الكشف عن الأجسام باستخدام الذكاء الاصطناعي في الوقت الفعلي لضمان سلامة خطوط النقل

التحدي

غالبًا ما تصادف خطوط النقل الخاصة بإعادة التدوير أجسامًا غريبة خطرة مختلطة بالمواد الواردة — مثل البطاريات، وعبوات الغاز، والأجزاء المعدنية — والتي يمكن أن تتسبب في حرائق وانفجارات وتلف المعدات إذا وصلت إلى مرحلة معالجة غير مناسبة.

لم يكن الكشف اليدوي موثوقًا بما فيه الكفاية. فلم يتمكن المشغلون من اكتشاف هذه الأجسام في الوقت المناسب بشكل منتظم: فالناقل يتحرك بسرعة، وتختلف ظروف الرؤية، كما أن هامش الخطأ ضيق.

كان العميل بحاجة إلى نظام قادر على اكتشاف الأجسام الخطرة في وقت مبكر بما يكفي لتمكين إما إيقاف الخط تلقائيًّا أو تنبيه المشغل فورًا — ونظام يمكنه إثبات كفاءته في ظل ظروف التشغيل الفعلية قبل الشروع في نشره على نطاق الإنتاج الكامل.

ما سعينا إلى التحقق منه

تم تنظيم هذا المشروع باعتباره مشروعًا تجريبيًّا مدروسًا. وقبل إنشاء نظام التشغيل الفعلي، كان على العميل الإجابة عن سؤال محدد: هل يمكن لنموذج الرؤية الحاسوبية المدعوم بالذكاء الاصطناعي أن يكتشف الأجسام الخطرة في الوقت الفعلي، باستخدام كاميرات صناعية، في ظل الظروف السائدة فعليًّا على خط ناقل قيد التشغيل؟

وقد حددت ثلاثة معايير للتحقق نطاق المشروع التجريبي:

1. الكشف في الوقت الفعلي بزمن استجابة يلائم بيئة الإنتاج. كان على النموذج إجراء عمليات الاستدلال على تدفقات الفيديو المباشرة بسرعة كافية بحيث يمكن اتخاذ إجراءات بناءً عليها.
2. القدرة على التكيف مع ظروف التشغيل. كان على الحل أن يتعامل مع العوامل المتغيرة التي تجعل الكشف اليدوي غير موثوق به: تغير الإضاءة، والأجسام المخفية جزئيًا، وعدم اتساق جودة الإطارات.
3. مسار واضح نحو الإنتاج داخل المنشأة. صُمم المشروع التجريبي بحيث يعطي الأولوية للسحابة، لكنه صُمم هندسيًّا منذ البداية لدعم الانتقال إلى البنية التحتية المحلية — لذا فإن نجاح عملية التحقق يترجم مباشرةً إلى خطة للنشر في بيئة الإنتاج.

الحل الذي قدمناه

قمنا ببناء مسار عمل للكشف عن الأجسام في الوقت الفعلي، يستقبل لقطات الكاميرا الحية، ويُجري عمليات الاستدلال المدعومة بوحدة معالجة الرسومات (GPU) باستخدام نموذج YOLO، ويوجه كل حدث كشف عبر بنية قائمة على الأحداث تُشغّل تنبيهات المشغلين ولوحة تحكم للمراقبة الحية. تم إنجاز النطاق الكامل للمرحلة الأولى — إعداد الكاميرات وجمع البيانات، وإعداد التعليقات التوضيحية، والتدريب الأولي للنموذج، وسلسلة عمليات النشر، والتحقق الميداني — في غضون ثلاثة أشهر على منصة Google Cloud Platform.

كما قمنا بتقييم نموذج RT-DETR كنموذج منافس إلى جانب نموذج YOLO خلال المرحلة التجريبية، بهدف وضع أساس مرجعي متين لاختيار النموذج الذي سيتم استخدامه في الإنتاج.

إلى جانب نظام الكشف المباشر، قمنا ببناء البنية التحتية للبيانات من أجل التحسين المستمر للنموذج: وهي عبارة عن عملية منظمة لجمع البيانات تهدف إلى التقاط لقطات للأجسام الخطرة في ظروف التشغيل الفعلية، بالإضافة إلى سير عمل للتعليق على البيانات يهدف إلى تصنيف وإعداد ما بين 1,000 و10,000 إطار للتدريب والتحقق.

الهندسة المعمارية وسير العمل

يعمل مسار المعالجة بالكامل على Google Cloud (GKE)، وقد صُمم بحيث يمكن تحويل كل مكون إلى حاوية وترحيله إلى البنية التحتية المحلية من أجل النشر في بيئة الإنتاج.

ما أثبته المشروع التجريبي