AI-Based Flag Detection & Classification

نظام ذكاء اصطناعي لاكتشاف وتصنيف الأعلام من الصور الجوية

طورت نموذجًا متكاملًا يعتمد على تقنيات الرؤية الحاسوبية والتعلم العميق لاكتشاف الأعلام داخل الصور الجوية ثم تحديد الدولة أو الجهة التي يمثلها العلم.

تم إنشاء وتجهيز بيانات التدريب بشكل اصطناعي بالاعتماد على صور حقيقية لبيئات صحراوية، ثم توليد مشاهد تدريبية تحتوي على أعلام مختلفة موضوعة داخل هذه البيئات. تم استخدام مكتبات Pillow وAlbumentations لإنشاء الصور ومعالجة الأعلام وتطبيق عمليات التحويل والـAugmentation مثل تغيير الحجم، الدوران، المنظور، الإضاءة، والموضع، بهدف إنتاج بيانات متنوعة تحاكي ظروف التصوير الفعلية من الطائرة.

شمل إعداد البيانات أيضًا تجهيز الصور والعلامات المطلوبة لمرحلة اكتشاف الأعلام، وتنظيم بيانات التصنيف بحيث يتمكن النموذج من التعرف على الدولة أو الجهة التي يمثلها كل علم.

يتكون الحل من مرحلتين رئيسيتين:

1. اكتشاف العلم: باستخدام نموذج YOLO لتحديد موقع العلم داخل الصورة.

2. تصنيف العلم: باستخدام نموذج EfficientNet لتحليل منطقة العلم المكتشفة وتحديد الدولة أو الجهة التي يمثلها.

مراحل النظام:

الصورة الجوية ← تجهيز الصورة ← اكتشاف العلم باستخدام Yolov26← استخراج الصورة المقصوصة 30x30 ← تصنيف العلم باستخدام EfficientNet ← النتيجة النهائية

أهم ما تم تنفيذه:

- إنشاء وتجهيز Dataset اصطناعية اعتمادًا على صور حقيقية لبيئات صحراوية.

- توليد مشاهد تحتوي على أعلام مختلفة داخل البيئات الصحراوية.

- استخدام Pillow وAlbumentations لإنشاء الصور وتطبيق عمليات Image Augmentation.

- تنويع مواضع وأحجام واتجاهات الأعلام وظروف ظهورها داخل الصور.

- إعداد بيانات Object Detection والعلامات الخاصة بها.

- إعداد بيانات Image Classification لتصنيف الأعلام.

- تدريب نموذج Object Detection باستخدام YOLO.

- تطوير وتدريب نموذج لتصنيف الأعلام باستخدام EfficientNet.

- معالجة الصور واستخراج مناطق الأعلام المكتشفة.

- تقييم أداء نماذج الكشف والتصنيف باستخدام المقاييس المناسبة لكل مهمة.

- اختبار النظام على صور جديدة لم يتم استخدامها أثناء التدريب.

- تصميم النظام بحيث يمكن دمجه ضمن تطبيقات الرؤية الحاسوبية والطائرات بدون طيار.

التقنيات المستخدمة:

Python، PyTorch، YOLO، EfficientNet، OpenCV، Pillow، Albumentations، NumPy، Kaggle، Computer Vision، Deep Learning، Image Processing، Dataset Generation، Data Augmentation، Object Detection، Image Classification.

تم تصميم الحل ليعمل كنظام مستقل للتعرف على الأعلام من الصور، مع إمكانية دمجه ضمن أنظمة أكبر مثل أنظمة الطائرات بدون طيار ذاتية التشغيل، حيث يمكن استخدام نتائج الكشف والتصنيف ضمن مراحل لاحقة من المهمة الجوية.