تشخیص میزان شلوغی تاکسی و اتوبوس از روی عکس‌های دوربین

مقایسه‌ای بین مدل‌های مختلف تشخیص: از شمارش ساده تا تحلیل رفتار

تا اینجا متوجه شدیم که دوربین‌ها چطور محیط را می‌بینند و داده‌ها را به سرور می‌فرستند. اما باید بدانید که همه سیستم‌های تشخیص شلوغی یکسان نیستند. بسته به بودجه، هدف و دقت مورد نیاز، مهندسان از مدل‌های مختلفی استفاده می‌کنند. بیایید این مدل‌ها را از ساده‌ترین تا پیشرفته‌ترین بررسی کنیم تا ببینیم هر کدام چه کاربردی دارند.

ساده‌ترین روش، چیزی است که به آن "تحلیل تغییر پیکسل‌ها" (Background Subtraction) می‌گویند. در این روش، سیستم یک عکس از اتوبوس در حالت خالی می‌گیرد (به عنوان پس‌زمینه). هر چیزی که بعداً به تصویر اضافه شود و رنگ یا شکلش با پس‌زمینه متفاوت باشد، به عنوان "موجود" شناسایی می‌شود. این روش بسیار سریع است و به سخت‌افزار ضعیفی نیاز دارد، اما یک نقطه ضعف بزرگ دارد: اگر سایه یک درخت روی اتوبوس بیفتد یا نور محیط تغییر کند، سیستم فکر می‌کند یک مسافر وارد شده است! بنابراین، این روش برای محیط‌های کنترل‌شده خوب است اما برای دنیای واقعی، کافی نیست.

یک پله بالاتر، مدل‌های "تشخیص نقاط کلیدی" (Key-point Detection) قرار دارند. در این روش، هوش مصنوعی به دنبال نقاط خاصی می‌گردد؛ مثلاً نقطه اتصال سر به گردن، شانه یا مچ دست. چرا این کار را می‌کنیم؟ چون در اتوبوس‌های بسیار شلوغ، بدن‌ها در هم گره می‌خورند و تشخیص "یک انسان کامل" سخت می‌شود. اما سرها معمولاً در بالاترین نقطه هستند و کمتر توسط دیگران پوشانده می‌شوند. سیستم با شناسایی "دایره‌های کوچک" (سرها) در بالای جمعیت، می‌تواند با دقت بسیار بالایی تعداد افراد را بشمارد، حتی اگر پاهای آن‌ها دیده نشود.

اما قله این تکنولوژی، "تحلیل معنایی تصویر" (Semantic Segmentation) است. در این سطح، هوش مصنوعی هر پیکسل از عکس را طبقه‌بندی می‌کند. یعنی می‌گوید: «این پیکسل‌ها متعلق به صندلی هستند، این‌ها متعلق به کف اتوبوس و این‌ها متعلق به انسان». این روش به ما اجازه می‌دهد تا مفهوم "تراکم" را درک کنیم. مثلاً سیستم می‌فهمد که اگر ۵ نفر در یک فضای کوچک جمع شده‌اند، تراکم بالاست و محیط "شلوغ" است، حتی اگر ظرفیت کلی اتوبوس هنوز پر نشده باشد.

تصور کنید تفاوت بین این سه مدل مثل تفاوت بین یک نفر باشد که فقط می‌گوید "چیزی در اتاق هست"، با کسی که می‌گوید "پنج نفر در اتاق هستند" و کسی که می‌گوید "پنج نفر در گوشه سمت راست اتاق با تراکم زیاد جمع شده‌اند".

چگونه هوش مصنوعی خطاها را به حداقل می‌رساند؟

شاید بپرسید: «اگر یک نفر در اتوبوس باشد که لباسش دقیقا هم‌رنگ صندلی است، چه اتفاقی می‌افتد؟» یا «اگر یک مسافر یک چتر بزرگ باز کرده باشد که جلوی بقیه را گرفته، سیستم چه می‌کند؟». اینجاست که مفهوم "آموزش داده‌ها" (Training Data) وارد می‌شود.

شرکت‌های بزرگی مثل گوگل یا متا در مدل‌های بینایی ماشین خود از میلیون‌ها عکس متنوع استفاده می‌کنند. برای اینکه سیستم در تشخیص شلوغی اتوبوس خطا نکند، باید به آن عکس‌هایی از اتوبوس در شب، در روز بارانی، با مسافران دارای لباس‌های مختلف (از کت و شلوار گرفته تا لباس‌های رنگارنگ) و حتی مسافرانی که صندلی چرخ‌دار دارند، داده شود. هر چه تنوع داده‌های آموزشی بیشتر باشد، "شهود" هوش مصنوعی قوی‌تر می‌شود.

علاوه بر این، از تکنیکی به نام "فیلتر زمانی" استفاده می‌شود. سیستم به جای اینکه به یک عکس تکی اعتماد کند، ۱۰ فریم از یک ویدیو را بررسی می‌کند. اگر در یک عکس، یک شیء شبیه انسان دیده شود اما در ۹ عکس بعدی ناپدید شود، سیستم می‌فهمد که آن احتمالاً یک "نویز" یا انعکاس نوری بوده و آن را در شمارش نهایی لحاظ نمی‌کند. این یعنی سیستم یاد می‌گیرد که بین "واقعیت" و "خطای لحظه‌ای" تفاوت قائل شود.

تاثیرات اجتماعی و اقتصادی: چرا شهرها به این سیستم نیاز دارند؟

شاید در نگاه اول به نظر برسد که دانستن میزان شلوغی یک تاکسی یا اتوبوس فقط یک "راحتی کوچک" برای مسافر است. اما وقتی این سیستم را در مقیاس یک کلان‌شهر پیاده کنیم، نتایج شگفت‌انگیز و در سطح کلان خواهد بود. بیایید از سه زاویه به این موضوع نگاه کنیم: زاویه مسافر، زاویه اپراتور حمل و نقل و زاویه محیط زیست.

برای مسافر: کاهش استرس و مدیریت زمان. وقتی می‌دانید اتوبوس بعدی خلوت‌تر است، با آرامش بیشتری منتظر می‌مانید. این یعنی کاهش فشار روانی در سفرهای روزانه. همچنین برای افرادی که دارای معلولیت جسمی هستند یا با کالسک بچه سفر می‌کنند، این اطلاعات حیاتی است؛ چون آن‌ها نمی‌توانند در یک محیط بسیار شلوغ جابجا شوند. دسترسی به داده‌های تراکم، حق دسترسی عادلانه به حمل و نقل را برای همه فراهم می‌کند.

برای مدیریت شهری (اپراتور): بهینه‌سازی ناوگان. تصور کنید مرکز مدیریت ترافیک متوجه شود که در ساعت ۸ صبح، اتوبوس‌های خط ۲ بسیار شلوغ هستند اما اتوبوس‌های خط ۵ تقریباً خالی‌اند. با این داده‌ها، آن‌ها می‌توانند در لحظه تصمیم بگیرند که دو اتوبوس اضافی به خط ۲ اضافه کنند. این یعنی توزیع بهینه منابع و جلوگیری از تجمع بیش از حد مسافران در ایستگاه‌های خاص.

برای محیط زیست: کاهش ترافیک خودروهای شخصی. دلیل اصلی اینکه مردم از اتوبوس یا تاکسی‌های عمومی دوری می‌کنند، عدم پیش‌بینی‌پذیری و شلوغی بیش از حد است. وقتی سیستم‌های هوشمند میزان شلوغی را شفاف کنند، اعتماد مردم به حمل و نقل عمومی افزایش می‌یابد. هر فردی که تصمیم بگیرد به جای ماشین شخصی، از یک اتوبوس "خلوت و راحت" استفاده کند، یعنی کاهش مقدار زیادی دی‌اکسید کربن از اتمسفر شهر.

اما بیایید کمی واقع‌بین باشیم؛ پیاده‌سازی این سیستم‌ها بدون در نظر گرفتن حریم خصوصی، می‌تواند با واکنش‌های منفی روبرو شود. مردم دوست ندارند احساس کنند هر لحظه تحت نظارت هستند. بنابراین، استراتژی "ناشناس‌سازی در منبع" (Anonymization at Source) کلید موفقیت است. در این روش، چهره‌ها در همان لحظه ورود به پردازنده تار (Blur) می‌شوند و هیچ تصویری از چهره مسافران هرگز به سرور ارسال یا ذخیره نمی‌شود. هدف سیستم "شمارش" است، نه "شناسایی".

اگر به دنبال راهکارهایی هستید که چگونه بتوانید از این مدل‌های تحلیل تصویر برای بهبود تجربه مشتری در کسب‌وکار خود یا بهینه‌سازی محیط‌های کاری استفاده کنید، تیم متخصصان زیروکس می‌توانند به شما کمک کنند تا تعادلی میان دقت تکنولوژی و حفظ حریم خصوصی ایجاد کنید.

آینده‌ای که در راه است: فراتر از شمارش ساده

ما تازه در ابتدای راه هستیم. تشخیص شلوغی فقط شروع ماجراست. در آینده نزدیک، سیستم‌های بینایی ماشین می‌توانند تحلیل‌های بسیار پیچیده‌تری انجام دهند. تصور کنید سیستمی که نه تنها می‌داند اتوبوس شلوغ است، بلکه می‌فهمد که مسافران در کجا تجمع کرده‌اند و به راننده هشدار می‌دهد: «مسافران در قسمت عقب تجمع کرده‌اند، لطفاً برای حفظ تعادل خودرو، از آن‌ها بخواهید به جلو حرکت کنند».

یا حتی سیستم‌هایی که می‌توانند "حالت روحی" کلی مسافران را تشخیص دهند. اگر سیستم متوجه شود که سطح استرس یا نارضایتی در اتوبوس به دلیل گرمای زیاد یا شلوغی بالا افزایش یافته، می‌تواند به صورت خودکار دمای کولر را کاهش دهد یا پیامی عذرخواهانه روی نمایشگرهای داخلی پخش کند تا محیط آرام‌تر شود. این یعنی تبدیل وسایل نقلیه از "جعبه‌های فلزی برای جابجایی" به "محیط‌های هوشمند و همدل".

پیاده‌سازی عملی؛ از ایده تا اجرا در دنیای واقعی

حالا که با تمام پیچیدگی‌ها و مزایای این سیستم آشنا شدیم، شاید این سوال برایتان پیش بیاید که «برای اجرای چنین سیستمی در یک شرکت حمل و نقل یا یک سازمان شهری، چه گام‌هایی لازم است؟». حقیقت این است که خرید چند دوربین پیشرفته، تنها ۱۰ درصد از مسیر است. ۹۰ درصد باقی‌مانده، مربوط به استراتژی داده و انتخاب مدل هوش مصنوعی درست است.

اولین قدم، تحلیل محیطی (Environmental Audit) است. شما نمی‌توانید از یک مدل یکسان برای یک تاکسی کوچک و یک اتوبوس دوطبقه استفاده کنید. در تاکسی، زاویه دید دوربین محدود است و احتمال هم‌پوشانی مسافران زیاد است، بنابراین نیاز به مدل‌های "تخمین تراکم" داریم. اما در اتوبوس، به دلیل فضای باز، مدل‌های "شمارش سرها" (Head Counting) بسیار بهتر جواب می‌دهند. انتخاب سخت‌افزار باید بر اساس این تحلیل باشد تا هزینه‌های اضافی حذف شود.

قدم دوم، ایجاد یک چرخه بازخوردی (Feedback Loop) است. هیچ مدل هوش مصنوعی در روز اول ۱۰۰ درصد دقیق نیست. سیستم باید در ماه‌های اول به صورت موازی با نظارت انسانی کار کند. مثلاً اگر سیستم می‌گوید اتوبوس ۵ نفر دارد اما راننده می‌بیند ۱۰ نفر هستند، این خطا باید ثبت شود و به عنوان یک "نمونه آموزشی جدید" به مدل داده شود تا یاد بگیرد در آن شرایط خاص (مثلاً در نور کم) بهتر تشخیص دهد. این فرآیند، همان چیزی است که باعث می‌شود سیستم از یک ابزار ساده به یک متخصص تبدیل شود.

جمع‌بندی: وقتی داده‌ها جایگزین حدس و گمان می‌شوند

در نهایت، تشخیص میزان شلوغی وسایل نقلیه از روی عکس‌ها، فراتر از یک ابزار تکنولوژیک است؛ این یک تغییر پارادایم در نحوه تعامل ما با شهر است. ما از دورانی که باید "شانس" می‌آوردیم تا اتوبوسی با جای خالی بیابیم، به دورانی می‌رویم که "اطلاعات" تصمیم ما را می‌گیرد. این یعنی کاهش استرس، افزایش بهره‌وری و در نهایت، ارتقای کیفیت زندگی شهری.

بینایی ماشین و هوش مصنوعی دیگر مفاهیمی دور از دسترس در آزمایشگاه‌های گوگل یا مایکروسافت نیستند. این ابزارها امروز در دسترس هر کسب‌وکاری هستند که بخواهد تجربه مشتریانش را بهبود ببخشد یا هزینه‌های عملیاتی خود را کاهش دهد. چه در مدیریت یک ناوگان اتوبوسرانی شهری باشید و چه در مدیریت یک سازمان که می‌خواهد تراکم افراد در محیط‌های کاری‌اش را تحلیل کند، قدرت تحلیل تصویر می‌تواند دیدگاهی کاملاً جدید و دقیق به شما بدهد.

البته، ورود به دنیای هوش مصنوعی می‌تواند در ابتدا پیچیده و دلهره‌آور به نظر برسد. انتخاب بین مدل‌های مختلف YOLO، استفاده از پردازنده‌های NVIDIA Jetson یا مدیریت دیتابیس‌های حجیم تصویری، نیازمند تخصص و تجربه است. اما خبر خوب این است که لازم نیست تمام این مسیر را به تنهایی طی کنید. برای اینکه بدانید کدام مدل دقیقاً با نیازهای شما سازگار است و چگونه می‌توانید بدون به خطر انداختن حریم خصوصی، بهره‌وری سیستم‌های نظارتی خود را به حداکثر برسانید، پیشنهاد می‌کنیم یک گپ دوستانه با متخصصین ما داشته باشید. شما می‌توانید برای دریافت مشاوره تخصصی و طراحی نقشه راه پیاده‌سازی سیستم‌های هوشمند، به بخش تماس زیروکس مراجعه کنید و اولین قدم را برای تبدیل کسب‌وکار خود به یک سازمان هوشمند بردارید.

دنیا به سرعت در حال حرکت است و کسانی که امروز داده‌های بصری خود را به اطلاعات کاربردی تبدیل می‌کنند، فردا رهبران بازار و مدیریت شهری خواهند بود. اجازه ندهید فرصت بهینه‌سازی محیط‌هایتان از دست برود؛ چون در دنیای امروز، هر پیکسل می‌تواند یک فرصت برای رشد باشد.