كيفية إدخال الذكاء الاصطناعي في أنظمة الكاميرات الحالية

لا يقتصر إدخال الذكاء الاصطناعي في أنظمة الكاميرات الحالية على تحسين كفاءة ودقة المراقبة فحسب، بل يُمكّن أيضًا من تحليل المشاهد بذكاء وتوفير إمكانيات الإنذار المبكر. ومن خلال اختيار نماذج التعلم العميق المناسبة، وتحسين تقنية استدلال الفيديو في الوقت الفعلي، واعتماد بنية هجينة تجمع بين الحوسبة الطرفية والسحابية، وتطبيق نشر مُحوسب وقابل للتوسع، يُمكن دمج تقنية الذكاء الاصطناعي بفعالية في أنظمة الكاميرات الحالية.

تقديم تقنيات الذكاء الاصطناعي

اختيار نموذج التعلم العميق وتحسينه

تُعدّ نماذج التعلّم العميق بمثابة "عقول" أنظمة المراقبة بالفيديو، فهي المسؤولة عن استخلاص المعلومات وتحليلها من إطارات الفيديو. ويُعدّ اختيار نموذج التعلّم العميق المناسب أمرًا بالغ الأهمية لتحسين أداء النظام. ومن نماذج التعلّم العميق الشائعة ما يلي:

سلسلة YOLO: مناسبة للسيناريوهات ذات المتطلبات العالية في الوقت الفعلي، مثل مراقبة حركة المرور.

Faster R-CNN: مناسب للسيناريوهات ذات متطلبات الدقة العالية، مثل الكشف عن العيوب الصناعية.

المحول البصري (ViT): يتفوق في معالجة المشاهد المعقدة وبيانات السلاسل الزمنية الطويلة.

لتحسين كفاءة وأداء تدريب النموذج، يمكن استخدام تقنيات التحسين التالية:

التعلم بالنقل: الاستفادة من النماذج المدربة مسبقًا لتقليل وقت التدريب ومتطلبات البيانات.

تجزئة البيانات: تحسين كفاءة الحوسبة.

تقنية الاستدلال المرئي في الوقت الفعلي: يُعدّ الاستدلال المرئي في الوقت الفعلي وظيفةً أساسيةً في أنظمة المراقبة، وتعتمد كفاءته على الأجهزة وتقنيات التحسين. تشمل الأساليب التقنية الشائعة ما يلي: TensorRT: يُسرّع عملية الاستدلال على النموذج. بنية الاستدلال غير المتزامن: تعالج تدفقات فيديو متعددة دون تعطيل المهام. أما فيما يتعلق بدعم الأجهزة، فتتفوق وحدات معالجة الرسومات (GPUs) ووحدات FPGAs في سيناريوهات التزامن العالي، بينما تُوازن وحدات معالجة الشبكات العصبية (NPUs) في الأجهزة الطرفية بين الأداء وكفاءة استهلاك الطاقة.

يُمكّن التصميم الهجين الذي يجمع بين الحوسبة الطرفية والحوسبة السحابية من نماذج نشر أكثر ذكاءً. توفر الحوسبة الطرفية ميزة الأداء الفوري، مما يُغني عن الحاجة إلى نقل البيانات عبر الشبكة. بينما تستطيع التحليلات السحابية تخزين البيانات التاريخية وإجراء تحليل أنماط واسع النطاق. على سبيل المثال، يُجري نظام أمني تحليلاً روتينياً لتدفق الأفراد على الأجهزة الطرفية، مع تفريغ تحليل أنماط السلوك الإجرامي المعقدة إلى خوادم سحابية.

التغليف في حاويات ونشر قابل للتوسع

تُتيح تقنيات الحاويات (مثل Docker وKubernetes) نشر الأنظمة بسرعة وتحديثها وتوسيعها بسهولة. ومن خلال الحاويات، يستطيع المطورون تجميع نماذج الذكاء الاصطناعي والتبعيات المرتبطة بها معًا، مما يضمن تشغيلًا مستقرًا في بيئات متنوعة.

حالات تطبيقية لإدخال الذكاء الاصطناعي

المراقبة بالفيديو بالذكاء الاصطناعي في المدن الذكية

في المدن الذكية، تُستخدم تقنية الذكاء الاصطناعي على نطاق واسع في أنظمة المراقبة بالفيديو لتحسين كفاءة إدارة المدن وتعزيز السلامة. فعلى سبيل المثال، تستخدم الكاميرات المثبتة على أعمدة ذكية تقنيات القياسات الحيوية والتعرف على الأنماط للكشف التلقائي عن المركبات والمشاة المخالفين لقواعد المرور وتنبيههم. ولا يقتصر دور هذا التطبيق على تحسين كفاءة إدارة المرور فحسب، بل يقلل أيضًا من الحاجة إلى التدخل البشري.

إدارة المرور الذكية

في مجال النقل الذكي، تُستخدم تقنية الذكاء الاصطناعي لتحسين التحكم في إشارات المرور، والتنبؤ بحركة المرور، والكشف التلقائي عن حوادث المرور. فعلى سبيل المثال، قامت مدينة متروبوليس بتطبيق تقنية التحكم التكيفي في الإشارات عند التقاطعات. وتستخدم هذه التقنية، بالاشتراك مع خوارزميات الذكاء الاصطناعي، أجهزة استشعار حلقية حثية وأنظمة كشف فيديو لالتقاط البيانات في الوقت الفعلي، وتحسين مدة إشارات المرور ديناميكيًا باستخدام نماذج التعلم الآلي. وقد ساهمت هذه التقنية بشكل كبير في تقليل تأخير المركبات وتحسين جودة خدمة المرور.

لا يقتصر إدخال الذكاء الاصطناعي في أنظمة الكاميرات الحالية على تحسين كفاءة ودقة المراقبة فحسب، بل يُمكّن أيضًا من تحليل المشاهد بذكاء وتوفير إمكانيات الإنذار المبكر. ومن خلال اختيار نماذج التعلم العميق المناسبة، وتحسين تقنية استدلال الفيديو في الوقت الفعلي، واعتماد بنية هجينة تجمع بين الحوسبة الطرفية والسحابية، وتطبيق نشر مُحوسب وقابل للتوسع، يُمكن دمج تقنية الذكاء الاصطناعي بفعالية في أنظمة الكاميرات الحالية.