كيف يعمل عدّ الأشخاص وتحليل الإشغال فعليًا
كيف يعمل عدّ الأشخاص وتحليل الإشغال: مقارنة أساليب WiFi وToF والتصوير الحراري والرؤية المعتمدة على الكاميرات، والمنتجات المتاحة، وكيفية بناء هذا الحل.
تفشل معظم مشاريع عدّ الأشخاص قبل اختيار أي مستشعر، لأن عبارة «كم عدد الأشخاص» تشير إلى أربعة قياسات مختلفة، وغالباً ما تحدد الفرق القياس الخطأ. فعدد مرات الدخول خلال يوم، وعدد الموجودين الآن، ومدة إقامة كل شخص، وعدد المنتظرين في طابور، تتطلب أساليب استشعار ومواقع تركيب ومستويات دقة مختلفة. قد يُبلغ نظام يعدّ مرات الدخول بدقة عن الإشغال على نحو سيئ، وقد يفوّت نظام مضبوط لقياس الإشغال حالات الدخول القصيرة تماماً.
يفصل هذا الدليل بين تلك القياسات، ويقارن بإنصاف أساليب الاستشعار (WiFi وBLE، والحزم تحت الحمراء، ووقت الرحلة، والتصوير الحراري، والرؤية المجسمة، والرؤية المعتمدة على الكاميرات)، ويتناول كلاً من المنتجات الجديرة بالشراء وكيفية بناء الفرق أنظمة العدّ المعتمدة على الكاميرات بنفسها باستخدام نماذج Ultralytics YOLO.
أربعة قياسات، لا قياس واحد#
| القياس | السؤال الذي يجيب عنه | المتطلبات | الإخفاق الشائع |
|---|---|---|---|
| مرات الدخول / حركة الزوار | كم شخصاً دخل اليوم؟ | العدّ الاتجاهي عند كل مدخل | احتساب الموظفين وعمليات التسليم وحالات الدخول المتكرر ضمن الزوار |
| الإشغال | كم شخصاً في الداخل الآن؟ | احتساب الدخول والخروج بدقة، أو الاستشعار على مستوى المنطقة بأكملها | تراكم أخطاء اتجاهية صغيرة لتتحول إلى انحراف كبير خلال اليوم |
| مدة البقاء | كم بقي الأشخاص؟ | تتبّع المسارات عبر المنطقة من دون تحديد الهوية | فقدان المسارات بسبب الحجب، ثم احتساب العودة مرتين |
| طول الطابور ومدة الانتظار | كم شخصاً ينتظر، ولمدة كم؟ | العدّ القائم على المنطقة مع قياس الزمن | تحديد نقطة بداية الطابور عندما لا يكون منتظماً |
الإشغال هو القياس الذي يفاجئ الفرق. فاشتقاقه من عدد مرات الدخول مطروحاً منه عدد مرات الخروج يعني تراكم كل خطأ في العدّ: إذ يؤدي خطأ اتجاهي صغير، يتكرر مع كل حركة عبر الباب، إلى جعل العدد غير دقيق بشكل ملموس عند الإغلاق. والأنظمة التي تتطلب إشغالاً موثوقاً إما أن تستشعر المنطقة كلها مباشرة، أو تعيد ضبط العدّ عند تحقق حالة معلومة من خلو المكان، وعادةً ما يكون ذلك خلال الليل.
مقارنة أساليب الاستشعار#
| الأسلوب | آلية العمل | نقاط القوة | القيود | خصائص الخصوصية |
|---|---|---|---|---|
| WiFi / BLE | يرصد إشارات الأجهزة | تغطية واسعة، ولا حاجة إلى تركيب سقفي، وتكلفة منخفضة عند وجود نقاط وصول | يعدّ الأجهزة لا الأشخاص؛ ولا يرصد الهواتف المغلقة أو التي تستخدم معرّفات عشوائية؛ ودقته ضعيفة | لا توجد صور؛ لكن معرّفات الأجهزة تظل بيانات شخصية في كثير من الأنظمة التنظيمية |
| حزمة تحت حمراء | حزمة تنقطع عبر مدخل | منخفضة التكلفة جداً، وبسيطة، واستهلاكها للطاقة منخفض | لا تحدد الاتجاه إلا عند اقترانها بمستشعر آخر؛ وتُحتسب المجموعات التي تسير جنباً إلى جنب كشخص واحد | حد أدنى |
| وقت الرحلة (ToF) | استشعار علوي للعمق في منطقة محددة | عدّ اتجاهي دقيق، ومتين في ظروف الإضاءة المختلفة، ويعمل في الظلام | تغطية ثابتة وضيقة لكل وحدة؛ وتلزم وحدات إضافية للمداخل الواسعة | لا ينتج صوراً يمكن التعرّف من خلالها على الأشخاص |
| التصوير الحراري | يرصد بصمات حرارة الجسم | يعمل في الظلام؛ ومجهول الهوية بطبيعته | تتراجع كفاءته عندما تقترب درجة الحرارة المحيطة من حرارة الجسم؛ ودقته المكانية أقل | قوية — لا تُنتج صوراً تكشف الهوية |
| الرؤية المجسمة | تستخلص عدستان معلومات العمق | دقة جيدة، مع تصفية حسب الطول لاستبعاد الأطفال أو عربات التسوق | تكلفة الوحدة أعلى؛ ويتطلب التركيب والمعايرة عناية | توجد صور، لكنها تُعالج عادةً محلياً |
| الرؤية المعتمدة على الكاميرات | نماذج للكشف والتتبّع تعمل على الفيديو | توفر العدّ والسياق معاً — الطوابير والمناطق والاتجاه ومدة البقاء وفئات الأجسام — باستخدام كاميرات قد تكون مملوكة لديك بالفعل | تتأثر بالإضاءة والحجب وزاوية الكاميرا؛ وتتطلب قدرة حوسبية | الأكثر حساسية؛ وتتطلب تصميماً مدروساً |
المفاضلة الحقيقية هي بين السياق والبساطة. يؤدي مستشعر ToF فوق الباب مهمة واحدة بكفاءة عالية، ولا يخبرك بأي شيء آخر. أما الرؤية المعتمدة على الكاميرات فتوفر الاتجاه والمناطق ومدة البقاء والطوابير وفئات الأجسام من التدفق نفسه، مقابل التعامل مع تحديات الإضاءة والحجب والقدرة الحوسبية.
عند وجود مدخل واحد لا يهم فيه سوى عدد مرات الدخول، يكون مستشعر ToF العلوي عادةً الخيار الهندسي الأفضل، كما يسهل تبرير استخدامه من منظور الخصوصية. أما تحليل مناطق متعددة أو الطوابير أو العدّ الذي يجب أن يجمعه النظام مع عمليات كشف أخرى، فالرؤية هي الأسلوب القابل للتوسع بما يلبي المتطلبات.
ما الذي يؤدي فعلياً إلى تراجع دقة العدّ#
تُعرض أرقام دقة الموردين في ظروف نادراً ما تشبه واقع النشر. وفيما يلي العوامل التي تؤثر في الدقة الفعلية:
- المجموعات والسير جنباً إلى جنب. يُعد مرور شخصين متلاصقين عبر باب واسع السبب المعتاد لنقص العدّ. ويؤثر عرض المدخل مقارنةً بتغطية المستشعر أكثر من الدقة الاسمية للمستشعر.
- الحجب. تحجب عربات التسوق والمظلات والأمتعة وشاشات العرض الطويلة والحشود الأشخاص عن أي أسلوب يتطلب رؤية واضحة.
- زاوية الكاميرا. تكون الرؤية العلوية أدق بكثير من الرؤية المائلة في العدّ، لأن الأشخاص يتوارون خلف بعضهم في المناظر المائلة. ويُعد استخدام كاميرا مراقبة معاد توظيفها بزاوية منخفضة السبب الأكثر شيوعاً لخيبة الأمل من دقة العدّ بالرؤية الحاسوبية.
- الإضاءة. تُعد المداخل ذات الإضاءة الخلفية عند الشروق والغروب أصعب الظروف للرؤية الحاسوبية، وكذلك الأرضيات العاكسة والأبواب الزجاجية.
- التلكؤ عند العتبة. قد يؤدي وقوف شخص في المدخل للتحدث إلى تسجيل عمليات عبور متكررة ما لم تُطبّق قاعدة للاستمرارية.
- من يُحتسب زائراً. عادةً ما يشكل الموظفون وعمال النظافة وعمليات التسليم والمارّة أكبر مصدر منفرد للخلاف بين النظام والتدقيق اليدوي، وهذه مشكلة تعريف لا استشعار.
- العدّ المزدوج عبر كاميرات متعددة. تحتسب مجالات الرؤية المتداخلة الشخص نفسه مرتين، ما لم تُعرّف المناطق بحيث لا تتداخل، أو تُنقل المسارات بين الكاميرات.
أياً كان النظام الذي تنشره، تحقّق من صحته بمقارنته بعدّ يدوي في أسوأ الظروف لديك: ساعة الذروة، وأسوأ إضاءة، وأوسع مدخل. فالدقة في تلك الظروف هي الرقم الأهم.
منتجات جديرة بإدراجها في القائمة المختصرة عند الشراء#
إذا كان الهدف إعداد تقارير عن حركة الزوار أو لوحات معلومات الإشغال أو تحليلات تحويل الزوار في متاجر التجزئة، فهذه منتجات ناضجة، ويكون الشراء عادةً هو الخيار الصحيح. ولا تُعد Ultralytics بديلاً عنها.
Xovis. مستشعرات علوية للرؤية المجسمة تتميز بدقة عالية في عدّ الداخلين وإدارة الطوابير وتحليلات المناطق، ومنتشرة على نطاق واسع في المطارات ومتاجر التجزئة الكبيرة. الأنسب للبيئات التي تُعد فيها دقة العدّ ضرورية للتشغيل. المفاضلة: يلزم تركيب عتاد مستشعرات لكل مساحة تغطية، لذا تزيد التكلفة مع اتساع المداخل أو تعددها.
V-Count. حلول لعدّ الأشخاص وتحليلات موجّهة بوضوح إلى قطاع التجزئة، مع طبقة منصة تغطي تقارير حركة الزوار والإشغال والتحويل. الأنسب لسلاسل متاجر التجزئة متعددة المواقع التي تريد تقارير جاهزة للاستخدام. المفاضلة: لا تنتقل التحليلات المصممة للتجزئة بسهولة إلى البيئات الصناعية أو الجامعية.
Density. قياس الإشغال الموجّه إلى أماكن العمل باستخدام مستشعرات العمق المجهولة الهوية الخاصة بها، والمصمم لدعم قرارات العقارات واستخدام المساحات. الأنسب للمؤسسات التي تدير محافظ عقارية وتسعى إلى تحسين استغلال المساحات المكتبية. المفاضلة: صُمم للإجابة عن أسئلة أماكن العمل، لا عن تحويل الزوار في قطاع التجزئة.
FootfallCam. عتاد للعدّ إلى جانب التحليلات، مع تغطية واسعة لقطاع التجزئة ومجموعة كبيرة من خيارات المستشعرات. الأنسب لمتاجر التجزئة التي تريد العتاد والتقارير من مورد واحد. المفاضلة: يتطلب تنوع الطرازات عناية في تحديد المواصفات.
RetailNext. منصة لتحليلات المتاجر الفعلية، حيث يغذي العدّ منتجاً أوسع نطاقاً للترويج وسلوك المتسوقين. الأنسب لمتاجر التجزئة التي تركز على أداء المتجر، لا حركة الزوار فحسب. المفاضلة: نطاق المنصة أوسع بكثير من العدّ، وينعكس ذلك على السعر.
Sensormatic ShopperTrak. حلول راسخة منذ وقت طويل لعدّ حركة الزوار في متاجر التجزئة ومقارنتها بمعايير مرجعية، تستند إلى بيانات سوقية واسعة. الأنسب لمتاجر التجزئة التي تقدّر المعايير المرجعية المقارنة. المفاضلة: توجّه مؤسسي نحو قطاع التجزئة.
Axis. تطبيقات العدّ التي تعمل على كاميرات Axis، وهي مفيدة عندما تكون هناك بنية قائمة من كاميرات Axis ولا يُرغب في إضافة أجهزة. الأنسب للمؤسسات التي تعتمد معيار Axis. المفاضلة: الارتباط بمنظومة الكاميرات هذه.
Cisco Spaces. رؤى حول الإشغال والموقع مستمدة من بنية الشبكة الحالية. الأنسب للمجمّعات الكبيرة التي تريد معرفة الإشغال دون إضافة مستشعرات جديدة. المفاضلة: يعتمد الاستشعار على الأجهزة، وما يترتب على ذلك من محدودية في الدقة.
إنشاء نظام عدّ يعتمد على الكاميرات في المباني#
يُعدّ العدّ أحد تطبيقات الرؤية الحاسوبية الأسهل نسبيًا في التنفيذ، لذا فهو مشروع أول شائع. ويستحق البناء عندما يكون العدّ مكوّنًا من نظام أكبر (آلة أو روبوت أو منصة موقع أو منتج تشحنه)، أو عندما يجب دمج العدد مع اكتشافات لا يقدمها أي منتج، أو عندما يتعذر إخراج لقطات الفيديو من الموقع.
مسار المعالجة راسخ ومجرّب.
اكتشاف الأشخاص في كل إطار. تتولى نماذج Ultralytics YOLO (YOLOv8 وYOLO11 وYOLO26) اكتشاف الأشخاص، ويمكن للنموذج نفسه اكتشاف فئات أخرى تهمك في التمريرة ذاتها، مثل المركبات وعربات التسوق والرافعات الشوكية.
التتبّع عبر الإطارات. يتطلب العدّ معرفة أن الشخص في الإطار 200 هو الشخص نفسه الذي ظهر في الإطار 199. تدعم نماذج Ultralytics التتبّع، الذي يعيّن معرّفات ثابتة لا تكشف الهوية عبر تسلسل من الإطارات، وتؤثر جودة التتبّع أثناء الاحتجاب في جودة العدّ بدرجة أكبر بكثير من دقة الاكتشاف.
تحديد هندسة العدّ. استخدم خطًا لعدّ الدخول والخروج بحسب الاتجاه، أو مضلعًا لقياس الإشغال في منطقة. يُستدل على الاتجاه من الجهة التي يعبر منها المسار الخط. وعندما تغطي كاميرات متعددة مناطق متجاورة، حدّد مناطق متنافية كي لا يُحتسب الشخص مرتين مطلقًا.
إضافة الاستمرارية وإزالة الارتداد. اشترط تثبيت المسار لمدة N إطارًا قبل احتسابه، وامنع شخصًا واحدًا يمكث عند حدّ المنطقة من توليد عمليات عبور متكررة. هذا المستوى، لا النموذج، هو مصدر معظم التحسن في الدقة.
اختيار هدف النشر مبكرًا. يشكّل الاستدلال المستمر على عدة تدفقات مسألة حقيقية تتعلق بالسعة. لا يتطلب معظم تطبيقات العدّ معالجة كل إطار: حدّد معدل الإطارات وفقًا لسرعة عبور الشخص للخط، لا وفقًا لما تستطيع الكاميرا إرساله. يمكن تصدير نماذج Ultralytics إلى تنسيقات تشمل ONNX وTensorRT لتشغيلها على أجهزة الحافة المجاورة للكاميرا، ما يُبقي الفيديو محليًا أيضًا.
التدريب على لقطاتك الخاصة. يتعامل النموذج العام مع الأشخاص جيدًا؛ لكن مدخل منشأتك المحدد عند شروق الشمس، بأبوابه الزجاجية وأرضيته العاكسة، هو ما يحدد دقة التشغيل الفعلية. يمكن لـ Ultralytics Platform إضافة تعليقات توضيحية إلى تلك اللقطات باستخدام التعليقات التوضيحية الذكية المستندة إلى SAM، والتدريب عليها ضمن سير العمل نفسه.
التحقق بمقارنة النتائج بالعدّ اليدوي خلال أكثر الساعات ازدحامًا وفي أسوأ ظروف الإضاءة، وإعادة التحقق بعد أي تحريك للكاميرا.
إذا أُدرج العدّ في منتج تجاري أو نظام احتكاري، فلاحظ أن نماذج Ultralytics YOLO متاحة بموجب AGPL-3.0، وأن عمليات النشر هذه تتطلب عمومًا ترخيص Ultralytics Enterprise، الذي يشمل أيضًا النشر الخاص. احسم هذه المسألة قبل أن يتحول المشروع التجريبي إلى ميزة مطروحة للمستخدمين.
الخصوصية: ينبغي ألا يحدد العدّ هوية أي شخص#
العدّ من تطبيقات الكاميرات القليلة التي يمكن تصميمها لحماية الخصوصية فعليًا، وهذا التصميم يزيل معظم الاعتراضات قبل طرحها.
لا تحتاج أي طريقة موصوفة هنا إلى تحديد هوية الأفراد. تعمل قياسات الدخول والإشغال ومدة البقاء وطول الطابور جميعها على اكتشافات مجهولة الهوية ومسارات لا تكشف الهوية، ولا تستمر إلا ما دام الشخص ظاهرًا في الإطار. لا تقدم Ultralytics نماذجها للتعرّف على الوجوه، كما أن إدراج تحديد الهوية في نظام للعدّ يضيف مخاطر قانونية كبيرة دون أن يحسّن أيًا من هذه القياسات.
خيارات التصميم التي تحافظ على ذلك:
- المعالجة محليًا والاحتفاظ بالأعداد فقط. إذا كان الناتج عددًا لكل فترة زمنية، فاحتفظ بالعدد واحذف الإطارات. - لا تحتفظ بمعرّفات المسارات بعد تجاوز مجال الرؤية. ينبغي أن ينتهي المسار عند حافة الإطار. إن إعادة تحديد هوية الشخص نفسه عبر الكاميرات أو الزيارات المختلفة نظام مختلف جوهريًا، وتترتب عليه التزامات مختلفة جوهريًا. - التجميع على فترات زمنية بدلًا من تسجيل الأحداث الفردية، متى سمحت حالة الاستخدام بذلك. - نشر إشعار، والتشاور مع ممثلي العاملين في أماكن العمل؛ فهذا مطلوب في كثير من أنحاء الاتحاد الأوروبي، وممارسة جيدة في كل مكان. - تفضيل الاستشعار المجهول الهوية بطبيعته عندما لا تكون هناك حاجة إلا إلى العدد. إذا أجاب ToF أو الاستشعار الحراري عن السؤال، فسيكون تبريره أسهل. - توثيق الغرض من كل كاميرا، ما يجعل تقييم حماية البيانات مباشرًا.
لاحظ أن «عدم استخدام الكاميرات» لا يعني تلقائيًا «خصوصية أكبر». يعتمد العدّ عبر WiFi وBLE على معرّفات الأجهزة، وهي بيانات شخصية بموجب GDPR في كثير من الحالات، بينما لا يعالج المستشعر الحراري الذي ينتج عددًا فقط أي بيانات شخصية على الإطلاق. قيّم الطريقة وفقًا لما تحتفظ به، لا وفقًا لاستخدامها عدسة من عدمه.
الأسئلة الشائعة
لتحليلات حركة الزوار ومعدلات التحويل في قطاع التجزئة: V-Count وRetailNext وShopperTrak وFootfallCam. لعدّ الدخول والطوابير بدقة عالية: Xovis. لإشغال أماكن العمل واستغلال المساحات: Density، أو Cisco Spaces عندما يكون الاستشعار عبر الشبكة كافيًا. أما العدّ بوصفه مكوّنًا من نظام تبنيه، فالمسار المعتاد هو الرؤية المعتمدة على الكاميرات باستخدام نماذج Ultralytics YOLO.
يكون الاستشعار من الأعلى، باستخدام تقنية زمن الرحلة أو الرؤية المجسمة، عمومًا الأدق لعدّ الداخلين، لأن المنظور العلوي يزيل إلى حد كبير احتجاب الأشخاص بعضهم لبعض. وتقترب طرق الرؤية المعتمدة على الكاميرات من هذه الدقة عند تركيب الكاميرا في الأعلى، بينما تنخفض دقتها بوضوح عند الزوايا المائلة. أما WiFi وBLE فهما الأقل دقة، لأنهما يعدّان الأجهزة لا الأشخاص.
تعتمد الدقة بالكامل تقريبًا على زاوية الكاميرا والإضاءة وكثافة الحشود، لا على النموذج. فالكاميرا العلوية في إضاءة متجانسة تحقق أداءً مختلفًا تمامًا عن كاميرا أمنية أُعيد توظيفها بزاوية منخفضة فوق مدخل زجاجي مضاء من الخلف. تحقّق من الأداء بمقارنته بعدّ يدوي في أكثر ساعاتك ازدحامًا، بدلًا من الاعتماد على أي رقم منشور.
غالبًا نعم، مع تحفظ مهم: تُوجَّه الكاميرات الموضوعة لأغراض الأمن لرؤية الوجوه ومساحات واسعة، وهي هندسة تصوير قريبة من الأسوأ للعدّ. توقّع نتائج مقبولة لاتجاهات الإشغال في المناطق، ونتائج أقل موثوقية لعدّ الداخلين بدقة. وعادةً ما يتفوق تركيب كاميرا علوية واحدة عند المدخل على ضبط نموذج لمعالجة زاوية تصوير سيئة.
لا. تعمل جميع القياسات المذكورة هنا، مثل الدخول والإشغال ومدة البقاء وطول الطابور، على اكتشافات مجهولة الهوية للأشخاص ومسارات لا تكشف الهوية، ولا تستمر إلا ما دام الشخص ظاهرًا في الإطار. يزيد إدراج تحديد الهوية من المخاطر القانونية دون تحسين العدّ.
إما أن تعدّ الدخول والخروج بحسب الاتجاه وتحافظ على إجمالي متجدد، أو أن تستشعر المنطقة بأكملها مباشرةً. الطريقة الأولى أقل تكلفة، لكنها تراكم الأخطاء على مدار اليوم، لذا تحتاج إلى إعادة ضبط دورية عند التأكد من خلو المكان. أما الثانية فأكثر متانة، لكنها تتطلب تغطية المساحة بأكملها.
غالبًا ما يكون السبب اختلاف التعريف لا الاستشعار: هل يشمل العدد الموظفين وعمليات التسليم وعمال النظافة والأشخاص الذين يمرون من دون توقف؟ اتفقوا على تعريف الزائر قبل مقارنة الأعداد. بعد ذلك، تتمثل الأسباب التقنية المعتادة في سير المجموعات جنبًا إلى جنب، والاحتجاب، وتداخل مناطق الكاميرات بما يؤدي إلى العدّ المزدوج.
اشترِ منتجًا إذا كان المطلوب هو إعداد تقارير حركة الزوار أو الإشغال. فالمنتجات ناضجة، ويُستهان باستمرار بالتكلفة الإجمالية لبناء طبقة إعداد التقارير. أنشئ نظامك عندما يكون العدّ مكوّنًا من نظام أكبر، أو عندما يجب دمجه مع اكتشافات لا يقدمها أي منتج، أو عندما يتعذر إخراج الفيديو من الموقع.
