Proactive Road Damage Detection

كل طريق يروي قصة... لكن ليست كل الأضرار يمكن ملاحظتها في الوقت المناسب.

قد يتحول شرخ صغير اليوم إلى حفرة خطيرة غدًا.

وتواجه المدن تحديات كبيرة بسبب بطء عمليات فحص الطرق وارتفاع تكلفتها وعدم شموليتها.

ماذا لو كانت الطرق قادرة على مراقبة نفسها؟

SABIQ هو نظام مدعوم بالذكاء الاصطناعي يكتشف التشققات والحفر في الطرق باستخدام مقاطع الفيديو الملتقطة من كاميرات السيارات (Dashcam) أو الطائرات بدون طيار (Drone)، مع إزالة التكرار بحيث يتم تسجيل كل ضرر مرة واحدة فقط.

التقنيات المستخدمة:

Google Colab • YOLO • Docker • Hugging Face • FastAPI • React • Supabase

أهداف المشروع

المشكلة

تمثل عيوب سطح الطريق، مثل الحفر والتشققات، خطرًا كبيرًا على سلامة المركبات وانسيابية الحركة المرورية. وعندما تتضرر المركبات نتيجة سوء صيانة الطرق، تتحمل الجهة البلدية المسؤولة تكاليف التعويض، مما يشكل عبئًا ماليًا إلى جانب كونه مشكلة تتعلق بالسلامة العامة.

تعتمد الطرق التقليدية لفحص الطرق على المعاينة اليدوية، وهي بطيئة ومكلفة ولا يمكنها تغطية مدينة كاملة بكفاءة.

الحل

يقوم SABIQ بأتمتة عملية فحص الطرق باستخدام الذكاء الاصطناعي.

سير العمل:

رفع فيديو من كاميرا السيارة أو الطائرة بدون طيار → اكتشاف الأضرار → تصنيف مستوى الخطورة → تخزين النتائج → تحديد أولويات الصيانة.

التوافق مع رؤية المملكة 2030

المدن الذكية: احتلت مدينة الرياض المرتبة 24 عالميًا في مؤشر المدن الذكية (IMD Smart Cities Index 2026).

برنامج جودة الحياة: تحسين الطرق يعني تحسين جودة الحياة اليومية لملايين السكان.

عام الذكاء الاصطناعي 2026: تطبيق عملي للذكاء الاصطناعي في الخدمات البلدية.

مجموعة البيانات (Dataset)

المصدر: RDD2022

تضم 47,420 صورة من 6 دول.

تحتوي على أكثر من 55,000 وسم (Annotation) لأضرار الطرق.

تقسيم البيانات:

التدريب (Train): 26,869 صورة

التحقق (Validation): 5,758 صورة

الاختبار (Test): 5,758 صورة

دمج 4 فئات في 3 فئات رئيسية:

التشققات (Crack)

التلفيات الأخرى (Other Corruption)

الحفر (Pothole)

تمت زيادة بيانات الحفر بإضافة 7,788 صورة باستخدام Albumentations لمعالجة عدم توازن الفئات.

أصبح حجم بيانات التدريب النهائي 34,657 صورة.

المنهجية

1. المعالجة المسبقة (Preprocessing)

دمج الفئات (من 5 إلى 3).

تنظيف البيانات.

إجراء زيادة بيانات (Offline Augmentation) لفئة الحفر.

2. النموذج (Model)

استخدام نموذج YOLO26m، الذي يحتوي على:

21.7 مليون معلمة (Parameters).

74.7 GFLOPs.

يعتمد على أحدث بنية YOLO باستخدام كتل C3k2 وآلية الانتباه C2PSA لتحسين دقة اكتشاف الأضرار.

3. التدريب (Training)

تم تدريب النموذج عبر 3 إصدارات متتالية باستخدام وحدة معالجة الرسوميات NVIDIA A100 GPU للوصول إلى أفضل أداء.

4. إزالة التكرار في الفيديو (Video Deduplication)

تم استخدام خوارزمية ByteTrack (ECCV 2022) لمنح كل ضرر معرفًا (ID) فريدًا عبر جميع إطارات الفيديو.

وبذلك، إذا ظهر نفس الضرر في 30 إطارًا متتاليًا، يتم تسجيله مرة واحدة فقط، مما يمنع تكرار البلاغات ويحسن دقة إحصاءات الأضرار.