نهج قائم على التعلم العميق لكشف مخالفات الاتجاه الخاطئ في الدوارات المرورية

تُعد مخالفات الاتجاه الخاطئ في الأماكن الحرجة للسلامة مثل الدوارات المرورية نوعًا من المخالفات المرورية التي قد تؤدي إلى الازدحام المروري وترفع خطر وقوع الحوادث على الطرق، ورغم اهتمام الباحثين بكشف أنواع كثيرة من المخالفات المرورية فإن مخالفات الاتجاه الخاطئ لم تحظَ بالاهتمام الكافي، وقد يعود ذلك إلى غياب مجموعات البيانات ذات الصلة، مما يترك فجوة واضحة في أنظمة المراقبة المرورية الذكية

وفي هذا السياق هدفت الدراسة الحالية إلى سد هذه الفجوة من خلال تطوير نهج قائم على التعلم العميق لكشف مخالفات الاتجاه الخاطئ عند الدوارات المرورية، بحيث يعمل النظام في الزمن الحقيقي ويوفر أداة عملية لدعم السلامة المرورية في المدن المزدحمة، ويعكس هذا التوجه اتساع توظيف الذكاء الاصطناعي في إدارة الحركة المرورية والوقاية من الحوادث

وتزداد أهمية هذه الأنظمة في المدن التي تشهد كثافة مرورية عالية وتقاطعات معقدة، إذ يصعب على المراقبة البشرية وحدها رصد كل مخالفة في الوقت المناسب، وتوفر الأنظمة الذكية القادرة على تحليل الفيديو لحظة بلحظة حلًا قابلًا للتوسع يخفف العبء عن فرق المرور ويرفع مستوى الالتزام بقواعد السير، كما أن توثيق المخالفات آليًا يدعم الشفافية والمساءلة في إدارة الحركة المرورية

أولًا: أهداف الدراسة ومنهجيتها

طوّر الباحثون نظامًا يلتقط الفيديو من كاميرات موضوعة في مواقع استراتيجية عند الدوارات المرورية، ثم يُغذى هذا الفيديو إلى نموذج ذكاء اصطناعي قادر على كشف المركبات التي ترتكب مخالفات الاتجاه الخاطئ في الزمن الحقيقي، واعتمد النظام على خوارزمية يولو الشهيرة في كشف الأجسام، ونظرًا لغياب مجموعة بيانات جاهزة لهذا النوع المحدد من المخالفات أنشأ الباحثون مجموعة بيانات خاصة بهم، إذ جُمعت الصور وشُرحت من دوارات محلية في مدينة بيشاور في باكستان، ثم دُرب نموذج يولو على هذه البيانات وقُيم بأدوات قياس الأداء المعيارية ومنها الدقة والاستدعاء

ثانيًا: أبرز النتائج

1. نجح النظام المقترح في كشف مخالفات الاتجاه الخاطئ عند الدوارات المرورية في الزمن الحقيقي اعتمادًا على الفيديو الملتقط من الكاميرات المثبتة في مواقع استراتيجية، مما يثبت إمكانية أتمتة هذه المهمة المرورية الدقيقة

2. أتاحت مجموعة البيانات الجديدة التي جُمعت وشُرحت من دوارات محلية في بيشاور تدريب نموذج يولو على هذا النوع النادر التوثيق من المخالفات، مما يعالج مباشرة سبب إهمال هذا الموضوع في البحوث السابقة وهو غياب البيانات

3. أظهر التقييم بمقاييس الأداء المعيارية ومنها الدقة والاستدعاء أن النهج المقترح يتمتع بإمكانية قوية للتحسين والتطبيق في الواقع، مما يمهد الطريق أمام نشره في أنظمة إدارة المرور

ثالثًا: دلالات الدراسة وتطبيقاتها

تفتح الدراسة الباب أمام توظيف أنظمة التعلم العميق في مراقبة الدوارات المرورية وغيرها من الأماكن الحرجة للسلامة، إذ يمكن لهذه الأنظمة أن تنبه الجهات المعنية إلى المخالفات فور وقوعها وتسهم في الحد من الازدحام والحوادث، كما تبرز قيمة بناء مجموعات بيانات محلية موثقة جيدًا لتدريب النماذج على ظروف مرورية واقعية، وهو درس مهم للباحثين العرب المهتمين بالمدن الذكية وأنظمة النقل الذكية في بيئاتهم المحلية

ويمكن تعميم هذا النهج على أنواع أخرى من المخالفات المرورية والأماكن الحرجة للسلامة مثل التقاطعات والإشارات الضوئية، ولا سيما حين تتوافر مجموعات بيانات محلية موثقة تعكس ظروف القيادة الواقعية، وتفتح الدراسة المجال أمام تعاون أوثق بين مهندسي المرور وباحثي الذكاء الاصطناعي لتطوير أنظمة مراقبة أكثر دقة وعدالة وفاعلية

وتؤكد التجربة أن نجاح أنظمة المراقبة الذكية لا يعتمد على الخوارزمية وحدها، بل على جودة البيانات التي تُدرب عليها وعلى اختيار مواقع الكاميرات بعناية، مما يجعل التعاون بين مهندسي المرور وخبراء الذكاء الاصطناعي شرطًا أساسيًا لنتائج موثوقة

وخلاصة القول إن كشف مخالفات الاتجاه الخاطئ بالتعلم العميق يمثل خطوة عملية نحو طرق أكثر أمانًا، ولا سيما حين يقترن ببيانات محلية دقيقة وتقييم صارم للأداء يضمن جاهزية النظام للتطبيق الميداني