استخدام Ultralytics YOLO11 للتعرف التلقائي على لوحات الأرقام

مع زيادة اعتماد الذكاء الاصطناعي، أصبحت الابتكارات التي تعتمد على التعرف التلقائي على لوحات أرقام المركبات (ANPR) أكثر شيوعاً. تستخدم أنظمة ANPR الرؤية الحاسوبية لقراءة لوحات ترخيص المركبات تلقائياً وتحديدها وتتبعها. مؤخراً، جعلت التطورات في الذكاء الاصطناعي من الممكن دمج مثل هذه الأنظمة بسرعة في حياتنا اليومية. في الواقع، ربما تكون قد رأيت أنظمة ANPR عند بوابات الرسوم أو أثناء نقاط التفتيش الشرطية لـ 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 عوامل هذا النمو هو الفوائد التي توفرها ANPR لتطبيقات مثل إدارة حركة المرور والأمن.

للحصول على أفضل النتائج من تطبيقات التعرف الآلي على لوحات الأرقام (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 الرؤية الحاسوبية مثل Ultralytics YOLO11. في هذه المقالة، سنلقي نظرة على كيفية عمل ANPR وكيف يمكن لـ YOLO11، على وجه الخصوص، تحسين حلول ANPR.

الشكل 1. استخدام نماذج Ultralytics YOLO لـ ANPR.

Link to this sectionكيف 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 مواقع ثابتة، مثل بوابات الرسوم، أو تركيبها على سيارات الشرطة من أجل التنقل.
• اكتشاف لوحة الأرقام: بعد ذلك، تُستخدم نماذج اكتشاف الأشياء مثل YOLO11 للعثور على لوحة الترخيص في الصورة.
• التعرف الضوئي على الحروف (OCR): بعد ذلك، يُستخدم OCR لقراءة الأحرف 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 الترخيص.

غالباً ما تواجه أنظمة ANPR تحديات مثل ضعف الإضاءة، وتصميمات اللوحات المختلفة، وظروف بيئية قاسية. يمكن لـ YOLO11 المساعدة في معالجة 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 التعرف على اللوحات في الوقت الفعلي، سواء كان ذلك في النهار أو الليل، أو في الطقس السيئ. في القسم التالي، سنلقي نظرة فاحصة على كيف يمكنك استخدام YOLO11 لتحقيق هذه التحسينات.

Link to this sectionكيف يمكن لـ YOLO11 تحسين نظام ANPR#

تم عرض Ultralytics YOLO11 لأول مرة في الحدث الهجين السنوي الخاص بـ Ultralytics، YOLO Vision 2024 (YV24). كنموذج لاكتشاف الأشياء يدعم التطبيقات في الوقت الفعلي، يُعد YOLO11 خياراً رائعاً لتحسين ابتكارات مثل أنظمة ANPR. كما أن YOLO11 مناسب لتطبيقات الذكاء الاصطناعي الحافي (Edge AI). وهذا يسمح لحلول ANPR المدمجة مع YOLO11 بالعمل بفعالية، حتى عندما يكون اتصال الشبكة غير موثوق. ونتيجة لذلك، يمكن لأنظمة ANPR العمل بسلاسة في المواقع النائية أو المناطق ذات الاتصال المحدود.

يوفر YOLO11 أيضاً تحسينات في الكفاءة مقارنة بسابقاته. على سبيل المثال، يحقق YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO مع عدد معاملات أقل بنسبة 22% مقارنة بـ YOLOv8m. مع YOLO11، يمكن لأنظمة ANPR التعامل مع تحديات مختلفة مثل ظروف الإضاءة المتغيرة، وتصميمات اللوحات المتنوعة، والمركبات المتحركة بشكل أفضل، مما يؤدي إلى تعرف أكثر موثوقية وفعالية على لوحات الترخيص.

الشكل 3. مقارنة Ultralytics YOLO11 مع الإصدارات السابقة.

إذا كنت تتساءل كيف يمكنك استخدام YOLO11 في مشروع ANPR الخاص بك، فالأمر مباشر جداً. تم تدريب متغيرات نماذج YOLO11 التي تدعم اكتشاف الأشياء مسبقاً على مجموعة بيانات COCO. يمكن لهذه النماذج اكتشاف 80 نوعاً مختلفاً من الأشياء، مثل السيارات، والدراجات، والحيوانات. على الرغم من أن لوحات الترخيص ليست جزءاً من التسميات المدربة مسبقاً، يمكن للمستخدمين بسهولة تدريب YOLO11 مخصصاً لاكتشاف لوحات الترخيص باستخدام حزمة Ultralytics Python أو منصة Ultralytics HUB بدون كود. يتمتع المستخدمون بالمرونة لإنشاء أو استخدام مجموعة بيانات مخصصة للوحات الترخيص لجعل نموذج YOLO11 المدرب خصيصاً مثالياً لـ ANPR.

Link to this sectionتطبيقات نظام ANPR المدمج مع YOLO11#

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

Link to this sectionاكتشاف 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 مخالفات المرور، وضمان السلامة العامة. يمكن لـ ANPR، عند دمجها مع YOLO11، أن تحدث فرقاً كبيراً في هذه الجهود. من خلال التعرف على لوحات المركبات فوراً، يمكن للسلطات مراقبة تدفق حركة المرور، وإنفاذ قوانين المرور، والتعرف بسرعة على المركبات المتورطة في مخالفات. على سبيل المثال، يمكن بسهولة إيقاف المركبات المسرعة.

الشكل 4. اكتشاف وتحديد المركبات المسرعة باستخدام ANPR وYOLO11.

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 مجال إنفاذ القانون، يمكن لـ YOLO11 وANPR العمل معاً لـ تتبع المركبات المسروقة والتعرف على تلك التي تم الإبلاغ عنها بسبب أنشطة مشبوهة. يضمن الاكتشاف في الوقت الفعلي لـ YOLO11 التعرف على المركبات بسرعة وموثوقية، حتى عندما تتحرك بسرعة. تساعد هذه القدرة على تحسين السلامة العامة من خلال تمكين أوقات استجابة أسرع وإنفاذ قانون أكثر فعالية.

Link to this sectionأنظمة إدارة مواقف السيارات المتطورة وANPR#

تطبيق مثير آخر لـ ANPR مع YOLO11 هو في أنظمة إدارة مواقف السيارات. على سبيل المثال، يتيح مواقف سيارات حيث يمكن للسيارات الدخول والوقوف والمغادرة دون الحاجة إلى تفاعل السائق مع آلة تذاكر أو موظف. أنظمة مواقف السيارات ANPR التي تستخدم YOLO11 يمكن أن تساعد في عمليات دخول وخروج ودفع سلسة.

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.

بالمثل، عندما تغادر مركبة، يكتشف النظام لوحة الترخيص مرة أخرى باستخدام YOLO11. يقوم بحساب وقت الوقوف ويمكنه معالجة الدفع تلقائياً إذا كانت المركبة مسجلة بطريقة دفع. تلغي الأتمتة الحاجة إلى آلات الدفع المادية وتساعد في تقليل الازدحام عند المخارج، خاصة خلال الأوقات المزدحمة.

قدرة YOLO11 على اكتشاف لوحات الترخيص بدقة وفي الوقت الفعلي هي مفتاح لجعل أنظمة إدارة مواقف السيارات هذه تعمل بسلاسة. جنباً إلى جنب مع جعل الوقوف أكثر ملاءمة، فإنه يساعد المشغلين على إدارة مرافقهم بشكل أفضل من خلال تقليل العمل اليدوي وتحسين تدفق حركة المرور.

Link to this sectionاستخدام ANPR للتحكم في الوصول في أنظمة الأمن#

تعد أنظمة ANPR المدمجة مع YOLO11 خياراً رائعاً لـ إدارة الوصول إلى المناطق الآمنة مثل المجتمعات المسورة، والحرم الجامعي للشركات، والمرافق المقيدة. باستخدام ANPR، يمكن لهذه المواقع أتمتة أمنها، والتأكد من السماح فقط للمركبات المصرح لها بالدخول.

الشكل 6. استخدام ANPR للسماح للمركبات المصرح لها بدخول 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.

Link to this sectionتعد 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 اعتبارها حلاً واحداً متماسكاً 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، فكر في مدينة ذكية حيث تُستخدم ANPR لإدارة حركة المرور، ومنح الوصول الآمن، وتبسيط مواقف السيارات كلها في وقت واحد. يمكن اكتشاف مركبة عند دخولها المدينة، وتتبعها في جميع أنحائها، ومنحها حق الوصول إلى المناطق المقيدة، والسماح لها بالوقوف دون أي تدخل يدوي.

من خلال دمج نماذج الرؤية الحاسوبية مثل YOLO11، يمكن لـ ANPR المساعدة في إدارة حركة المرور بكفاءة أكبر، وتعزيز الأمن، وتحسين السلامة العامة. تتيح هذه الأنظمة المراقبة في الوقت الفعلي، والعمليات المؤتمتة، واتخاذ القرارات القائمة على البيانات، وهي أمور ضرورية لإدارة التعقيدات المتزايدة للمدن الحديثة.

Link to this sectionنظرة 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، قم بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول الخاصة بنا. 🚀