ما هو فرق الأداء الحقيقي للتعرف بالذكاء الاصطناعي بين النهار والليل؟

أبيع كاميرات PTZ للمهام الصعبة، وأرى نفس المشكلة مرارًا وتكرارًا: النهار يبدو سهلاً، لكن الليل يغير كل شيء بسرعة.

عادة ما يكون التعرف بالذكاء الاصطناعي أقوى في النهار لأنه يحصل على المزيد من الألوان والتفاصيل والحواف الأنظف، بينما يفقد وضع الليل الألوان ويضيف ضوضاء ويجعل الكشف والتتبع أقل استقرارًا.

أداء كاميرا PTZ بالتعرف بالذكاء الاصطناعي نهارًا مقابل ليلاً

عندما أشرح هذا للمشترين مثل ديفيد، أركز على شيء واحد أولاً: الكاميرا لا “ترى أقل” في الليل. بل لديها أيضًا بيانات أقل فائدة للتفكير بها.

هل هناك انخفاض كبير في دقة “تصنيف المركبات” عند التبديل إلى وضع الليزر؟

أسمع هذا السؤال كثيرًا من مدمجي الأنظمة، وأطرحه بنفسي عندما أختبر وحدة جديدة في الميدان.

نعم، أرى عادةً انخفاضًا في تصنيف المركبات² الدقة عندما تتحول الكاميرا إلى وضع الليزر³, ، ولكن حجم الانخفاض يعتمد على مدى جودة احتفاظ الكاميرا بالتباين والتركيز وتفاصيل المشهد.

تصنيف المركبات في وضع الليزر

عندما أنظر إلى ذكاء المركبات الاصطناعي في ضوء النهار، يمكن للنموذج استخدام اللون وشكل الجسم وخطوط النوافذ وحواف الإطارات وحتى العلامات الصغيرة على السيارة. في الليل، يغير وضع الليزر قواعد اللعبة. غالبًا ما تصبح الصورة بالأبيض والأسود، لذلك يفقد النموذج أدلة الألوان. ثم يعتمد بشكل أكبر على الخطوط الخارجية والحجم والحركة والشكل. هذا لا يزال يعمل، ولكنه ليس غنيًا بنفس القدر.

ما أراقبه أثناء الاختبارات الميدانية

عنصر الاختبار	وضع النهار	وضع الرؤية الليلية بالليزر	ما الذي يتغير
إشارات الألوان	قوي	مفقود	يفقد النموذج مصدر ميزة رئيسية
حدة الحافة	عالية	متوسط إلى مرتفع	يعتمد على قوة الليزر وجودة العدسة
مطابقات خاطئة للمركبات	منخفضة	أعلى قليلاً	يمكن للضوضاء والوهج أن تربك النموذج
دعم قراءة اللوحات	أفضل في الضوء الواضح	يعتمد على التعريض	ضبابية الحركة1 يمكن أن ترتفع في الليل

أنا أيضًا أولي اهتمامًا للمشهد نفسه. شاحنة بيضاء، وشاحنة صغيرة داكنة، وسيدان صغيرة يمكن أن تبدو مختلفة تمامًا في النهار، ولكنها يمكن أن تبدو متشابهة جدًا في الليل. هذا يجعل عمل النموذج أصعب. إذا كانت الكاميرا تستخدم ليزرًا قويًا ومستشعرًا جيدًا، فلا يزال بإمكان الذكاء الاصطناعي القيام بعمل جيد. ولكن إذا كان الليزر ضعيفًا، أو إذا كان المشهد به غبار أو مطر أو ضباب، فقد ينخفض ​​معدل الدقة أكثر. أعرف أيضًا أن الليل لا يفشل بطريقة واحدة. في بعض الأحيان لا يزال النموذج يكتشف السيارة، ولكنه يصنفها بنوع خاطئ. في أحيان أخرى يرى السيارة متأخرًا جدًا. بالنسبة لديفيد، هذا مهم جدًا، لأن التصنيف الخاطئ يمكن أن يكسر قاعدة في مشروع وقوف ذكي أو تحكم في البوابة أو إنذار.

لماذا يصبح التصنيف أصعب في الليل

السبب الرئيسي	تأثير بسيط	نتيجة ميدانية
فقدان اللون	أدلة بصرية أقل	نفس الشكل يمكن أن يعني أكثر من نوع واحد من المركبات
تباين أقل	صعوبة أكبر في فصل الأجزاء	تصبح العجلات والمرايا وخطوط السقف أقل وضوحًا
تم إضافة ضوضاء	المزيد من التفاصيل الخاطئة	قد يسيء الذكاء الاصطناعي قراءة البقع الساطعة الصغيرة
ضبابية الحركة	السيارات المتحركة أصعب في التجميد	يمكن للمركبات السريعة أن تفقد شكلها

أعتقد أن النقطة الحقيقية هي هذه: وضع الليزر مفيد، لكنه لا يحل محل تفاصيل ضوء النهار بالكامل. إنه يساعد الكاميرا على الاستمرار في العمل في الظلام، وهذا ذو قيمة. ولكن إذا كنت بحاجة إلى دقة تصنيف مركبات عالية، فلا يزال بإمكاني محاولة تحسين الإعداد الكامل، وليس فقط مصدر الضوء. أنظر إلى التعرض، وسرعة الغالق، وجودة العدسة، وكيف تم تدريب نموذج الذكاء الاصطناعي. إذا تم تدريب النموذج على مشاهد مختلطة نهارًا وليلًا، فعادةً ما يكون أداؤه أفضل. إذا تم تدريبه على صور ساطعة فقط، يمكن أن يكون الانخفاض الليلي أسوأ بكثير. في تجربتي، تأتي أفضل نتيجة عندما يتم بناء الأجهزة والذكاء الاصطناعي معًا لنفس المهمة.

كيف يعوض الذكاء الاصطناعي عن فقدان “بيانات وصف الألوان” في الرؤية الليلية بالأبيض والأسود؟

أنا أعرف هذه المشكلة جيدًا، لأن اللون هو أحد أسرع الطرق للدماغ والكاميرا للتمييز بين الأشياء.

يعوض الذكاء الاصطناعي باستخدام الشكل والحركة والتباين وتفاصيل الحواف والأنماط المتعلمة، لذلك لا يزال بإمكانه تحديد الأشخاص والمركبات حتى عندما رؤية ليلية بالأبيض والأسود⁵ تزيل اللون.

تعويض الذكاء الاصطناعي للرؤية الليلية بالأبيض والأسود

في الليل، لم تعد الكاميرا تعتمد على القمصان الحمراء أو السيارات الزرقاء أو الخوذات الصفراء. لذلك يتحول الذكاء الاصطناعي إلى أدلة أخرى. أحب أن أفكر في الأمر على أنه مقايضة. تتخلى الكاميرا عن اللون، لكنها تحصل على نظرة أكثر تركيزًا على المخططات والحركة. على سبيل المثال، عادةً ما يكون للشخص الذي يمشي شكل رأس وكتف واضح وتأرجح ذراع متكرر. عادة ما تحتوي السيارة على جسم طويل، ومصباحين، وخط زجاج أمامي، وتباعد ثابت للعجلات. يستخدم الذكاء الاصطناعي هذه الأنماط لتقديم تخمين. في كاميرا جيدة، غالبًا ما يكون هذا التخمين قويًا بما يكفي للعمل الفعلي.

الأدلة الرئيسية التي لا يزال النموذج يستخدمها

نوع الدليل	ما يراه الذكاء الاصطناعي	لماذا يساعد
شكل الجسم	مخطط بشري أو للمركبة	يفصل بين أنواع الكائنات الرئيسية
نمط الحركة	كيف يتحرك الكائن	يساعد في التفريق بين الأشخاص والسيارات والحيوانات
تباين الحواف	خطوط ساطعة وداكنة	يحدد حدود الكائن
نسبة الحجم	الارتفاع والعرض والعمق	يقلل من الارتباك بين الفئات

أعتمد أيضًا على بيانات التدريب⁶. يمكن للنموذج الذي رأى العديد من المشاهد الليلية أن يتكيف بشكل أفضل بكثير من النموذج الذي يعرف فقط صور النهار الساطع. هذا مهم جدًا لمشتري B2B الذين يريدون نتائج مستقرة في مواقع حقيقية، وليس فقط مقاطع فيديو توضيحية. إذا قمت بنشر كاميرا في مزرعة أو بوابة أو طريق، أتوقع المطر والغبار والإضاءة المنخفضة والانعكاسات العشوائية. يجب أن يتعلم الذكاء الاصطناعي أن نقطة ضوء صغيرة بالقرب من العدسة قد تكون حشرة، وليست شخصًا. يجب أن يتعلم أن لافتة طريق لامعة ليست هدفًا متحركًا. لهذا السبب فإن أفضل ذكاء اصطناعي ليلي لا يتعلق بالمستشعر فقط. يتعلق أيضًا بالبيانات والمنطق داخل البرامج الثابتة⁷.

ما يفعله منطق الذكاء الاصطناعي الليلي الجيد عادةً

1. يقلل من فرصة تحول البقع الضوئية الصغيرة إلى أهداف وهمية.
2. يتحقق من الشكل الكامل قبل إرسال إنذار.
3. يراقب سرعة الحركة واتجاهها.
4. يستخدم التتبع الزمني لتجنب أخطاء الإطار الواحد.

أحب أيضًا أن أشرح حقيقة بسيطة للمشترين: لا يحتاج الذكاء الاصطناعي الليلي إلى أن يكون مثاليًا ليكون مفيدًا. يحتاج إلى أن يكون مستقرًا ويمكن التنبؤ به. في مشروع أمني، يمكن أن تكون الكاميرا التي تكتشف شخصًا بعد قليل ولكنها لا تزال صحيحة أفضل من كاميرا تطلق إنذارات كثيرة جدًا الإنذارات الكاذبة⁸. لهذا السبب أوازن دائمًا بين الحساسية وقواعد التصفية. في عملي الخاص، أختبر الكاميرا مقابل الأشجار والظلال وأضواء الطريق ومصابيح السيارات الأمامية والمطر. هذه هي الأشياء التي تؤذي الذكاء الاصطناعي الليلي أكثر. عندما يتعامل النظام مع هذه المشاهد بشكل جيد، أعرف أن فقدان اللون قد تم التعامل معه بطريقة عملية.

هل يمكنني توقع نفس معدل الكشف بنسبة 98% على بعد 300 متر خلال يوم صافٍ وليلة مظلمة؟

لن أعد أبدًا بنفس العدد دون اختبار كلا المشهدين، لأن المسافة والضوء يغيران النتيجة بطريقة حقيقية.

لا، لا أتوقع نفس معدل اكتشاف 98% بالضبط على بعد 300 متر في يوم صافٍ وليل مظلم، لأن الوضع الليلي عادة ما يقلل التفاصيل القابلة للاستخدام ويجعل التعرف بعيد المدى أصعب.

معدل الكشف عن بعد 300 متر في النهار مقابل الليل

أخبر العملاء أن 300 متر ليست مجرد مسافة واحدة. إنها أيضًا اختبار للضوء وقوة العدسة ووضوح الهواء وحجم الهدف وضبط الكاميرا. في يوم صافٍ، يمكن للكاميرا استخدام الشمس كمصدر ضوء ضخم. الصورة مشرقة، والتباين قوي، والذكاء الاصطناعي لديه المزيد من البيانات. في الليل، حتى مع ضوء الليزر، يكون المشهد مختلفًا. ينتشر الضوء أو يتلاشى أو ينعكس بطريقة أقل مثالية. إذا كان الطقس جافًا وصافيًا، يمكن أن تظل النتيجة قوية. ولكن إذا كان هناك ضباب أو مطر أو غبار، يمكن أن ينخفض الأداء أكثر.

ما الذي يتغير بين النهار والليل على بعد 300 متر

العامل	يوم صافٍ	ليل مظلم
مصدر الضوء	طبيعي وقوي	إضاءة نشطة فقط
تفاصيل الهدف	غني ومستقر	أقل ثراءً وأكثر محدودية
ثقة الذكاء الاصطناعي	أعلى	غالبًا ما تكون أقل
رؤية الأجسام الصغيرة	أفضل	أصعب على المدى الطويل

أعتقد أيضًا أن الناس غالبًا ما يخلطون بين الاكتشاف والتعرف⁹. الاكتشاف يعني أن الكاميرا تكتشف وجود شيء ما. التعرف يعني أن الكاميرا تعرف ما هو. على بعد 300 متر، قد تظل الكاميرا تكتشف جسمًا متحركًا في الليل، لكنها قد لا تصنفه بنفس الثقة التي تفعلها في النهار. هذا طبيعي. بالنسبة لديفيد، هذا مهم لأنه قد يحتاج إلى مناطق إنذار مختلفة للنهار والليل. في سيناريو النهار، يمكن للكاميرا مراقبة محيط أوسع. في الليل، غالبًا ما أقترح منطقة أضيق، أو إعدادًا أبطأ، أو دعم ليزر أقوى. هذا يحافظ على صدق النظام ويقلل من الإنذارات الكاذبة.

كيف أحكم على الأداء الحقيقي على بعد 300 متر

نقطة التحقق	ما أبحث عنه
الكشف	هل ترى الكاميرا الجسم على الإطلاق؟
التصنيف	هل تعرف ما إذا كان شخصًا أو سيارة أو شاحنة؟
التتبع	هل يمكنها إبقاء الهدف في المنتصف؟
استقرار الإنذار	هل يتم تشغيله مرة واحدة، أم يستمر في الإطلاق؟

أنا أيضًا أخبر المشترين بطلب مقاطع اختبار، وليس مجرد أوراق مواصفات. يمكن لورقة نظيفة أن تقول الكثير، لكن مقطع ميداني يقول المزيد. أريد أن أرى الهدف يتحرك عبر النطاق الكامل. أريد أن أرى الكاميرا في الظهيرة وفي منتصف الليل. أريد أن أرى الحواف، والوهج، وتأثير الطقس. إذا استطاع المصنع أن يوضح لي ذلك، يمكنني الحكم على ما إذا كان ادعاء 98% حقيقيًا بطريقة مفيدة. في رأيي، نتيجة ليلية جيدة على بعد 300 متر ممكنة، ولكن نفس الرقم عبر النهار والليل ليس التوقع الصحيح ما لم يتم تصميم النظام بأكمله وضبطه لهذا المستوى.

هل توفر الشركة المصنعة مخطط دقة “النهار مقابل الليل” لطراز الليزر PTZ الذي يصل مداه إلى 800 متر؟

أتلقى هذا الطلب من مشترين جادين طوال الوقت، وأعتقد أنه طلب ذكي للغاية.

نعم، يجب أن يوفر المصنع الجيد مخطط دقة النهار مقابل الليل¹¹ لـ نموذج PTZ ليزر 800 متر¹⁰ لأن هذا المخطط يوضح الأداء الحقيقي في مستويات إضاءة مختلفة، وليس مجرد ادعاءات تسويقية.

مخطط دقة النهار مقابل الليل PTZ

أشجع المشترين دائمًا على طلب هذا النوع من المخططات، لأنه يساعدهم على مقارنة المنتجات بطريقة عادلة. لا تتعلق كاميرا PTZ بعيدة المدى بقوة التكبير فقط. يتعلق الأمر أيضًا بكيفية تصرف الكاميرا عند انخفاض الإضاءة. بالنسبة لطراز ليزر 800 متر، يجب أن يوضح المخطط الاكتشاف والتعرف والتتبع على مسافات مختلفة. يجب أيضًا فصل نتائج النهار والغروب والليل الكامل. إذا قدم المورد رقمًا واحدًا فقط، أصبح حذرًا. المشروع الحقيقي يحتاج إلى أكثر من رقم واحد.

ما يجب أن يوضحه مخطط مفيد

عنصر المخطط	لماذا هو مهم
معدل الاكتشاف حسب المسافة	يوضح أين لا تزال الكاميرا قادرة على العثور على هدف
معدل التعرف حسب المسافة	يوضح أين لا يزال الذكاء الاصطناعي قادرًا على تصنيف الهدف
تقسيم النهار والليل	يوضح كيف يؤثر الضوء على النتيجة
ملاحظات الطقس	يوضح ما إذا كان المطر أو الضباب أو الغبار جزءًا من الاختبار

بالنسبة لكاميرا ليزر PTZ بدقة 800 متر، أريد أيضًا معرفة الهدف التجريبي. شخص، سيارة، وشاحنة ليست متشابهة. قد تكتشف الكاميرا شاحنة على مسافة طويلة بسهولة أكبر من شخص لأن الشاحنة أكبر. لذلك أطلب من المصنع تحديد حجم الهدف وسرعة الحركة وخلفية المشهد وإعدادات العدسة. أريد أيضًا معرفة ما إذا كانت الكاميرا تستخدم ذكاءً اصطناعيًا حقيقيًا أم مجرد اكتشاف حركة أساسي. هذان شيئان مختلفان تمامًا. إذا كان الرسم البياني صادقًا، فإنه يساعدني في تخطيط المشروع. إذا كان الرسم البياني غامضًا، فإنه يساعدني في معرفة أن المورد غير مستعد للعمل الشاق.

ما أطلبه من المصنع قبل أن أثق بالرسم البياني

1. هل تم الاختبار في الداخل أم في الخارج؟
2. هل كان المشهد واضحًا، متربًا، ممطرًا، أم ضبابيًا؟
3. ما هو حجم وسرعة الهدف؟
4. هل استخدم الاختبار البرنامج الثابت الفعلي للشحن؟
5. هل تم إنشاء الرسم البياني بواسطة المصنع أم بواسطة طرف ثالث؟

أنا أهتم أيضًا بالتكرار. اختبار واحد جيد لا يكفي. أريد أن أعرف ما إذا كانت الكاميرا يمكنها القيام بذلك مرارًا وتكرارًا. الرسم البياني مفيد فقط عندما يتطابق مع الموقع الفعلي. لعملي الخاص في مجال B2B، أستخدم هذه الرسوم البيانية لمساعدة ديفيد وفريقه في اختيار النموذج المناسب بشكل أسرع. يوفر الوقت ويقلل المخاطر. إذا رأيت كاميرا بأرقام قوية في النهار ولكن أرقام ضعيفة في الليل، فقد أوصي بها، ولكن فقط للمشاريع التي يكون فيها الاستخدام النهاري هو الأهم. إذا كان المشروع موقعًا محيطيًا يعمل طوال الليل، فإنني أضغط بقوة أكبر للحصول على ليزر أقوى ومستشعر أفضل وضبط ذكاء اصطناعي أذكى.

الخاتمة

أرى النهار والليل كعالمين اختباريين مختلفين، وأختار الكاميرا والضوء وإعداد الذكاء الاصطناعي بناءً على كليهما، وليس واحدًا فقط.

---

1. يمكن أن يؤدي ضباب الحركة إلى تدهور أداء الذكاء الاصطناعي ليلاً عن طريق حجب أشكال المركبات؛ فهمه يساعد في اختيار إعدادات كاميرا أفضل. ︎↩︎ 2. فهم كيفية عمل تصنيف المركبات في أنظمة التعرف بالذكاء الاصطناعي، خاصة في ظل ظروف الإضاءة المختلفة. ︎↩︎ 3. استكشاف كيفية استخدام إضاءة الليزر في كاميرات PTZ لتمكين الرؤية الليلية للمراقبة بعيدة المدى. ︎↩︎ 4. فهم دور معلومات الألوان في الرؤية الحاسوبية وكيف يؤثر فقدانها على التعرف على الأشياء ليلاً. ︎↩︎ 5. التعرف على مبادئ تقنية الرؤية الليلية بالأبيض والأسود ومقايضاتها للكشف بالذكاء الاصطناعي. ︎↩︎ 6. تُحسّن بيانات التدريب عالية الجودة التي تتضمن مشاهد ليلية من متانة نماذج الذكاء الاصطناعي في ظروف الإضاءة المنخفضة. ︎↩︎ 7. يحتوي البرنامج الثابت للكاميرا على المنطق الذي يُحسّن أداء الذكاء الاصطناعي للبيئات الليلية. ︎↩︎ 8. افهم كيف يُقلل ترشيح الذكاء الاصطناعي من الإنذارات الكاذبة في أنظمة الأمان، خاصة أثناء التشغيل الليلي. ︎↩︎ 9. تعرف على الفرق بين الاكتشاف (رؤية كائن) والتعرف (تحديده) في رؤية الكمبيوتر. ︎↩︎ 10. اكتشف ميزات ومواصفات كاميرات PTZ الليزرية بعيدة المدى للمراقبة ليلاً ونهاراً. ︎↩︎ 11. تعرف على كيفية تفسير رسوم بيانية للدقة بين النهار والليل لتقييم أداء الكاميرا في ظروف العالم الحقيقي. ︎↩︎