اكتشاف حركة المرور ليلًا عبر الفيديو: نظرة على أهمية الدقة

تبدو الطرق مختلفة في الظلام، ليس للسائقين فحسب، بل أيضًا للأنظمة المسؤولة عن الحفاظ على سلامتهم. ويمكن أن تجعل الرؤية الضعيفة ووهج المصابيح الأمامية والانعكاسات السريعة المتحركة اكتشاف المركبات ليلًا أكثر صعوبة.

تعتمد الطرق التقليدية، مثل المراقبة اليدوية أو الكاميرات القائمة على رصد الحركة، في الأساس على التقدير البشري ومؤشرات الحركة البسيطة. وقد لا تكون هذه الطرق موثوقة في ظروف الإضاءة المنخفضة أو حركة المرور المعقدة. كما قد تتعرف هذه الطرق على المركبات أو المشاة على نحو خاطئ، ما يؤدي إلى اكتشافات زائفة أو حالات لم تُرصد.

الشكل 1. مثال على طريق ضعيف الإضاءة ليلًا (المصدر)

يمكن للذكاء الاصطناعي (AI) والتعلم العميق وتحليل الصور الحاسوبية سد هذه الفجوة من خلال أتمتة اكتشاف المركبات والتعرّف عليها. وعلى وجه الخصوص، يُعد تحليل الصور الحاسوبية فرعًا من الذكاء الاصطناعي يتيح للآلات رؤية البيانات المرئية وتفسيرها. وفي ما يتعلق باكتشاف حركة المرور ليلًا من مقاطع الفيديو، تستطيع نماذج الذكاء الاصطناعي للرؤية الحاسوبية تجاوز الاعتماد على السطوع أو الحركة، إذ تتعلم التعرّف على الأنماط المعقدة التي تحسّن الدقة.

فعلى سبيل المثال، تشتهر نماذج تحليل الصور الحاسوبية مثل Ultralytics YOLO26 وUltralytics YOLO11 بسرعتها ودقتها. ويمكنها معالجة بيانات الفيديو والصور في الوقت الفعلي، واكتشاف أجسام متعددة وتصنيفها داخل الإطار وتتبعها عبر تسلسلات الإطارات.

تتحقق هذه الإمكانات بفضل مهام الرؤية المختلفة، مثل اكتشاف الأجسام وتقسيم الكائنات، حتى عندما تجعل المصابيح الأمامية أو الظلال أو المركبات المتداخلة عملية الاكتشاف صعبة. وتمكّن هذه المهام النموذج من تحديد الأجسام وتصنيفها والتمييز بينها.

سنستعرض في هذا المقال تحديات مراقبة حركة المرور ليلًا، وكيف تعالجها الرؤية الحاسوبية، وأوجه استخدام الذكاء الاصطناعي للرؤية في أنظمة مراقبة حركة المرور الواقعية.

تحديات الاكتشاف ليلًا#

قبل استكشاف كيفية حل تحليل الصور الحاسوبية لتحديات اكتشاف حركة المرور ليلًا، دعونا نلقِ نظرة على أسباب صعوبة رصد المركبات بعد حلول الظلام. إليك بعض العوامل التي ينبغي أخذها في الحسبان:

• ضعف الرؤية: تجعل الإضاءة المحدودة وظروف الإنارة السيئة من الصعب على الكاميرات التقاط لقطات واضحة وغنية بالتفاصيل. ومع انخفاض جودة الصورة، قد تندمج المركبات مع الخلفية أو يُتعرف عليها على نحو خاطئ تمامًا.
• الأحوال الجوية: يمكن للمطر أو الضباب أو الغشاوة أو حتى الغبار أن يزيد من تدهور جودة الفيديو. وتجعل هذه الظروف أنظمة الاكتشاف تواجه صعوبة أكبر في تمييز المركبات عن محيطها.
• المصابيح الأمامية والخلفية: قد تطغى الحزم الضوئية الساطعة وانعكاساتها على الكاميرات. وقد تؤدي إلى اكتشاف مركبات زائفة، إذ تُحسب البقع الضوئية مركبات، ما يربك خوارزميات الاكتشاف ويقلل الدقة.
• احتجاب المركبات: في ظروف الازدحام الشديد، قد تُحجب المركبات جزئيًا أو كليًا خلف مركبات أخرى. ويعقّد الاحتجاب تتبع المركبات وعدّها وتصنيفها، لا سيما عندما تتداخل عدة من مستخدمي الطريق في إطار واحد.

الحاجة إلى مجموعات بيانات ومعايير مرجعية لليل#

تُدرَّب نماذج تحليل الصور الحاسوبية باستخدام مجموعات كبيرة من الصور تُعرف باسم مجموعات البيانات. وتُوسم هذه المجموعات بعناية بالأجسام التي تتضمنها، مثل السيارات والشاحنات والمشاة والدراجات، وتشكل أساس التدريب. ومن خلال دراسة هذه الأمثلة الموسومة، يتعلم النموذج التعرّف على الأنماط، ما يمكّنه من تحديد الأجسام واكتشافها في لقطات فيديو جديدة.

الشكل 2. استخدام تحليل الصور الحاسوبية لاكتشاف المركبات والمشاة في حركة المرور (المصدر)

أثناء التدريب، يستخرج النموذج السمات من البيانات ويستخدمها لتحسين دقة الاكتشاف. وتساعد هذه العملية على تقليل حالات الإخفاق في الاكتشاف والإنذارات الكاذبة عندما يتعرض النموذج لمشاهد حركة المرور في العالم الحقيقي.

لكن إنشاء مجموعات بيانات أو مجموعات بيانات لظروف الليل أكثر صعوبة بكثير. فجودة الفيديو الضعيفة تجعل وضع التسميات يستغرق وقتًا طويلًا ويكون عرضة للأخطاء. كما يصعب التقاط الأحداث النادرة ولكن المهمة، مثل الحوادث أو سلوك القيادة غير المعتاد، في ظروف الليل. وينتج عن ذلك عدد محدود من أمثلة التدريب التي يمكن للنماذج التعلم منها.

لمعالجة هذه المشكلة، طوّر الباحثون مجموعات بيانات مرجعية متخصصة. ومجموعة البيانات المرجعية أكثر من مجرد مجموعة صور؛ فهي تتضمن تسميات موحدة وبروتوكولات تقييم ومقاييس أداء مثل الإحكام والاستدعاء ومتوسط الدقة (mAP). وتتيح هذه المقاييس اختبار الخوارزميات المختلفة ومقارنتها في الظروف نفسها، بما يضمن تقييمًا عادلًا ومتسقًا.

على سبيل المثال، تتضمن مجموعة البيانات المرجعية ExDark عدد 7,363 صورة ملتقطة في ظروف إضاءة منخفضة، موزعة على 12 فئة من الأجسام (دراجة، قارب، زجاجة، حافلة، سيارة، قطة، كرسي، كوب، كلب، دراجة نارية، أشخاص، طاولة). وقد وُسِمت كل صورة بمربعات إحاطة، وتُستخدم مجموعة البيانات على نطاق واسع في الأبحاث لتقييم اكتشاف الأجسام وتصنيفها في ظروف الإضاءة الضعيفة.

الشكل 3. لمحة عن مجموعة بيانات ExDark (المصدر)

وبالمثل، توفر مجموعة البيانات المرجعية NightOwls نحو 115,000 صورة ليلية تتضمن قرابة 279,000 وسم للمشاة. وقد أصبحت موردًا أساسيًا لتقييم أنظمة اكتشاف المشاة، التي تؤدي دورًا حيويًا في السلامة على الطرق وأنظمة مساعدة السائق المتقدمة (ADAS).

تتوفر أيضًا على Ultralytics Platform مجموعات بيانات للقيادة، مثل BDD100K، التي تتضمن مشاهد ليلية، ومجموعة بيانات LLVIP للأشعة تحت الحمراء المرئية في ظروف الإضاءة المنخفضة، وذلك لتدريب نماذج YOLO واختبارها.

كيف يساعد تحليل الصور الحاسوبية على اكتشاف حركة المرور ليلًا من الفيديو#

بعد أن تعرفنا على التحديات القائمة والحاجة إلى مجموعات البيانات، دعونا نلقِ نظرة فاحصة على كيفية تفسير الأنظمة القائمة على الرؤية لمقاطع فيديو حركة المرور ليلًا.

تدعم نماذج مثل YOLO11 وYOLO26 مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم الكائنات إلى مثيلات وتتبعها، ما يتيح تحليل حركة المرور حتى في ظروف الإضاءة المنخفضة. إليك لمحة عامة عن مهام الذكاء الاصطناعي للرؤية التي تدعمها هذه النماذج لتحليل حركة المرور ليلًا:

• اكتشاف الأجسام: يمكن استخدام هذه المهمة لتحديد المركبات والمشاة والدراجات وغيرهم من مستخدمي الطريق وتحديد مواقعهم في كل إطار، عادةً برسم مربعات إحاطة حولهم.
• تقسيم الكائنات: تتيح هذه المهمة تمييز الأجسام الفردية حتى عند تداخلها، مع توفير تفاصيل على مستوى البكسل تحسّن الدقة في ظروف الليل المعقدة.
• تصنيف الصور: تُسند هذه المهمة الصورة بأكملها أو جسمًا مكتشفًا إلى فئة محددة مسبقًا، مثل سيارة أو حافلة أو شاحنة أو دراجة نارية.
• اكتشاف مربعات الإحاطة الموجّهة (OBB): يحدد هذا الأسلوب الزاوية والاتجاه الدقيقين للجسم، ما يحسّن الدقة عندما تظهر المركبات مائلة أو في مواضع غير معتادة ضمن حركة المرور الليلية.
• تتبّع الأجسام: تساعد هذه المهمة على متابعة الأجسام المكتشفة عبر الإطارات، ما يتيح التعرّف على المركبة أو المشاة أنفسهم بمرور الوقت، ويسمح بتقدير سرعة المركبات ومراقبة تدفق حركة المرور.

استخدام نماذج Ultralytics YOLO للمراقبة ليلًا#

تحدثنا عن تدريب النماذج والحاجة إلى مجموعات البيانات والمهام التي تدعمها نماذج مثل YOLO11 وYOLO26. لكن لتجميع هذه العناصر معًا، بقي مفهوم آخر ينبغي شرحه: كيفية تطبيق هذه النماذج فعليًا للمراقبة ليلًا.

تتوفر نماذج Ultralytics YOLO جاهزة للاستخدام بإصدارات مدرّبة مسبقًا، أي إنها دُرّبت بالفعل على مجموعات بيانات عامة كبيرة، مثل مجموعة بيانات COCO، التي تغطي العديد من الأجسام اليومية. وهذا يمنح النموذج قدرة أساسية قوية على اكتشاف الأجسام وتصنيفها.

لكن لأن مجموعات البيانات هذه تحتوي على عدد قليل جدًا من الأمثلة المصورة في الإضاءة المنخفضة أو ليلًا، غالبًا ما تواجه النماذج المدرّبة مسبقًا صعوبة في التعامل مع الوهج والظلال وضعف التباين. ولجعلها فعالة في اكتشاف حركة المرور بالفيديو ليلًا، يجب ضبطها بدقة باستخدام مجموعات بيانات متخصصة تعكس ظروف الليل في العالم الحقيقي.

يتضمن الضبط الدقيق أو التدريب المخصص تدريب النموذج على صور موسومة إضافية التُقطت في ظروف إضاءة منخفضة، مثل المركبات التي ينعكس عليها وهج المصابيح الأمامية، والمشاة عند ممرات العبور، والتقاطعات المزدحمة ليلًا، كي يتعلم السمات الفريدة للمشاهد الليلية.

بعد تدريب النموذج خصيصًا، يمكنه تنفيذ مهام مثل الاكتشاف والتتبع والتقسيم والتصنيف بدقة أعلى بكثير في ظروف الإضاءة المنخفضة. ويتيح ذلك لسلطات المرور استخدام هذه النماذج في حالات عملية مثل عدّ المركبات وتقدير السرعة والتحكم التكيفي بالإشارات ومنع الحوادث ليلًا.

تطبيقات الذكاء الاصطناعي للرؤية الحاسوبية في اكتشاف حركة المرور ليلًا من الفيديو#

بعد ذلك، دعونا نلقِ نظرة على كيفية اعتماد تحليل الصور الحاسوبية في أنظمة حركة المرور الليلية في العالم الحقيقي.

إشارات المرور الذكية تدعم تخطيط المدن الذكية#

تُعد التقاطعات الحضرية من أصعب المناطق إدارةً، ولا سيما ليلًا حين تضعف الرؤية ويصبح تدفق حركة المرور أقل قابلية للتنبؤ. وتعتمد الإشارات التقليدية على مؤقتات ثابتة لا تستجيب للتغيرات في الوقت الفعلي. وتُظهر الأبحاث أن هذا لا يهدر وقت السائقين فحسب، بل يؤدي أيضًا إلى استهلاك الوقود والتأخيرات غير الضرورية.

وهنا يمكن لأنظمة الرؤية الحاسوبية أن تساعد. تستطيع هذه الأنظمة مراقبة حركة المركبات واكتشاف عددها في الوقت الفعلي. ثم تُرسل البيانات إلى أنظمة التحكم التكيفي بحركة المرور، ما يمكّن الإشارات من التكيف بسرعة استجابةً لظروف الطريق الفعلية. فإذا كان أحد المسارات مزدحمًا بينما الآخر خاليًا، يمكن تعديل توقيت الإشارات فورًا لتخفيف الاختناقات.

الوقاية من الحوادث#

القيادة ليلًا أخطر منها نهارًا، لأن ضعف الرؤية والإضاءة غير المتساوية والوهج تجعل تقدير المسافات أصعب على السائقين. وتشير الدراسات في الواقع إلى أن معدل الحوادث المميتة لكل كيلومتر ليلًا قد يصل إلى ثلاثة أضعاف معدله في وضح النهار.

تعمل أساليب المراقبة التقليدية، مثل كاميرات المراقبة الثابتة ودوريات الطرق ومستشعرات وجود المركبات وأنظمة الإشارات ذات التوقيت الثابت، على نحو تفاعلي، وقد تعجز عن اكتشاف المواقف الخطرة مبكرًا بما يكفي لمنع وقوعها.

يمكن لـحلول تحليل الصور الحاسوبية معالجة هذه المشكلة من خلال تحليل تدفقات الفيديو المباشرة واكتشاف الأنماط غير المعتادة على الطرق أو الطرق السريعة. وباستخدام تتبّع الأجسام، تستطيع هذه الأنظمة مراقبة سلوك المركبات في الوقت الفعلي وإصدار تنبيهات عند ظهور أمر غير طبيعي.

على سبيل المثال، إذا كانت مركبة متحركة تبدّل مساراتها أو تسير بسرعة مفرطة في منطقة مزدحمة أو تخفف سرعتها فجأة، يستطيع النظام رصد ذلك في الوقت الفعلي. وهذا يعني أن السلطات تستطيع الاستجابة بسرعة ومنع الحوادث قبل وقوعها.

القيادة الذاتية وأنظمة ADAS#

تفرض القيادة ليلًا تحديات خاصة على المركبات ذاتية القيادة وأنظمة ADAS. إذ يجعل ضعف الرؤية وأنماط حركة المرور غير المتوقعة أداء المستشعرات التقليدية الموثوق أكثر صعوبة، ما يثير مخاوف تتعلق بالسلامة.

يعزز تحليل الصور الحاسوبية هذه الأنظمة من خلال تنفيذ مهام مثل اكتشاف الأجسام وتتبع المسارات وتقسيم الصور، ما يمكّن المركبات من التعرّف على المشاة والسيارات الأخرى والعوائق حتى في ظروف الإضاءة الضعيفة. وعند دمجه بالرادار أو LiDAR (تحديد المدى وتعيينه بالضوء)، اللذين يرسمان خريطة للمحيط ثلاثية الأبعاد، تساعد الطبقة المرئية الإضافية أنظمة ADAS على تقديم إنذارات مبكرة وتمنح المركبات ذاتية القيادة الوعي اللازم للتنقل بأمان أكبر ليلًا.

الشكل 4. لقطات للمركبات ملتقطة في ظروف النهار والليل (المصدر)

إنفاذ القانون واكتشاف المخالفات#

تتسبب السرعة الزائدة في واحدة من كل ثلاث وفيات مرورية حول العالم، ولا يزداد الخطر إلا ليلًا. فالظلام يجعل رصد شرطة المرور للمخالفات أصعب، إذ غالبًا ما تتلاشى بعد حلول الظلام تفاصيل تكون واضحة في ضوء النهار.

ولهذا كثيرًا ما تمر مخالفات مثل تجاوز السرعة على الطرق الخالية أو تخطي الإشارات الحمراء أو الانحراف إلى المسار الخطأ من دون عقاب. ويعالج تحليل الصور الحاسوبية هذه المشكلة باستخدام كاميرات الأشعة تحت الحمراء لرصد المخالفات حتى في ظروف الإضاءة المنخفضة. وتنشئ هذه الأنظمة مناطق اكتشاف تُسجَّل فيها الحوادث، ما يقلل الإيجابيات الكاذبة ويوفر أدلة واضحة يمكن التحقق منها. وبالنسبة إلى سلطات النقل، يعني ذلك نقاطًا عمياء أقل واعتمادًا أقل على الفحوص اليدوية.

إيجابيات وسلبيات اكتشاف حركة المرور ليلًا من الفيديو#

فيما يلي بعض مزايا استخدام الذكاء الاصطناعي للرؤية الحاسوبية لاكتشاف حركة المرور ليلًا من الفيديو.

• قابلية التوسع: بعد ضبط النماذج بدقة، يمكن نشرها على عدد كبير من الكاميرات أو التقاطعات، بما يدعم المراقبة على مستوى المدينة.
• التحليلات التنبؤية: يمكن استخدام بيانات الفيديو التاريخية للتنبؤ بالازدحام والمناطق المعرضة للحوادث، بما يدعم اتخاذ التدابير الوقائية.
• تحسين استخدام الموارد: تزوّد هذه التقنية السلطات بمعلومات آنية تساعدها على توزيع دوريات الطرق وخدمات الطوارئ بكفاءة أكبر.

على الرغم من فوائد اكتشاف حركة المرور ليلًا باستخدام الذكاء الاصطناعي للرؤية الحاسوبية، فإنه ينطوي أيضًا على بعض القيود. إليك بعض العوامل التي ينبغي أخذها في الحسبان:

• الاعتماد على البيانات: تعتمد دقة أنظمة الذكاء الاصطناعي للرؤية الحاسوبية بدرجة كبيرة على توافر مجموعات بيانات عالية الجودة تغطي مجموعة واسعة من الظروف الليلية.
• التحديات البيئية: يمكن للعوامل الجوية، مثل المطر والضباب والغشاوة، إلى جانب المشكلات العملية كاتساخ عدسات الكاميرات أو اختلال محاذاتها، أن تقلل أداء الاكتشاف وتتطلب صيانة منتظمة.
• متطلبات الأجهزة: يتطلب تشغيل نماذج الذكاء الاصطناعي المتقدمة في كثير من الأحيان وحدات GPU عالية الأداء أو أجهزة طرفية متخصصة، ما قد يجعل النشر على نطاق واسع مكلفًا ومعقدًا.

آفاق أنظمة النقل الذكية ليلًا#

مع نمو المدن وازدياد ازدحام الطرق، يتجه اكتشاف حركة المرور ليلًا نحو أنظمة أكثر ذكاءً واستجابة. فعلى سبيل المثال، تستطيع الكاميرات الحرارية ومستشعرات الأشعة تحت الحمراء اكتشاف البصمات الحرارية للأشخاص والمركبات، ما يتيح الرؤية حتى في الظلام الدامس. ويقلل ذلك الأخطاء التي تحدث عندما تواجه الكاميرات العادية صعوبة بسبب الوهج أو الإضاءة المنخفضة.

الشكل 5. تعزز تقنية الرؤية الليلية اكتشاف المشاة ليلًا (المصدر)

ومن الأساليب الآخذة في الانتشار دمج الكاميرات وLiDAR. إذ توفر الكاميرات صورًا تفصيلية للطريق، بينما ينشئ LiDAR خريطة ثلاثية الأبعاد دقيقة. وعند استخدامهما معًا، تتحسن دقة اكتشاف المسارات والمركبات والعوائق، لا سيما في الإضاءة المنخفضة أو الضباب المتوسط.

وفي الوقت نفسه، توسع التطورات في تحسين الصور الملتقطة في الإضاءة المنخفضة والتعرّف على المشاة وتحديد لوحات الترخيص إمكانات تحليل الصور الحاسوبية. وبفضل هذه التحسينات، يمكن مراقبة الطرق والتقاطعات ضعيفة الإضاءة بموثوقية أكبر وأخطاء أقل.

أبرز النقاط#

لطالما شكّل اكتشاف المركبات ليلًا تحديًا لمراقبة حركة المرور، لكن تحليل الصور الحاسوبية يجعل هذه المهمة أسهل. فمن خلال الحد من تأثير الوهج والتعامل مع مشاهد حركة المرور المعقدة، يوفر صورة أدق لسلوك الطرق بعد حلول الظلام. ومع استمرار تطور هذه الأنظمة، فإنها تمهد الطريق لنقل أكثر أمانًا وذكاءً وكفاءةً ليلًا.

هل أنت مستعد لدمج الذكاء الاصطناعي للرؤية الحاسوبية في مشاريعك؟ انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في قطاع السيارات والذكاء الاصطناعي للرؤية الحاسوبية في الروبوتات. زر مستودع GitHub لاكتشاف المزيد. وللبدء باستخدام تحليل الصور الحاسوبية اليوم، اطّلع على خيارات الترخيص.