تطوير نظام ذكاء اصطناعي لكشف العقبات فى الطريق باستخدام YOLO لخدمة المكفوفين

مشروع "Path Guard": نظام ذكاء اصطناعي لحماية المكفوفين وكشف عقبات الطريق

يعتمد هذا المشروع على أحدث تقنيات الرؤية الحاسوبية (Computer Vision) لتوفير "عين ذكية" تساعد ذوي الإعاقة البصرية في التعرف على المخاطر المحيطة بهم في الوقت الفعلي.

أولاً: خطوات بناء وتدريب الموديل (Path Guard Engine)

جمع البيانات (Data Collection): تم تحميل قاعدة بيانات ضخمة من الصور بصيغة COCO عبر منصة Roboflow و kaggle.

تحديد فئات العقبات (Obstacle Classes): تم التركيز على 9 أصناف أساسية تشكل خطراً في الشارع:

وسائل النقل: (السيارات - الشاحنات - الدراجات النارية).

عقبات الطريق: (الحفر - تشققات البلاط).

عناصر البيئة المحيطة: (الحوائط - السلالم - الأرصفة - الطرق).

تجهيز البيانات (Data Labeling): تم استخدام أداة Label Studio لتحديد أماكن العقبات فى الصور بدقة عالية لضمان جودة التدريب.

التدريب والتحسين (Training & Optimization):

تم اختيار موديل YOLO11m.pt (Medium) كأفضل نسخة للمشروع.

يتميز هذا الموديل بتوازن مثالي بين الدقة والسرعة، حيث يحتوي على عدد بارامترات أكبر يسمح بالتقاط التفاصيل المعقدة.

ثانياً: تحليل الأداء والنتائج (النسخة المعتمدة 85%)

أظهر الموديل YOLO11m.pt كفاءة عالية جداً مقارنة بالنسخ الأخف، حيث حقق النتائج التالية:

الدقة العامة (mAP50): وصلت إلى 85%، مما يجعله موثوقاً في اكتشاف الأجسام.

التعرف على الفئات: أثبت الموديل دقة فائقة في تمييز السيارات (Cars) والجدران (Walls) والحفر (Potholes).

التحليل البياني: أظهرت منحنيات التعلم انخفاضاً مستمراً في معدلات الخطأ (Loss) وتحسناً ثابتاً في مستويات الاستدعاء (Recall) والدقة (Precision).

ثالثاً: الميزات المتقدمة وتجربة المستخدم (User Interaction)

تم تزويد المشروع بواجهات برمجية تفاعلية تتيح للمستخدم النهائي استثمار قوة الموديل بسهولة :

1-الواجهة الأولى: نظام رفع البيانات المخصص (Custom Image Upload): يوفر الكود واجهة تتيح للعميل رفع صور خاصة من جهازه الشخصي مباشرة. يقوم النظام آلياً بتنظيم هذه الصور وضغطها وفكها في بيئة المعالجة، مما يسمح للموديل بتحليل صور العميل الخاصة واكتشاف العقبات فيها فوراً.

2-الواجهة الثانية: معالجة الفيديو في الوقت الحقيقي (Real-Time Video Stream): يدعم النظام تحليل مقاطع الفيديو إطاراً بإطار (Frame-by-Frame). تم دمج تقنيات JavaScript مع Python لضمان عرض فيديو انسيابي وسريع، حيث تظهر المربعات التعريفية (Bounding Boxes) حول العقبات أثناء تحركها في الفيديو دون تأخير ملحوظ، وهو ما يمثل المحاكاة الحقيقية والتي تُترجم في المراحل التالية من المشروع إلى تنبيهات صوتية أو اهتزازات توضح للكفيف نوع العائق وبعده عنه، مما يضمن له حركة آمنة واستقلالية تامة في التنقل.