نموذج أولي يكشف الأشخاص بـ YOLOv8 ويتتبعهم بـ DeepSORT داخل مناطق عمل محددة، ويحسب زمن التواجد بالثواني ويصدّر السجلات إلى Excel، مختبر على فيديو مكتبي.
مشروع أكاديمي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز لتطوير نموذج أولي يعتمد على الرؤية الحاسوبية في كشف الأشخاص وتتبعهم داخل مناطق عمل محددة، واحتساب مدة وجود كل متتبع داخل المنطقة، ثم تنظيم البيانات الزمنية وتصديرها في صورة تقارير قابلة للمراجعة.
اعتمد النموذج في مرحلة التنفيذ على YOLOv8 للكشف عن الأشخاص وDeepSORT لتتبعهم عبر إطارات الفيديو، مع منطق برمجي لحساب مدة التواجد وربط النتائج ببيانات منظمة يمكن تصديرها إلى ملف Excel. أُجريت التجربة على مقطع فيديو يحاكي بيئة مكتبية، ولذلك تمثل النتائج إثباتًا وظيفيًا لنموذج أولي وليست تشغيلًا إنتاجيًا داخل شركة فعلية.
| العنصر | البيانات |
|---|---|
| نوع المشروع | نموذج أولي للرؤية الحاسوبية وتحليل الفيديو |
| المجال | الذكاء الاصطناعي، الرؤية الحاسوبية، تتبع الأشخاص |
| حالة المشروع | نموذج أولي تم اختباره على فيديو يحاكي بيئة مكتبية |
| دور تكنو إنجاز | دعم ومساعدة تقنية للطلاب أثناء تطوير المشروع |
| تقنيات أساسية | YOLOv8، DeepSORT، OpenCV، pandas، datetime |
| المخرجات | تتبع الأشخاص، مناطق عمل محددة، حساب زمن التواجد، قاعدة بيانات (المعرف، رقم المكتب، المدة، التاريخ)، تصدير إلى Excel |
تعتمد كثير من الشركات على البصمة أو البطاقات الذكية لتسجيل الحضور والانصراف، وهذه الوسائل تسجل لحظتي الدخول والخروج فقط، ولا تبين ما إذا كان الموظف موجودًا فعلًا في منطقة عمله خلال الدوام، أو غادرها لفترات طويلة دون إذن. ينطلق المشروع من هذه الفجوة: بدل تسجيل نقطتين زمنيتين، يحاول قياس مدة التواجد الفعلي داخل منطقة العمل طوال فترة التسجيل، اعتمادًا على كاميرا وتحليل الفيديو.
ركز المشروع على بناء نموذج قادر على تحليل فيديو لبيئة عمل، والكشف عن الأشخاص داخل المشهد، ثم تتبع حركة كل شخص عبر الإطارات باستخدام معرف تتبع مستقل. بعد ذلك تُقارن مواقع المتتبعين بمناطق عمل معرفة مسبقًا، ويُحسب الزمن الذي يقضيه كل متتبع داخل منطقته.
الهدف من النموذج هو اختبار إمكانية استخدام تقنيات الرؤية الحاسوبية في أتمتة جزء من عملية تسجيل الحضور داخل مناطق العمل، مع توفير بيانات زمنية يمكن مراجعتها إداريًا. ولا تعتمد النسخة الحالية على التعرف على الوجه لتأكيد هوية الموظف؛ إذ تركز على تتبع الأشخاص داخل المشهد بواسطة معرفات تتبع، بينما يظل ربط هذه المعرفات بهوية موظف مؤكدة مجالًا للتطوير اللاحق.
نُفذ المشروع أكاديميًا بواسطة الطلاب، مع مساعدة ودعم تقني من مكتب تكنو إنجاز أثناء مراحل التطوير. ويُعرض المشروع ضمن أعمال المكتب بوصفه مثالًا على مساهمته في دعم المشاريع التطبيقية التي تجمع بين الذكاء الاصطناعي والرؤية الحاسوبية وتحليل الفيديو.
لا تنسب هذه الصفحة إلى تكنو إنجاز تنفيذ المشروع كاملًا أو تدريب جميع النماذج بصورة مستقلة؛ دور المكتب في هذا المشروع هو المساعدة التقنية للطلاب خلال التطوير.
بحسب ما يوثقه المشروع، مر التنفيذ بالمراحل التالية:
يمر النموذج بعدة مراحل مترابطة:
يعرض المشروع لقطات من تشغيل النظام على فيديو المشهد المكتبي، وتظهر فيها العناصر التالية:
| العنصر المرئي | دلالته |
|---|---|
| مربعات حمراء حول الأشخاص | الأشخاص الذين كشفهم النموذج داخل المشهد |
| حدود خضراء لمناطق العمل | مناطق العمل المعرفة مسبقًا، ولكل منها رقم مكتب |
| عداد بالثواني | الزمن الذي قضاه كل شخص في منطقته |
| تحول حدود المنطقة إلى الأحمر | مغادرة الشخص المرتبط بها لمنطقة العمل، كما في مثال الموظف الذي غادر المنطقة رقم 5 |
وتُحفظ النتائج في جدول يضم معرف الموظف، ورقم المكتب، ومدة العمل، والتاريخ، ثم تُستخرج إلى ملف Excel.
من التحديات التي تناولها المشروع تراكب الأشخاص داخل المشهد وفقدان التتبع بصورة مؤقتة، وهي من المشكلات المعروفة في أنظمة التتبع متعدد الأجسام. كما أن الانتقال من نموذج تجريبي إلى تطبيق حقيقي يحتاج إلى التعامل مع متغيرات إضافية، مثل اختلاف الإضاءة، كثافة الأشخاص، تعدد الكاميرات، واستمرار هوية المتتبع عند خروجه من المشهد وعودته.
ومن الجوانب المهمة أيضًا التمييز بين معرف التتبع وهوية الموظف الفعلية. النسخة الموثقة من المشروع تتبع الأشخاص داخل الفيديو، لكنها لا تقدم دليلًا على تنفيذ طبقة تحقق شخصية مستقلة مثل التعرف على الوجه أو بطاقات تعريف الموظفين.
أظهرت التجربة إمكانية تنفيذ الوظائف الأساسية التالية ضمن السيناريو التجريبي:
تعبر هذه النتائج عن نجاح وظيفي للنموذج الأولي، ولا تمثل قياسًا لدقة نظام إنتاجي. لم يعرض المصدر قيمًا كمية خاصة بالمشروع مثل Precision أو Recall أو mAP أو FPS أو IDF1 أو معدل تبدل المعرفات، لذلك لا تُنسب للنسخة الحالية نسب دقة أو سرعة غير موثقة.
استُخدم لكشف الأشخاص داخل إطارات الفيديو وتحديد مواقعهم في المشهد.
استُخدم لتتبع الأشخاص عبر الإطارات وإسناد معرفات تتبع تسمح بمتابعة حركة كل شخص أثناء ظهوره في الفيديو.
استُخدم ضمن معالجة الفيديو والإطارات وإظهار نتائج التحليل بصريًا.
استُخدمتا في تنظيم البيانات ومعالجة القيم الزمنية اللازمة لحساب مدة التواجد وإعداد السجلات.
صُمم المشروع كنموذج أولي أكاديمي، ولذلك من المهم قراءة نتائجه ضمن هذا الإطار:
يقدم المشروع تجربة عملية على دمج كشف الأشخاص، التتبع متعدد الأجسام، مناطق الاهتمام، الحساب الزمني، وإدارة البيانات داخل تدفق واحد. وتكمن قيمته كدراسة تطبيقية في الانتقال من كشف الشخص داخل الصورة إلى متابعة وجوده عبر الزمن وربط هذا الوجود بمنطقة محددة وسجل قابل للمراجعة.
بالنسبة إلى تكنو إنجاز، يعكس المشروع جانبًا من خبرة المكتب في مساندة المشاريع التطبيقية المبنية على الرؤية الحاسوبية والذكاء الاصطناعي، مع المحافظة على التمييز الواضح بين مساهمة المكتب والدور الأكاديمي للطلاب الذين نفذوا المشروع.
بحسب اتجاهات التطوير الواردة في المشروع، يمكن توسيع النموذج مستقبلًا من خلال:
تظل هذه العناصر تطويرات مستقبلية وليست وظائف تُنسب إلى النسخة الحالية.
لأن هذا النوع من الأنظمة يعالج فيديو لأشخاص داخل بيئة عمل، فإن أي استخدام فعلي يحتاج إلى ضوابط واضحة تتعلق بالموافقة، والغرض من المراقبة، وصلاحيات الوصول، وفترة الاحتفاظ بالبيانات، وحماية الصور والسجلات.
إذا كان مشروعك يحتاج إلى تحليل الفيديو، كشف الأشخاص أو الأجسام، التتبع، أو بناء نموذج أولي يعتمد على الرؤية الحاسوبية، يمكن التواصل مع مكتب تكنو إنجاز لمناقشة المتطلبات التقنية ونطاق الدعم المناسب للمشروع.
نموذج أولي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز، يحلل فيديو بيئة عمل ليكشف الأشخاص ويتتبعهم داخل مناطق عمل محددة ويحسب مدة وجود كل متتبع داخل منطقته. تُحفظ النتائج مع رقم المكتب والتاريخ وتُصدَّر إلى ملف Excel للمراجعة.
يكشف YOLOv8 الأشخاص في كل إطار، ويحافظ DeepSORT على معرف تتبع لكل شخص عبر الإطارات، ثم يُقارن موقعه بمنطقة العمل المعرفة مسبقًا. ويحسب منطق زمني مبني على datetime وpandas مدة التواجد بالثواني، وتتحول حدود المنطقة إلى اللون الأحمر عند مغادرة صاحبها لها.
لا في النسخة الحالية. يعتمد النظام على معرفات تتبع داخل الفيديو، ومعرف التتبع لا يساوي تلقائيًا هوية موظف مؤكدة. ويذكر المشروع التعرف على الوجه بوصفه تطويرًا مستقبليًا، لا وظيفة مثبتة.
اختُبر النموذج على فيديو يحاكي مشهدًا مكتبيًا، ونجح وظيفيًا في كشف الأشخاص وتتبعهم وحساب زمن تواجدهم داخل مناطقهم ورصد مغادرة أحدهم لمنطقته وتصدير البيانات إلى Excel. ولم يعرض المصدر مقاييس كمية مثل Precision أو mAP أو FPS أو IDF1، لذلك لا تُنسب للنموذج نسب دقة.
يحتاج النظام إلى اختبار في ظروف تشغيل حقيقية بإضاءة وكثافة أشخاص مختلفة، وطبقة تحقق موثوقة من هوية الموظف، وقياس دقة الكشف والتتبع وحساب الزمن. كما يتطلب ضوابط واضحة للخصوصية تشمل الموافقة والغرض من المراقبة وصلاحيات الوصول وفترة الاحتفاظ بالتسجيلات.
تواصل مع فريق تكنو إنجاز لمناقشة قابلية التنفيذ العملي، اختيار القطع، وتطوير النموذج الأولي.
نماذج تطبيقية ومنظومات برمجية وهندسية منجزة بدعم المكتب
لوح افتراضي يتيح الكتابة والرسم واختيار الألوان والمسح بإيماءات اليد أمام الكاميرا، مبني بلغة Python مع MediaPipe لتتبع الأصابع وOpenCV لمعالجة الفيديو.
نموذج أولي لمراقبة الامتحانات يستخدم YOLO وMediaPipe وOpenCV لتحليل اتجاه رأس الطالب، فيؤشر الالتفات بإطار أحمر للمراجعة والتوجه الأمامي بإطار أخضر.
نموذج أولي للتحكم في الدخول إلى منطقة حساسة بالتعرف على الوجه عبر OpenCV وface-recognition، يسجل وقت دخول المصرح لهم ويحفظ صور المجهولين ويطلق إنذارًا صوتيًا.
