من ضعف الرؤية إلى الوهج، تعرّف على الأسباب التي تجعل دقة اكتشاف مقاطع الفيديو الليلية لحركة المرور ليلاً تحدياً، وكيف تعمل الرؤية الحاسوبية على تحسين السلامة والتدفق.
تبدو الطرق مختلفة في الظلام، ليس فقط بالنسبة للسائقين، ولكن أيضاً بالنسبة للأنظمة المسؤولة عن الحفاظ على سلامتهم. يمكن أن يؤدي ضعف الرؤية ووهج المصابيح الأمامية وانعكاسات الحركة السريعة إلى زيادة صعوبة اكتشاف المركبات ليلاً.
تعتمد الأساليب التقليدية، مثل المراقبة اليدوية أو الكاميرات القائمة على الحركة، بشكل أساسي على الحكم البشري وإشارات الحركة البسيطة. قد لا يمكن الاعتماد على ذلك في ظروف الإضاءة المنخفضة أو ظروف حركة المرور المعقدة. قد تخطئ هذه الأساليب في تحديد المركبات أو المشاة، مما يؤدي إلى اكتشافات خاطئة أو ملاحظات مفقودة.
يمكن للذكاء الاصطناعي (AI) والتعلم العميق والرؤية الحاسوبية سد هذه الفجوة من خلال أتمتة اكتشاف المركبات والتعرف عليها. على وجه الخصوص، الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يسمح للآلات برؤية البيانات المرئية وتفسيرها. عندما يتعلق الأمر باكتشاف مقاطع الفيديو الليلية لحركة المرور، يمكن لنماذج الذكاء الاصطناعي للرؤية أن تتجاوز السطوع أو الحركة، وتتعلم التعرف على الأنماط المعقدة التي تحسن الدقة.
على سبيل المثال، تُعرف نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 و Ultralytics YOLO11 بسرعتها ودقتها. حيث يمكنها التعامل مع بيانات الفيديو والصور في الوقت الفعلي، واكتشاف وتصنيف الأجسام المتعددة داخل الإطار وتتبعها عبر التسلسلات.
أصبحت هذه الإمكانيات ممكنة من خلال مهام الرؤية المختلفة، مثل اكتشاف الأجسام وتجزئة النماذج، حتى عندما تجعل المصابيح الأمامية أو الظلال أو المركبات المتداخلة عملية الاكتشاف صعبة. فهي تمكّن النموذج من تحديد الأجسام وتصنيفها وتمييزها.
في هذه المقالة، سنستكشف تحديات مراقبة حركة المرور الليلية، ونرى كيف تعالجها الرؤية الحاسوبية وأين يتم تطبيق الذكاء الاصطناعي البصري في أنظمة مراقبة حركة المرور في العالم الحقيقي. لنبدأ!
قبل استكشاف كيف تحل الرؤية الحاسوبية تحديات اكتشاف حركة المرور ليلاً، دعنا نلقي نظرة على سبب صعوبة اكتشاف المركبات بعد حلول الظلام. إليك بعض العوامل التي يجب أخذها بعين الاعتبار:
يتم تدريب نماذج الرؤية الحاسوبية باستخدام مجموعات كبيرة من الصور المعروفة باسم مجموعات البيانات. يتم تصنيف مجموعات البيانات هذه بعناية مع الأجسام التي تحتويها، مثل السيارات والشاحنات والمشاة والدراجات، وتُستخدم كأساس للتدريب. من خلال دراسة هذه الأمثلة الموسومة، يتعلم النموذج التعرف على الأنماط، مما يمكّنه من تحديد واكتشاف الأجسام في لقطات الفيديو الجديدة.
أثناء التدريب، يستخرج النموذج ميزات من البيانات ويستخدمها لتحسين دقة الكشف. تساعد هذه العملية على تقليل حالات الاكتشاف الفائتة والإنذارات الكاذبة عندما يتعرض النموذج لمشاهد حركة المرور في العالم الحقيقي.
ومع ذلك، فإن بناء مجموعات البيانات أو مجموعات البيانات للظروف الليلية يمثل تحديًا أكبر بكثير. فجودة الفيديو الرديئة تجعل وضع العلامات يستغرق وقتاً طويلاً وعرضة للأخطاء. كما أن الأحداث النادرة ولكن المهمة، مثل الحوادث أو سلوكيات القيادة غير الاعتيادية، قد يكون من الصعب التقاطها في الظروف الليلية. ينتج عن ذلك عدد محدود من الأمثلة التدريبية للنماذج للتعلم منها.
لمعالجة هذه المشكلة، قام الباحثون بتطوير مجموعات بيانات معيارية متخصصة. مجموعة البيانات المعيارية هي أكثر من مجرد مجموعة من الصور. فهي تتضمن تسميات موحدة وبروتوكولات تقييم ومقاييس أداء مثل الدقة والاستدعاء ومتوسط الدقة (mAP). هذه المقاييس تجعل من الممكن اختبار ومقارنة خوارزميات مختلفة في ظل نفس الظروف، مما يضمن التقييم العادل والمتسق.
على سبيل المثال، تحتوي مجموعة بيانات ExDark القياسية على 7,363 صورة في الإضاءة المنخفضة في 12 فئة من فئات الأجسام (دراجة، قارب، زجاجة، زجاجة، حافلة، سيارة، قطة، كرسي، كوب، كلب، دراجة نارية، أشخاص، طاولة). كل صورة مشروحة بمربعات محدّدة، وتُستخدم مجموعة البيانات على نطاق واسع في الأبحاث لتقييم اكتشاف الأجسام وتصنيفها في الإضاءة الضعيفة.
وبالمثل، توفر مجموعة بيانات NightOwls القياسية حوالي 115,000 صورة ليلية مع ما يقرب من 279,000 تعليق توضيحي للمشاة. وقد أصبحت مورداً رئيسياً لتقييم أنظمة الكشف عن المشاة، والتي تلعب دوراً حيوياً في السلامة على الطرق وأنظمة مساعدة السائق المتقدمة (ADAS).
والآن بعد أن أصبح لدينا فهم أفضل للتحديات التي ينطوي عليها الأمر والحاجة إلى مجموعات البيانات، دعونا نلقي نظرة فاحصة على كيفية تفسير الأنظمة القائمة على الرؤية لمقاطع الفيديو الليلية لحركة المرور.
تدعم نماذج مثل YOLO11 و YOLO26 مهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتتبعها وتجزئة المثيلات، مما يجعل من الممكن تحليل حركة المرور حتى في ظروف الإضاءة المنخفضة. فيما يلي لمحة عامة عن مهام الرؤية بالذكاء الاصطناعي التي تدعمها هذه النماذج لتحليل حركة المرور الليلية:
ناقشنا تدريب النماذج، والحاجة إلى مجموعات البيانات، والمهام التي تدعمها نماذج مثل YOLO11 و YOLO26. ولكن لتجميع كل ذلك معاً، هناك مفهوم آخر يجب أن نتطرق إليه: كيف يتم تطبيق هذه النماذج فعلياً في المراقبة الليلية.
خارج الصندوق، تتوفر نماذج Ultralytics YOLO كإصدارات مُدرّبة مسبقًا، مما يعني أنه قد تم تدريبها بالفعل على مجموعات بيانات كبيرة للأغراض العامة، مثل مجموعة بيانات COCO، والتي تغطي العديد من الأشياء اليومية. وهذا يمنح النموذج قدرة أساسية قوية على اكتشاف الأشياء وتصنيفها.
ولكن، نظرًا لأن مجموعات البيانات هذه تحتوي على عدد قليل جدًا من الأمثلة في الإضاءة المنخفضة أو الليلية، فإن النماذج المُدرّبة مسبقًا ليست جيدة في التعامل مع الوهج أو الظلال أو التباين الضعيف بشكل فعال. لجعلها مؤثرة في اكتشاف مقاطع الفيديو الليلية، يجب ضبطها على مجموعات بيانات متخصصة تعكس ظروف الليل في العالم الحقيقي.
ويتضمن الضبط الدقيق أو التدريب المخصص تدريب النموذج على صور إضافية موسومة تم التقاطها في ظروف الإضاءة المنخفضة، مثل السيارات تحت وهج المصابيح الأمامية أو المشاة في ممرات المشاة أو التقاطعات المزدحمة ليلاً، بحيث يتعلم النموذج السمات الفريدة للمشاهد الليلية.
بمجرد التدريب المخصص، يمكن للنموذج دعم مهام مثل الكشف أو التتبع أو التجزئة أو التصنيف بدقة أكبر بكثير في ظروف الإضاءة المنخفضة. يتيح ذلك لسلطات المرور تطبيق مثل هذه النماذج في حالات الاستخدام العملي مثل عدّ المركبات وتقدير السرعة والتحكم التكيّفي في الإشارات ومنع الحوادث ليلاً.
بعد ذلك، دعونا نلقي نظرة على كيفية اعتماد الرؤية الحاسوبية في أنظمة المرور الليلية في العالم الحقيقي.
تعد 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 أيضاً إلى استهلاك الوقود والتأخير غير الضروري.
وهنا بالضبط يمكن أن تساعد أنظمة الرؤية الحاسوبية في التغلب على هذا التحدي. يمكن لهذه الأنظمة مراقبة تحركات المركبات واكتشاف عدد المركبات في الوقت الفعلي. ثم يتم إدخال البيانات في أنظمة التحكم المروري التكيفي. وهذا يتيح ضبط الإشارات بسرعة استجابةً لظروف الطريق الفعلية. لذا، إذا كان هناك حارة مزدحمة بينما تكون حارة أخرى فارغة، يمكن تعديل توقيت الإشارة على الفور لإزالة الاختناقات.
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 طرق المراقبة التقليدية، مثل كاميرات المراقبة الثابتة، ودوريات الطرق، وأجهزة استشعار وجود المركبات، وأنظمة الإشارات الثابتة في الوقت المحدد، بشكل تفاعلي ويمكن أن تفشل في اكتشاف الحالات الخطرة في وقت مبكر بما يكفي لمنع حدوثها.
يمكن لحلول الرؤية الحاسوبية التعامل مع هذه المشكلة من خلال تحليل بث الفيديو المباشر واكتشاف الأنماط غير المعتادة على الطريق أو الطريق السريع. وباستخدام تتبع الأجسام، يمكن لهذه الأنظمة مراقبة سلوك السيارة في الوقت الفعلي وإصدار تنبيهات عندما يظهر شيء غير طبيعي.
على سبيل المثال، إذا كانت هناك مركبة متحركة تغير مسارها أو تتحرك بسرعة كبيرة في منطقة مزدحمة أو تبطئ سرعتها فجأة، يمكن للنظام الإبلاغ عنها في الوقت الفعلي. وهذا يعني أنه يمكن للسلطات الاستجابة بسرعة ومنع وقوع الحوادث قبل وقوعها.
بالنسبة للمركبات ذاتية القيادة وأنظمة مساعدة السائق الآلية، تجلب القيادة الليلية تحدياتها الخاصة. فالرؤية المنخفضة وأنماط حركة المرور التي لا يمكن التنبؤ بها تجعل من الصعب على أجهزة الاستشعار التقليدية أن تعمل بشكل موثوق، مما يثير مخاوف تتعلق بالسلامة.
تعمل الرؤية الحاسوبية على تعزيز هذه الأنظمة من خلال التعامل مع مهام مثل اكتشاف الأجسام وتتبع المسارات وتقسيمها، مما يمكّن المركبات من التعرف على المشاة والسيارات الأخرى والعوائق حتى في ظروف الإضاءة الضعيفة. وعندما يتم دمجها مع الرادار أو LiDAR (الكشف عن الضوء وتحديد المدى)، التي ترسم خريطة للمحيط بشكل ثلاثي الأبعاد، تساعد الطبقة المرئية المضافة أنظمة مساعدة السائقين المتطورة في توفير تحذيرات مبكرة وتمنح السيارات ذاتية القيادة الوعي الذي تحتاجه للتنقل بأمان أكبر في الليل.
إن السرعة الزائدة مسؤولة عن واحدة من كل ثلاث وفيات مرورية في جميع أنحاء العالم، ويزداد الخطر سوءاً في الليل. ويزيد الظلام من صعوبة ضبط شرطة المرور للمخالفات، حيث أن التفاصيل التي تكون واضحة في ضوء النهار غالباً ما تكون غير واضحة بعد حلول الظلام.
لهذا السبب غالباً ما تمر مخالفات مثل السرعة على الطرق الخالية أو تجاوز الإشارة الحمراء أو الانحراف إلى المسار الخاطئ دون عقاب. تعالج الرؤية الحاسوبية هذه المشكلة باستخدام كاميرات الأشعة تحت الحمراء لرصد المخالفات حتى في ظروف الإضاءة المنخفضة. تُنشئ هذه الأنظمة مناطق كشف حيث يتم تسجيل الحوادث، مما يقلل من النتائج الإيجابية الخاطئة ويوفر أدلة واضحة يمكن التحقق منها. بالنسبة لسلطات النقل، يعني ذلك تقليل النقاط العمياء وتقليل الاعتماد على الفحوصات اليدوية.
فيما يلي بعض مزايا استخدام الذكاء الاصطناعي المرئي للكشف عن مقاطع الفيديو الليلية لحركة المرور.
على الرغم من فوائده، فإن الكشف عن حركة المرور الليلية باستخدام الذكاء الاصطناعي المرئي ينطوي أيضاً على بعض القيود. إليك بعض العوامل التي يجب وضعها في الاعتبار:
مع نمو المدن وازدياد ازدحام الطرقات، يتجه الكشف عن حركة المرور ليلاً نحو أنظمة أكثر ذكاءً واستجابة. على سبيل المثال، يمكن للكاميرات الحرارية وأجهزة الاستشعار بالأشعة تحت الحمراء اكتشاف البصمات الحرارية الصادرة عن الأشخاص والمركبات، مما يجعل من الممكن الرؤية حتى في الظلام الدامس. وهذا يقلل من الأخطاء التي تحدث عندما تعاني الكاميرات القياسية من الوهج أو الإضاءة المنخفضة.
ومن الأساليب الأخرى المتنامية دمج الكاميرات ودار ليدار. توفر الكاميرات صوراً مفصّلة للطريق، بينما يولّد نظام ليدار خريطة دقيقة ثلاثية الأبعاد. عند استخدامهما معاً، فإنهما يعملان معاً على تحسين دقة الكشف عن الممرات والمركبات والعوائق، خاصةً في الإضاءة المنخفضة أو الضباب المعتدل.
في الوقت نفسه، تعمل التطورات في تحسين الصور في الإضاءة المنخفضة والتعرف على المشاة وتحديد لوحات السيارات على توسيع قدرات الرؤية الحاسوبية. وبفضل هذه التحسينات، يمكن مراقبة حتى الطرق والتقاطعات ذات الإضاءة الضعيفة بموثوقية أكبر وأخطاء أقل.
لطالما شكّل اكتشاف المركبات ليلاً تحدياً في مراقبة حركة المرور، ولكن الرؤية الحاسوبية تجعل الأمر أكثر سهولة. فمن خلال تقليل تأثير الوهج والتعامل مع مشاهد حركة المرور المعقدة، فإنها توفر صورة أكثر دقة لكيفية تصرف الطرق بعد حلول الظلام. ومع استمرار تقدم هذه الأنظمة، فإنها تمهد الطريق أمام وسائل نقل أكثر أماناً وذكاءً وفعالية في الليل.
هل أنت مستعد لدمج Vision AI في مشاريعك؟ انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في صناعة السيارات والذكاء الاصطناعي المرئي في مجال الروبوتات. قم بزيارة مستودع GitHub الخاص بنا لاكتشاف المزيد. لبدء استخدام الرؤية الحاسوبية اليوم، اطلع على خيارات الترخيص لدينا.
.webp)
