بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
من ضعف الرؤية إلى الوهج، تعرف على العوامل التي تجعل دقة الكشف عن الفيديو لحركة المرور الليلية تحديًا، وكيف تعمل الرؤية الحاسوبية على تحسين السلامة وتدفق الحركة.
تبدو الطرق مختلفة في الظلام، ليس فقط للسائقين، ولكن أيضًا للأنظمة المسؤولة عن الحفاظ على سلامتهم. يمكن أن تجعل الرؤية الضعيفة، وهج المصابيح الأمامية، والانعكاسات سريعة الحركة الكشف عن المركبات ليلاً أكثر صعوبة.
تعتمد الطرق التقليدية، مثل الملاحظة اليدوية أو الكاميرات القائمة على الحركة، بشكل أساسي على الحكم البشري وإشارات الحركة البسيطة. يمكن أن يكون هذا غير موثوق به في ظروف الإضاءة المنخفضة أو حركة المرور المعقدة. قد تحدد هذه الطرق المركبات أو المشاة بشكل خاطئ، مما يؤدي إلى اكتشافات خاطئة أو ملاحظات فائتة.
الشكل 1. مثال على طريق مضاء بشكل سيئ في الليل (المصدر)
يمكن للذكاء الاصطناعي (AI) والتعلم العميق و رؤية الكمبيوتر سد الفجوة عن طريق أتمتة اكتشاف المركبات والتعرف عليها. على وجه الخصوص، رؤية الكمبيوتر هي فرع من فروع الذكاء الاصطناعي يسمح للآلات برؤية البيانات المرئية وتفسيرها. عندما يتعلق الأمر بالكشف عن فيديو حركة المرور الليلي، يمكن لنماذج Vision AI أن تتجاوز السطوع أو الحركة، وتتعلم التعرف على الأنماط المعقدة التي تحسن الدقة.
على سبيل المثال، تُعرف نماذج رؤية الكمبيوتر مثل Ultralytics YOLO26 و Ultralytics YOLO11 بسرعتها ودقتها. يمكنهم التعامل مع بيانات الفيديو والصورة في الوقت الفعلي، واكتشاف وتصنيف كائنات متعددة داخل الإطار وتتبعها عبر التسلسلات.
أصبحت هذه الإمكانات ممكنة من خلال مهام رؤية مختلفة، مثل اكتشاف الكائنات وتقسيم المثيلات، حتى عندما تجعل المصابيح الأمامية أو الظلال أو تداخل المركبات الاكتشاف صعبًا. إنها تمكن النموذج من تحديد الكائنات وتصنيفها والتمييز بينها.
في هذه المقالة، سنستكشف تحديات مراقبة حركة المرور الليلية، ونرى كيف تعالج الرؤية الحاسوبية هذه التحديات، وأين يتم تطبيق الرؤية الاصطناعية في أنظمة مراقبة حركة المرور الواقعية. هيا بنا نبدأ!
تحديات في الكشف الليلي
قبل استكشاف كيف تحل رؤية الكمبيوتر تحديات اكتشاف حركة المرور الليلية، دعنا ننظر إلى سبب صعوبة اكتشاف المركبات بعد حلول الظلام. فيما يلي بعض العوامل التي يجب مراعاتها:
رؤية منخفضة: الإضاءة المحدودة وظروف الإضاءة الضعيفة تجعل من الصعب على الكاميرات التقاط لقطات حادة ومفصلة. مع انخفاض جودة الصورة، قد تندمج المركبات في الخلفية أو يتم التعرف عليها بشكل خاطئ تمامًا.
الظروف الجوية: يمكن للمطر أو الضباب أو الضباب الدخاني أو حتى الغبار أن يزيد من تدهور جودة الفيديو. هذه الظروف تجعل من الصعب على أنظمة الكشف تمييز المركبات عن محيطها.
المصابيح الأمامية والخلفية: يمكن أن تطغى الحزم والانعكاسات الساطعة على الكاميرات. يمكن أن يؤدي ذلك إلى اكتشاف خاطئ للمركبة، حيث يتم الخلط بين البقع الضوئية والمركبات، مما يربك خوارزميات الاكتشاف ويقلل الدقة.
انسداد المركبات: في ظروف حركة المرور الكثيفة، يمكن إخفاء المركبات جزئيًا أو كليًا خلف مركبات أخرى. يؤدي الانسداد إلى تعقيد تتبع المركبات وعدها وتصنيفها، خاصةً عندما يتداخل العديد من مستخدمي الطريق داخل إطار واحد.
الحاجة إلى مجموعات بيانات ومقاييس معيارية ليلية
يتم تدريب نماذج رؤية الحاسوب (Computer vision models) باستخدام مجموعات كبيرة من الصور تُعرف باسم مجموعات البيانات. يتم تصنيف مجموعات البيانات هذه بعناية بالعناصر التي تحتوي عليها، مثل السيارات والشاحنات والمشاة والدراجات، وتكون بمثابة الأساس للتدريب. من خلال دراسة هذه الأمثلة المصنفة، يتعلم النموذج التعرف على الأنماط، مما يمكنه من تحديد الكائنات واكتشافها في لقطات فيديو جديدة.
الشكل 2. استخدام رؤية الكمبيوتر للكشف عن المركبات والمشاة في حركة المرور (المصدر)
أثناء التدريب، يستخرج النموذج الميزات من البيانات ويستخدمها لتحسين دقة الكشف. تساعد هذه العملية في تقليل عمليات الكشف الفائتة والإنذارات الكاذبة عندما يتعرض النموذج لمشاهد حركة المرور في العالم الحقيقي.
ومع ذلك، فإن بناء مجموعات البيانات أو مجموعات البيانات لظروف الليل يمثل تحديًا أكبر بكثير. إن جودة الفيديو الرديئة تجعل وضع العلامات يستغرق وقتًا طويلاً وعرضة للأخطاء. أيضًا، قد يكون من الصعب التقاط الأحداث النادرة ولكن المهمة، مثل الحوادث أو سلوك القيادة غير العادي، في الإعدادات الليلية. ينتج عن هذا عدد محدود من أمثلة التدريب للنماذج للتعلم منها.
لمعالجة هذه المشكلة، قام الباحثون بتطوير مجموعات بيانات قياسية متخصصة. مجموعة البيانات القياسية هي أكثر من مجرد مجموعة من الصور. وهي تتضمن تسميات موحدة وبروتوكولات تقييم ومقاييس أداء مثل الدقة والاسترجاع ومتوسط الدقة المتوسط (mAP). تجعل هذه المقاييس من الممكن اختبار ومقارنة الخوارزميات المختلفة في ظل نفس الظروف، مما يضمن تقييمًا عادلاً ومتسقًا.
على سبيل المثال، تحتوي مجموعة بيانات ExDark المعيارية على 7363 صورة ذات إضاءة منخفضة عبر 12 فئة من الكائنات (دراجة، قارب، زجاجة، حافلة، سيارة، قطة، كرسي، كوب، كلب، دراجة نارية، أشخاص، طاولة). يتم شرح كل صورة بمربعات إحاطة، وتستخدم مجموعة البيانات على نطاق واسع في البحث لتقييم اكتشاف الأجسام وتصنيفها في الإضاءة الضعيفة.
وبالمثل، توفر NightOwls مجموعة بيانات معيارية تضم حوالي 115000 صورة ليلية مع ما يقرب من 279000 تعليق توضيحي للمشاة. لقد أصبح موردًا رئيسيًا لتقييم أنظمة الكشف عن المشاة، والتي تلعب دورًا حيويًا في السلامة على الطرق وأنظمة مساعدة السائق المتقدمة (ADAS).
كيف تساعد رؤية الحاسوب في الكشف عن حركة المرور في الفيديو الليلي؟
الآن بعد أن أصبح لدينا فهم أفضل للتحديات التي تنطوي عليها الحاجة إلى مجموعات البيانات، دعنا نلقي نظرة فاحصة على كيفية قيام الأنظمة القائمة على الرؤية بتفسير مقاطع الفيديو الخاصة بحركة المرور الليلية.
تدعم نماذج مثل YOLO11 و YOLO26 مهام رؤية الكمبيوتر مثل اكتشاف الكائنات وتتبعها وتقسيم المثيلات، مما يجعل من الممكن تحليل حركة المرور حتى في ظروف الإضاءة المنخفضة. إليك نظرة عامة على مهام رؤية الذكاء الاصطناعي التي تدعمها هذه النماذج لتحليل حركة المرور الليلية:
اكتشاف الكائنات: يمكن استخدام هذه المهمة لتحديد وتحديد مواقع المركبات والمشاة والدراجات الهوائية ومستخدمي الطريق الآخرين في كل إطار، عادةً عن طريق رسم مربعات إحاطة حولهم.
تتبع الكائنات: يساعد في تتبع الكائنات المكتشفة عبر الإطارات، مما يسمح بالتعرف على نفس السيارة أو المشاة بمرور الوقت، مما يجعل من الممكن تقدير سرعة السيارة ومراقبة حركة المرور.
تجزئة المثيل: يمكنه تمييز الكائنات الفردية حتى عندما تتداخل، مما يوفر تفاصيل على مستوى البكسل تعمل على تحسين الدقة في الظروف الليلية المعقدة.
تصنيف الصور: تحدد هذه المهمة صورة كاملة أو كائنًا تم اكتشافه لفئة محددة مسبقًا، مثل سيارة أو حافلة أو شاحنة أو دراجة نارية.
الكشف عن الصندوق المحيط الموجه (OBB): يلتقط الزاوية والاتجاه الدقيقين للكائن، مما يحسن الدقة عندما تظهر المركبات قطريًا أو في أوضاع غريبة في حركة المرور الليلية.
استخدام نماذج Ultralytics YOLO للمراقبة الليلية
ناقشنا تدريب النماذج، والحاجة إلى مجموعات البيانات، والمهام التي تدعمها نماذج مثل YOLO11 و YOLO26. ولكن لتجميع كل شيء معًا، هناك مفهوم آخر يجب استعراضه: كيف يتم تطبيق هذه النماذج فعليًا على المراقبة الليلية.
بشكل عام، تتوفر نماذج Ultralytics YOLO كإصدارات مدربة مسبقًا، مما يعني أنها تم تدريبها بالفعل على مجموعات بيانات كبيرة للأغراض العامة، مثل مجموعة بيانات COCO، التي تغطي العديد من الكائنات اليومية. وهذا يمنح النموذج قدرة أساسية قوية على اكتشاف الكائنات وتصنيفها.
ومع ذلك، نظرًا لأن مجموعات البيانات هذه تحتوي على أمثلة قليلة جدًا للإضاءة المنخفضة أو الليل، فإن النماذج المدربة مسبقًا ليست رائعة في التعامل مع الوهج أو الظلال أو التباين الضعيف بفعالية. لجعلها مؤثرة في اكتشاف فيديو حركة المرور الليلي، يجب تعديلها بدقة على مجموعات بيانات متخصصة تعكس ظروف الليل الواقعية.
يتضمن الضبط الدقيق أو التدريب المخصص تدريب النموذج على صور إضافية مُصنَّفة تم التقاطها في ظروف الإضاءة المنخفضة، مثل المركبات تحت وهج المصابيح الأمامية، أو المشاة في ممرات المشاة، أو التقاطعات المزدحمة في الليل، حتى يتعلم الميزات الفريدة للمشاهد الليلية.
بمجرد التدريب المخصص، يمكن للنموذج دعم مهام مثل الاكتشاف أو التتبع أو التجزئة أو التصنيف بدقة أكبر في ظروف الإضاءة المنخفضة. يتيح ذلك لسلطات المرور تطبيق هذه النماذج لحالات الاستخدام العملي مثل عد المركبات وتقدير السرعة والتحكم التكيفي في الإشارات ومنع الحوادث في الليل.
تطبيقات رؤية الذكاء الاصطناعي للكشف عن حركة المرور الليلية في الفيديو
بعد ذلك، دعنا نلقي نظرة على كيفية اعتماد الرؤية الحاسوبية في أنظمة المرور الليلية في العالم الحقيقي.
يمكن لإشارات المرور الذكية دعم تخطيط المدن الذكية
تعتبر التقاطعات الحضرية من أصعب المناطق التي يمكن إدارتها، خاصة في الليل عندما تنخفض الرؤية ويصبح تدفق حركة المرور أقل قابلية للتنبؤ. تعتمد الإشارات التقليدية على مؤقتات ثابتة لا يمكنها الاستجابة للتغيرات في الوقت الفعلي. تُظهر الأبحاث أن هذا لا يضيع وقت السائقين فحسب، بل يؤدي أيضًا إلى استهلاك الوقود والتأخيرات غير الضرورية.
هذا بالضبط هو المكان الذي يمكن أن تساعد فيه أنظمة رؤية الحاسوب في التغلب على هذا التحدي. يمكن لهذه الأنظمة مراقبة حركة المركبات واكتشاف عدد المركبات في الوقت الفعلي. ثم يتم تغذية البيانات في أنظمة التحكم المروري التكيفية. وهذا يمكّن الإشارات من التكيف بسرعة استجابة لظروف الطريق الفعلية. لذلك، إذا كان أحد المسارات مزدحمًا بينما الآخر فارغًا، فيمكن تعديل توقيت الإشارة على الفور لإزالة الاختناقات.
منع الحوادث
تُعد القيادة ليلاً أكثر خطورة من القيادة نهاراً لأن انخفاض الرؤية وتفاوت الإضاءة والوهج يجعل من الصعب على السائقين الحكم على المسافات. في الواقع، تُظهر الدراسات أن معدل الحوادث المميتة لكل كيلومتر في الليل يمكن أن يصل إلى ثلاثة أضعاف معدل الحوادث في ضوء النهار.
تعمل أساليب المراقبة التقليدية، مثل كاميرات المراقبة الثابتة، ودوريات الطرق، وأجهزة استشعار وجود المركبات، وأنظمة الإشارات ذات الوقت الثابت، بشكل تفاعلي ويمكن أن تفشل في اكتشاف المواقف الخطرة في وقت مبكر بما يكفي لمنع حدوثها.
يمكن لحلول رؤية الحاسوب (Computer vision solutions) معالجة هذا القلق من خلال تحليل تدفقات الفيديو المباشرة واكتشاف الأنماط غير العادية على الطريق أو الطريق السريع. باستخدام تتبع الكائنات، يمكن لهذه الأنظمة مراقبة سلوك السيارة في الوقت الفعلي وإصدار تنبيهات عندما يبدو شيء ما غير طبيعي.
على سبيل المثال، إذا كانت مركبة متحركة تقوم بتغيير المسارات، أو تتحرك بسرعة كبيرة في منطقة مزدحمة، أو تتباطأ فجأة، فيمكن للنظام الإبلاغ عن ذلك في الوقت الفعلي. هذا يعني أنه يمكن للسلطات الاستجابة بسرعة ومنع وقوع الحوادث قبل حدوثها.
القيادة الذاتية وأنظمة مساعدة السائق المتقدمة (ADAS)
بالنسبة للمركبات ذاتية القيادة وأنظمة مساعدة السائق المتقدمة (ADAS)، فإن القيادة الليلية تجلب تحدياتها الخاصة. انخفاض الرؤية وأنماط المرور غير المتوقعة تجعل من الصعب على المستشعرات التقليدية الأداء بشكل موثوق، مما يثير مخاوف تتعلق بالسلامة.
تعزز الرؤية الحاسوبية هذه الأنظمة من خلال التعامل مع مهام مثل اكتشاف الكائنات وتتبع المسار والتجزئة، مما يمكّن المركبات من التعرف على المشاة والسيارات الأخرى والعقبات حتى في ظروف الإضاءة السيئة. عند دمجها مع الرادار أو LiDAR (الكشف عن الضوء والمدى)، اللذين يرسمان الخرائط المحيطة في 3D، تساعد الطبقة المرئية المضافة ADAS على توفير تحذيرات مبكرة وتمنح المركبات ذاتية القيادة الوعي الذي تحتاجه للتنقل بأمان أكبر في الليل.
الشكل 4. لقطات للمركبات تم التقاطها في ظروف النهار والليل (المصدر)
إنفاذ القانون واكتشاف المخالفات
السرعة مسؤولة عن حالة وفاة واحدة من بين كل ثلاث وفيات مرورية في جميع أنحاء العالم، ويزداد الخطر سوءًا في الليل. يقلل الظلام من قدرة شرطة المرور على ضبط المخالفات، حيث غالبًا ما تتلاشى التفاصيل الواضحة في ضوء النهار بعد حلول الظلام.
لهذا السبب غالبًا ما تمر المخالفات مثل السرعة على الطرق الفارغة أو تجاوز الإشارات الحمراء أو الانحراف إلى المسار الخاطئ دون عقاب. تعالج رؤية الحاسوب هذه المشكلة باستخدام كاميرات تعمل بالأشعة تحت الحمراء لاكتشاف المخالفات حتى في ظروف الإضاءة المنخفضة. تنشئ هذه الأنظمة مناطق اكتشاف يتم فيها تسجيل الحوادث، مما يقلل من النتائج الإيجابية الخاطئة ويوفر أدلة واضحة يمكن التحقق منها. بالنسبة لسلطات النقل، فهذا يعني عددًا أقل من النقاط العمياء وتقليل الاعتماد على الفحوصات اليدوية.
إيجابيات وسلبيات اكتشاف حركة المرور الليلي بالفيديو
إليك بعض مزايا استخدام رؤية الذكاء الاصطناعي للكشف عن حركة المرور الليلية.
قابلية التوسع: بمجرد الضبط الدقيق، يمكن نشر النماذج عبر العديد من الكاميرات أو التقاطعات، مما يدعم المراقبة على مستوى المدينة.
التحليلات التنبؤية (Predictive analytics): يمكن استخدام بيانات الفيديو التاريخية للتنبؤ بالمناطق المعرضة للازدحام والحوادث، مما يدعم التدابير الوقائية.
تحسين الموارد: يزود السلطات برؤى في الوقت الفعلي تساعد في تخصيص دوريات الطرق وخدمات الطوارئ بشكل أكثر كفاءة.
على الرغم من فوائده، فإن اكتشاف حركة المرور الليلية باستخدام Vision AI يأتي أيضًا مع بعض القيود. فيما يلي بعض العوامل التي يجب وضعها في الاعتبار:
الاعتماد على البيانات: تعتمد دقة أنظمة Vision AI بشكل كبير على الوصول إلى مجموعات بيانات عالية الجودة تلتقط مجموعة واسعة من الظروف الليلية.
التحديات البيئية: يمكن لعوامل الطقس مثل المطر أو الضباب أو الضباب الدخاني، بالإضافة إلى المشكلات العملية مثل عدسات الكاميرا المتسخة أو غير المحاذاة، أن تقلل من أداء الاكتشاف وتتطلب صيانة دورية.
متطلبات الأجهزة: غالبًا ما يتطلب تشغيل نماذج الذكاء الاصطناعي المتقدمة وحدات معالجة رسومات (GPUs) عالية الأداء أو أجهزة طرفية متخصصة، مما قد يجعل النشر على نطاق واسع مكلفًا ومعقدًا.
المسار المستقبلي لأنظمة النقل الذكية ليلاً
مع نمو المدن وازدحام الطرق، يتجه الكشف عن حركة المرور الليلية نحو أنظمة أكثر ذكاءً واستجابة. على سبيل المثال، يمكن للكاميرات الحرارية وأجهزة الاستشعار بالأشعة تحت الحمراء اكتشاف التوقيعات الحرارية من الأشخاص والمركبات، مما يجعل من الممكن الرؤية حتى في الظلام الدامس. هذا يقلل من الأخطاء التي تحدث عندما تكافح الكاميرات القياسية مع الوهج أو الإضاءة المنخفضة.
الشكل 5. تعمل تقنية الرؤية الليلية على تحسين اكتشاف المشاة في الليل (المصدر)
هناك نهج متزايد آخر هو دمج الكاميرا مع الليدار (camera-LiDAR fusion). توفر الكاميرات صورًا تفصيلية للطريق، بينما يقوم الليدار بإنشاء خريطة ثلاثية الأبعاد دقيقة. عند استخدامها معًا، فإنها تحسن دقة اكتشاف الممرات والمركبات والعقبات، خاصة في الإضاءة المنخفضة أو الضباب المعتدل.
في الوقت نفسه، تعمل التطورات في تحسين الصور ذات الإضاءة المنخفضة، والتعرف على المشاة، وتحديد لوحات الترخيص على توسيع قدرات الرؤية الحاسوبية. مع هذه التحسينات، يمكن مراقبة حتى الطرق والتقاطعات ذات الإضاءة الخافتة بموثوقية أكبر وأخطاء أقل.
النقاط الرئيسية
لطالما كان الكشف عن المركبات في الليل يمثل تحديًا لمراقبة حركة المرور، ولكن الرؤية الحاسوبية تجعل الأمر أكثر قابلية للإدارة. من خلال تقليل تأثير الوهج والتعامل مع مشاهد المرور المعقدة، فإنه يوفر صورة أكثر دقة لكيفية تصرف الطرق بعد حلول الظلام. مع استمرار تطور هذه الأنظمة، فإنها تمهد الطريق لنقل أكثر أمانًا وذكاءً وكفاءة في الليل.
