات الطريق أمام شبكات نقل أذكى وأكثر أمانًا وكفاءة.

استكشف المزيد عن الذكاء الاصطناعي بزيارة مستودع GitHub والانضمام إلى مجتمعنا. واطّلع على صفحات حلولنا للتعرف إلى الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في التصنيع. وتعرّف إلى خيارات الترخيص لدينا لبدء استخدام الذكاء الاصطناعي للرؤية اليوم!