استخدام Ultralytics YOLO11 للتعرف التلقائي على لوحات الأرقام

مع تزايد اعتماد الذكاء الاصطناعي، تصبح الابتكارات التي تعتمد على التعرف التلقائي على لوحات الأرقام (ANPR) أكثر شيوعاً. تستخدم أنظمة ANPR رؤية الحاسوب لقراءة لوحات أرقام المركبات تلقائياً وتحديدها وتعقبها. في الآونة الأخيرة، جعلت التطورات في الذكاء الاصطناعي من الممكن دمج مثل هذه الأنظمة بسرعة في حياتنا اليومية. في الواقع، ربما تكون قد رأيت أنظمة ANPR في أكشاك تحصيل الرسوم أو أثناء نقاط التفتيش الشرطية للبحث عن المركبات المسرعة.

يصبح التعرف على لوحات الأرقام ذا أهمية متزايدة، ومن المتوقع أن يصل سوق أنظمة ANPR العالمي إلى 4.8 مليار دولار بحلول عام 2027. أحد العوامل المؤثرة في هذا النمو هو الفوائد التي تقدمها ANPR لتطبيقات مثل إدارة المرور والأمان.

للحصول على أفضل النتائج من تطبيقات ANPR، من المهم فهم تقنيات الذكاء الاصطناعي الكامنة وراء هذه الحلول. على سبيل المثال، يعد اكتشاف الكائنات، وهو مهمة رؤية حاسوبية، أمراً أساسياً للتعرف على المركبات وتتبعها بدقة، وهنا يأتي دور نماذج رؤية الحاسوب مثل Ultralytics YOLO11. في هذه المقالة، سنلقي نظرة على كيفية عمل ANPR وكيف يمكن لـ YOLO11، على وجه تحديد، تحسين حلول ANPR.

الشكل 1. استخدام نماذج Ultralytics YOLO لـ ANPR.

كيف يعمل التعرف التلقائي على لوحات الترخيص#

يتضمن التعرف التلقائي على لوحات أرقام المركبات بضع خطوات مهمة للتعرف بسرعة ودقة على لوحات ترخيص المركبات. لنقم بتحليل كيفية عمل هذه الخطوات معاً لجعل العملية فعالة:

• التقاط الصور: أولاً، تُستخدم الكاميرات لالتقاط صور للمركبات. يمكن تثبيت هذه الكاميرات في أماكن ثابتة، مثل أكشاك تحصيل الرسوم، أو تركيبها على سيارات الشرطة لتحقيق التنقل.
• اكتشاف لوحات الأرقام: بعد ذلك، تُستخدم نماذج اكتشاف الكائنات مثل YOLO11 للعثور على لوحة الأقم في الصورة.
• التعرف الضوئي على الحروف (OCR): بعد ذلك، يتم استخدام OCR لقراءة الحروف الموجودة على اللوحة (في الصورة)، وتحويلها إلى نص قابل للقراءة آلياً.
• البحث في قاعدة البيانات: يتم بعد ذلك فحص بيانات النص مقابل قاعدة بيانات لتأكيد معلومات اللوحة.

الشكل 2. مثال على استخدام نماذج Ultralytics YOLO لاكتشاف لوحات الأرقام.

غالباً ما تواجه أنظمة ANPR تحديات مثل الإضاءة الضعيفة، وتصميمات اللوحات المختلفة، والظروف البيئية الصعبة. يمكن لـ YOLO11 المساعدة في مواجهة هذه المخاوف من خلال تعزيز دقة وسرعة الاكتشاف، حتى في الظروف الصعبة. مع نماذج مثل YOLO11، يمكن لـ ANPR العمل بشكل أكثر موثوقية، مما يسهل تحديد اللوحات في الوقت الفعلي، سواء كان ذلك ليلاً أو نهاراً، أو في الطقس السيئ. في القسم التالي، سنلقي نظرة أقرب على كيفية استخدام YOLO11 لتحقيق هذه التحسينات.

كيف يمكن لـ YOLO11 تحسين نظام ANPR#

تم عرض Ultralytics YOLO11 لأول مرة في الفعالية الهجينة السنوية لـ Ultralytics، YOLO Vision 2024 (YV24). باعتباره نموذج اكتشاف كائنات يدعم التطبيقات في الوقت الفعلي، يُعد YOLO11 خياراً رائعاً لتحسين ابتكارات مثل أنظمة ANPR. يُعد YOLO11 مناسباً أيضاً لتطبيقات الذكاء الاصطناعي على الحافة. يتيح هذا لحلول ANPR المدمجة مع YOLO11 العمل بفعالية، حتى عندما يكون اتصال الشبكة غير موثوق. ونتيجة لذلك، يمكن أن تعمل أنظمة ANPR بسلاسة في المواقع النائية أو المناطق ذات الاتصال المحدود.

يقدم YOLO11 أيضاً تحسينات في الكفاءة مقارنة بالإصدارات السابقة. على سبيل المثال، يحقق YOLO11m متوسط الدقة المتوسطة (mAP) أعلى على مجموعة بيانات COCO بعدد معاملات أقل بنسبة 22% مقارنة بـ YOLOv8m. مع YOLO11، يمكن أن تتعامل أنظمة ANPR مع تحديات مختلفة مثل ظروف الإضاءة المتغيرة، وتصميمات اللوحات المتنوعة، والمركبات المتحركة بشكل أفضل، مما يؤدي إلى التعرف على لوحات الأرقام بشكل أكثر موثوقية وفعالية.

الشكل 3. مقارنة Ultralytics YOLO11 بالإصدارات السابقة.

إذا كنت تتساءل عن كيفية استخدام YOLO11 في مشروع ANPR الخاص بك، فالأمر بسيط للغاية. لقد تم تدريب متغيرات نماذج YOLO11 التي تدعم اكتشاف الكائنات مسبقاً على مجموعة بيانات COCO. يمكن لهذه النماذج اكتشاف 80 نوعاً مختلفاً من الكائنات، مثل السيارات، والدراجات الهوائية، والحيوانات. في حين أن لوحات الأرقام ليست جزءاً من التصنيفات المدربة مسبقاً، يمكن للمستخدمين بسهولة تدريب YOLO11 خصيصاً لاكتشاف لوحات الأرقام باستخدام حزمة Ultralytics Python أو منصة Ultralytics HUB الخالية من البرمجة. يمتلك المستخدمون المرونة في إنشاء أو استخدام مجموعة بيانات مخصصة للوحات الأرقام لجعل نموذج YOLO11 المدرب خصيصاً مثالياً لـ ANPR.

تطبيقات نظام ANPR المدمج مع YOLO11#

بعد ذلك، سنلقي نظرة على التطبيقات المختلفة التي يمكن فيها استخدام ANPR وYOLO11 معاً لتحسين الكفاءة والدقة.

اكتشاف لوحات الأرقام في الوقت الفعلي لحركة المرور وإنفاذ القانون#

في المدن المزدحمة التي تتحرك فيها السيارات عبر التقاطعات والطرق السريعة، يتعين على ضباط المرور إدارة الازدحام، ومراقبة المخالفات المرورية، وضمان السلامة العامة. يمكن لـ ANPR، عند دمجه مع YOLO11، احداث فرق كبير في هذه الجهود. من خلال التعرف على لوحات المركبات فوراً، يمكن للسلطات مراقبة تدفق حركة المرور، وإنفاذ قوانين المرور، وتحديد المركبات المتورطة في المخالفات بسرعة. على سبيل المثال، يمكن رصد المركبات المسرعة بسهولة.

الشكل 4. اكتشاف وتحديد المركبات المسرعة باستخدام ANPR و YOLO11.

بشكل عام، يمكن لـ ANPR مع YOLO11 أتمتة المهام التي كانت تتطلب جهداً يدوياً. يمكنها اكتشاف المركبات التي تقطع الإشارات الحمراء وإدارة عمليات بوابات الرسوم. لا تؤدي أتمتة هذه المهام إلى جعل النظام أكثر كفاءة فحسب، بل تقلل أيضاً من عبء العمل على ضباط المرور، مما يتيح لهم التركيز على مسؤوليات أكثر أهمية.

في إنفاذ القانون، يمكن لـ YOLO11 و ANPR العمل معاً لـ تتبع المركبات المسروقة وتحديد تلك التي تم الإبلاغ عن أنشطتها المشبوهة. تضمن ميزة الاكتشاف في الوقت الفعلي لـ YOLO11 التعرف على المركبات بسرعة وמוثوقية، حتى عندما تكون متحركة بسرعة. تساعد هذه القدرة على تحسين السلامة العامة من خلال تمكين استجابة أسرع وإنفاذ أكثر فاعلية للقانون.

أنظمة إدارة مواقف السيارات المتطورة وANPR#

تطبيق آخر مثير لـ ANPR مع YOLO11 هو في أنظمة إدارة وقوف السيارات. على سبيل المثال، يتيح مواقف سيارات يمكن للسيارات دخولها، والوقوف فيها، ومغادرتها دون الحاجة لأن يتفاعل السائق مع آلة تذاكر أو موظف. يمكن لـ أنظمة مواقف سيارات ANPR التي تستخدم YOLO11 المساعدة في عمليات الدخول والخروج والدفع السلسة.

الشكل 5. إدارة مواقف السيارات باستخدام نماذج Ultralytics YOLO.

عندما تقترب مركبة من بوابة الدخول، تتعرف ANPR المدعومة بـ YOLO11 على لوحة الترخيص فوراً. يقوم النظام بعد ذلك بالتحقق من اللوحة مقابل قاعدة بيانات مسجلة مسبقاً أو إنشاء إدخال جديد. تفتح البوابة تلقائياً، مما يسمح للمركبة بالدخول دون أي خطوات يدوية. تخلق هذه العملية السريعة تجربة أكثر ملاءمة للسائقين.

وبالمثل، عندما تغادر المركبة، يكتشف النظام لوحة الأرقام مرة أخرى باستخدام YOLO11. يحسب وقت وقوف السيارات ويمكنه معالجة الدفع تلقائياً إذا كانت المركبة مسجلة بطريقة دفع. تلغي هذه الأتمتة الحاجة إلى أجهزة دفع مادية وتساعد في تقليل الازدحام عند المخارج، خاصة خلال أوقات الذروة.

تعد قدرة YOLO11 على اكتشاف لوحات الأرقام بدقة وفي الوقت الفعلي أمراً رئيسياً لجعل أنظمة إدارة وقوف السيارات هذه تعمل بسلاسة. إلى جانب جعل وقوف السيارات أكثر ملاءمة، فإنه يساعد المشغلين على إدارة مرافقهم بشكل أفضل عن طريق تقليل العمل اليدوي وتحسين تدفق المرور.

استخدام ANPR للتحكم في الوصول في أنظمة الأمن#

تعد أنظمة ANPR المدمجة مع YOLO11 خياراً رائعاً لـ إدارة الوصول إلى المناطق الآمنة مثل المجمعات السكنية المسورة، والمقرات المؤسسية، والمرافق المحظورة. باستخدام ANPR، يمكن لهذه المواقع أتمتة أمانها، مما يضمن السماح للمركبات المصرح لها فقط بالدخول.

الشكل 6. استخدام ANPR للسماح للمركبات المصرح لها بالدخول إلى المناطق الآمنة.

إنه مشابه لنظام إدارة مواقف السيارات الذي ناقشناه سابقاً. الفرق الرئيسي هو أن النظام يتحقق من اللوحة مقابل قائمة بالمركبات المصرح لها. إذا تمت الموافقة على المركبة، تفتح البوابة تلقائياً، مما يوفر وصولاً سلساً للمقيمين أو الموظفين أو الزوار مع الحفاظ على أمن مشدد. تقلل العملية من الحاجة إلى عمليات الفحص اليدوي، مما يسمح لموظفي الأمن بالتركيز على مهام أكثر أهمية.

تعد أنظمة ANPR جزءاً رئيسياً من مستقبل المدن الذكية#

الآن بعد أن استعرضنا بعض تطبيقات أنظمة ANPR المدمجة مع YOLO11، لنفكر في هذه التطبيقات بطريقة أكثر ترابطاً.

بعيداً عن كونها تطبيقات فردية، تتألق مزاياها حقاً عندما يتم النظر إليها كحل متماسك واحد في البنية التحتية الحضرية للمدن الذكية. مع تطور المدن لتصبح أكثر ذكاءً، تلعب أنظمة ANPR دوراً متزايد الأهمية في البنية التحتية الحضرية.

على سبيل المثال، ضع في اعتبارك مدينة ذكية يتم فيها استخدام ANPR لإدارة حركة المرور، ومنح الوصول الآمن، وتبسيط مواقف السيارات دفعة واحدة. يمكن اكتشاف المركبة أثناء دخولها المدينة، وتتبعها طوال الوقت، ومنحها حق الوصول إلى المناطق المحظورة، والسماح لها بالوقوف دون أي تدخل يدوي.

من خلال دمج نماذج رؤية الحاسوب مثل YOLO11، يمكن لـ ANPR المساعدة في إدارة المرور بشكل أكثر كفاءة، وتعزيز الأمان، وتحسين السلامة العامة. تتيح هذه الأنظمة المراقبة في الوقت الفعلي، والعمليات الآلية، واتخاذ القرارات المستندة إلى البيانات، وهو أمر أساسي لإدارة التعقيدات المتزايدة للمدن الحديثة.

نظرة أخيرة على ANPR مع YOLO11#

أصبحت أنظمة ANPR ضرورية للبنية التحتية الحضرية الحديثة، ودمج نماذج الرؤية الحاسوبية مثل YOLO11 يجعلها أكثر فائدة. يعزز YOLO11 من ANPR بدقة أفضل، ومعالجة في الوقت الفعلي، وقابلية للتكيف، مما يجعلها مثالية لتطبيقات المدن الذكية. من تحسين إدارة حركة المرور وإنفاذ القانون إلى أتمتة مواقف السيارات والوصول الآمن، تجلب أنظمة ANPR المدعومة بـ YOLO11 الكفاءة والموثوقية. مع نمو ذكاء المدن، من المرجح أن تلعب هذه الحلول دوراً حاسماً في تحويل الحياة الحضرية ودعم مستقبل البنية التحتية الذكية.

لمعرفة المزيد حول الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول الخاصة بنا. 🚀