التعرف على الصور للسيارات: كيف يحدد الذكاء الاصطناعي المركبات

ملخص سريع: تستخدم تقنية التعرف على الصور للسيارات الشبكات العصبية الالتفافية (CNNs) لتحديد ماركة السيارة وطرازها ونوعها وخصائصها الأخرى تلقائيًا من الصور. تحقق هذه الأنظمة معدلات دقة تتراوح بين 83 و971 نقطة لكل 10 ...

أصبحت تقنية التعرف على الصور للسيارات تقنية أساسية في صناعة السيارات. فمن أنظمة تحصيل الرسوم الآلية إلى تطبيقات تقييم السيارات الكلاسيكية، يساهم التعرف على المركبات المدعوم بالذكاء الاصطناعي في حل مشاكل حقيقية يومياً.

لكن كيف يستطيع الكمبيوتر التمييز بين سيارة السيدان وسيارة الدفع الرباعي؟ يكمن الجواب في الشبكات العصبية الالتفافية المدربة على آلاف صور المركبات.

كيف تعمل أنظمة التعرف على السيارات

تقوم أنظمة التعرف على المركبات بمعالجة الصور من خلال طبقات متعددة من الشبكات العصبية. تحدد كل طبقة ميزات مختلفة - الحواف في الطبقات الأولى، ثم الأشكال، وأخيراً خصائص المركبة الكاملة مثل أنماط الشبكة أو أنماط الهيكل.

وفقًا لأبحاث معهد مهندسي الكهرباء والإلكترونيات (IEEE) حول اكتشاف المركبات، أصبحت الشبكات العصبية الالتفافية هي النهج القياسي للتعرف على طرازات السيارات. تحلل نماذج التعلم العميق هذه المظهر العام وأجزاء محددة من المركبة لتحقيق تحديد دقيق.

تلتقط هذه التقنية صورًا عبر نطاق طيفي واسع. تُظهر الأبحاث التي أجراها مختبر التصوير الحاسوبي بجامعة برينستون أن مصفوفات RCCB المجسمة تلتقط صورًا من 380 إلى 1050 نانومتر، بمسافة أساسية تبلغ 0.76 متر. يوفر هذا الإعداد أداءً ليليًا محسّنًا مقارنةً بكاميرات RGB التقليدية.

تطوير برامج رؤية حاسوبية باستخدام الذكاء الاصطناعي المتفوق

متفوقة الذكاء الاصطناعي يقوم فريقهم بتطوير تطبيقات تعتمد على الذكاء الاصطناعي ومنتجات برمجية مخصصة باستخدام نماذج التعلم الآلي والذكاء الاصطناعي. ويدعم الفريق المشاريع بدءًا من مرحلة الاكتشاف ومراجعة البيانات وصولًا إلى تطوير الحد الأدنى من المنتج القابل للتطبيق، والتكامل، وتقييم النتائج.

بالنسبة لحالات استخدام السيارات، يمكن أن يساعد هذا في اكتشاف المركبات، وفحص الأضرار، والتعرف على الأجزاء، والفحص القائم على الكاميرا، أو غيرها من عمليات سير العمل القائمة على الصور.

هل تحتاج إلى رؤية حاسوبية لبيانات المركبات؟

يمكن أن تساعدك تقنية الذكاء الاصطناعي المتفوقة في:

• أنظمة التعرف على صور المباني
• اكتشاف وتصنيف الأشياء في الصور
• إنشاء نماذج ذكاء اصطناعي مخصصة للتحليل البصري
• ربط أدوات الذكاء الاصطناعي بسير العمل الحالي

👉 تواصل مع شركة AI Superior لمناقشة مشروعك.

مقاييس الدقة والأداء

تحقق واجهات برمجة تطبيقات التعرف على السيارات الحديثة دقةً مذهلة. وبحلول عام 2026، حققت أنظمة التعرف على المركبات الرائدة في الصناعة، والمدمجة مع الذكاء الاصطناعي التوليدي وطبقات التحقق من صحة نماذج التعلم الآلي، معدلات دقة تتراوح بين 98% و99.9%.

أظهرت الأبحاث المتعلقة بأساليب الكشف عن الأجسام ثلاثية الأبعاد أن شبكة تعلم التثليث حققت أفضل أداء، حيث سجلت أعلى متوسط دقة وأعلى درجة توجيه مقارنةً بالأساليب الأخرى. كما أظهرت طريقة الكشف عن الأجسام ثلاثية الأبعاد أحادية العدسة تحسناً بنسبة 61% تقريباً في كل من متوسط درجة التوجيه ومتوسط الدقة مقارنةً بالأساليب الأساسية.

تُعد جودة بيانات التدريب ذات أهمية بالغة. تعمل تقنيات زيادة البيانات على تحسين أداء النموذج في مختلف سيناريوهات التدريب.

التطبيقات في العالم الحقيقي

تُشغّل تقنية التعرف على المركبات تطبيقات متنوعة في مختلف القطاعات. تستخدم أنظمة ركن السيارات الآلية التصنيف لتحديد أنواع المركبات - سيارات الميني فان، وسيارات الدفع الرباعي، وسيارات السيدان - لتخصيص المساحات.

تستفيد أنظمة تحصيل الرسوم من تحديد هوية المركبات في الوقت الفعلي لضمان دقة الفواتير. وتتتبع شبكات مراقبة النقل أنماط حركة المرور حسب فئة المركبة.

يُقدّم تطبيق "Classic Valuer" تطبيقاتٍ عملية للمستهلكين، حيث يُحدّد السيارات الكلاسيكية من الصور بدقة 83% ويُوفّر بيانات التقييم. يعمل النظام كمُجمّع بيانات فوري، إذ يستهلك البيانات من أكثر من 600,000 مركبة وأكثر من 50 دار مزادات يوميًا، مُقدّمًا تقييمات ديناميكية بدلًا من مُجرّد مُطابقة الصور الثابتة.

تكامل المركبات ذاتية القيادة

تعتمد أنظمة القيادة الذاتية بشكل كبير على اكتشاف المركبات وتصنيفها. وتتناول مجموعات بيانات القيادة الخاصة بجامعة برينستون على وجه التحديد الظروف الجوية السيئة - كالثلوج والأمطار الغزيرة والضباب - والتي لا تزال تشكل تحديات بالغة الأهمية للإدراك الذاتي.

تجمع مصفوفات المستشعرات الحديثة بين تصوير الطيف المرئي والتقاط الأشعة تحت الحمراء القريبة. تم تحسين مستشعر الصور Onsemi AR0820AT للأداء في ظروف الإضاءة المنخفضة، وتشير أبحاث مختبر برينستون للتصوير الحاسوبي إلى نطاق ديناميكي عالي النطاق (HDR) يصل إلى 140 ديسيبل في تطبيقات المستشعرات ذات الصلة، مما يتيح كشفًا قويًا في مختلف ظروف الإضاءة.

متطلبات بيانات التدريب

تتطلب نماذج التعرف الفعالة على السيارات مجموعات بيانات تدريبية ضخمة. يجب جمع البيانات من زوايا رؤية متعددة، وظروف إضاءة متنوعة، وسيناريوهات واقعية لتدريب أنظمة تصنيف قوية.

تتضمن مجموعة بيانات التعرف على طرازات السيارات 1717 صورة أصلية و11265 صورة مُحسّنة باستخدام تقنيات تحسين البيانات. وتلتقط الصور زوايا رؤية متعددة، وظروف إضاءة متنوعة، وسيناريوهات واقعية جُمعت من بيئات مختلفة.

يؤثر تنوع مجموعات البيانات بشكل مباشر على أداء النموذج. يجب أن تمثل المجموعات مواقع السيارات المختلفة وزواياها وظروفها البيئية لتدريب أنظمة تصنيف قوية.

اعتبارات التنفيذ

تواجه المؤسسات التي تُطبّق تقنية التعرّف على المركبات العديد من القرارات التقنية. توفر واجهات برمجة التطبيقات السحابية إمكانية النشر الفوري، ولكنها تتطلب تكاليف اشتراك مستمرة. بينما يوفر تدريب النماذج المخصصة تحكمًا أكبر، ولكنه يتطلب موارد حاسوبية وخبرة في مجال التعلّم الآلي.

تدعم خدمات الذكاء الاصطناعي من مايكروسوفت أزور تدريب نماذج التعرف على المركبات من خلال بنية تحتية مُدارة. تُمكّن خدمة الرؤية المخصصة من أزور الفرق من تدريب النماذج على مجموعات بيانات خاصة دون الحاجة إلى توفير موارد حوسبة مخصصة.

تختلف متطلبات جودة الصورة باختلاف التطبيق. تحتاج الأنظمة إلى دقة كافية لالتقاط السمات المميزة، مثل أنماط الشبك الأمامي، وأشكال المصابيح الأمامية، وخطوط هيكل السيارة. وتعتمد الدقة الدنيا الموصى بها على مسافة السيارة ومستوى دقة التعريف المطلوب.

التطورات المستقبلية

تتناول الأبحاث الجارية التحديات المتبقية. ويستمر تحسين موثوقية البيانات المتعلقة بالطقس من خلال مجموعات بيانات تدريبية متخصصة ترصد الظروف الجوية القاسية. ويجمع دمج البيانات الحسية متعددة الوسائط بين الضوء المرئي والأشعة تحت الحمراء وبيانات الرادار لتعزيز الموثوقية.

تتطور دقة التعرف الدقيق باستمرار. تميز الأنظمة الحالية الفئات العامة بشكل موثوق؛ وتهدف نماذج الجيل التالي إلى تحديد طرازات محددة حسب السنة والكشف عن التعديلات التي تُجرى بعد البيع.

يُمكّن نشر الحوسبة الطرفية من المعالجة في الوقت الفعلي دون الحاجة إلى اتصال سحابي. تعمل الشبكات العصبية المُحسّنة مباشرةً على الأجهزة المُثبّتة على المركبات أو الكاميرات المُدمجة لتقليل زمن الاستجابة وتحسين الخصوصية.

الأسئلة الشائعة