نظام أمني لمحال الذهب يكشف الأسلحة بـYOLO والعنف بشبكة RNN والاختلاس بـMediaPipe، مع حساسي حركة ولهب على NodeMCU وتنبيهات فورية عبر Telegram.
مشروع أكاديمي لتطوير نظام أمني ذكي لحماية محال الذهب يجمع الرؤية الحاسوبية والتعلم العميق والاستشعار الفيزيائي وإنترنت الأشياء، نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز. يحلل النظام بث كاميرا المراقبة لاكتشاف ثلاثة أنواع من التهديد: الأسلحة بخوارزمية YOLO، وأنماط العنف بشبكة عصبية تكرارية RNN، ومحاولات الاختلاس مثل مد اليد إلى الأدراج عبر تقدير وضعيات الجسم بمكتبة MediaPipe.
إلى جانب الكاميرا، يرصد حساس الحركة PIR وحساس اللهب التحركات غير الطبيعية ومؤشرات الحريق عبر متحكم NodeMCU ESP8266. وعند اكتشاف أي تهديد يُطلق النظام إنذارًا داخل المحل، ويحفظ مقطع فيديو للحدث، ويرسل تنبيهًا إلى صاحب المحل عبر بوت Telegram يتضمن وصف الحادثة. وثّق المشروع عمل هذه الوظائف بلقطات تجريبية، دون نشر مقاييس رقمية للدقة.
| العنصر | البيانات |
|---|---|
| نوع المشروع | نظام مراقبة أمني ذكي يدمج تحليل الفيديو بالذكاء الاصطناعي مع حساسات فيزيائية |
| المجال | الرؤية الحاسوبية، التعلم العميق، إنترنت الأشياء، أنظمة الأمان |
| حالة المشروع | نموذج أولي عامل مع تجارب عملية موثقة بلقطات شاشة |
| دور تكنو إنجاز | دعم ومساعدة تقنية للطلاب أثناء تطوير المشروع |
| تقنيات أساسية | Python، YOLO (نماذج Ultralytics الجاهزة)، RNN، MediaPipe، OpenCV، NodeMCU ESP8266، حساس PIR HC-SR501، حساس اللهب، Telegram Bot |
| المخرجات | كشف الأسلحة والعنف والاختلاس، كشف الحركة واللهب، إنذار محلي، حفظ مقاطع فيديو للأحداث، تنبيهات Telegram |
تُعد محال بيع الذهب من أكثر المنشآت التجارية عرضة للسرقة، لأنها تحتوي على معروضات عالية القيمة وسهلة التسييل. ومع ذلك يعتمد كثير منها على وسائل تقليدية، مثل كاميرات تسجل دون أن تحلل، أو أجهزة إنذار تنطلق عند خلل ميكانيكي دون أن تفسر طبيعة الخطر. وفي حالات كثيرة لا يعلم صاحب المحل بالحادثة إلا بعد وقوعها.
انطلق المشروع من الحاجة إلى نظام منخفض التكلفة وسهل التركيب ينقل الحماية من التوثيق اللاحق إلى الكشف المبكر والتنبيه الفوري، عبر تحليل المشهد لحظيًا وربط معطيات الصورة والحركة واللهب في منظومة واحدة.
نُفذ المشروع أكاديميًا بواسطة الطلاب، مع مساعدة ودعم تقني من مكتب تكنو إنجاز أثناء مراحل التطوير. ويُعرض ضمن أعمال المكتب مثالًا على دعمه للمشاريع التي تدمج نماذج الرؤية الحاسوبية مع متحكمات إنترنت الأشياء والحساسات في تطبيقات أمان عملية.
بحسب مخطط تكامل المكونات في المشروع:
| الوحدة | التقنية | ما ترصده |
|---|---|---|
| كشف الأسلحة | YOLO عبر نماذج Ultralytics المدربة مسبقًا (مثل YOLOv5 وYOLOv8) | وجود سلاح في الصورة وتحديده بمربع وتصنيف، مثل "knife" |
| كشف العنف | شبكة عصبية تكرارية RNN | أنماط العنف في تسلسل الحركات داخل الفيديو |
| كشف الاختلاس | MediaPipe لتقدير الوضعيات (33 نقطة للجسم و21 نقطة لليد) | دخول اليد إلى منطقة محظورة محددة مسبقًا (ROI) مثل الأدراج وخزائن العرض |
اعتمد المشروع على نماذج YOLO الجاهزة من Ultralytics بدل بناء نموذج من الصفر، مع تخصيصها لاحتياجات المشروع.
| المكون | المواصفات الموثقة | دوره في النظام |
|---|---|---|
| NodeMCU ESP8266 | معالج Tensilica L106 بدقة 32 بت، Wi-Fi بتردد 2.4 GHz وفق 802.11 b/g/n، و11 منفذ GPIO قابلًا للاستخدام | قراءة الحساسات والتنسيق وإرسال التنبيهات عبر الشبكة |
| حساس الحركة PIR HC-SR501 | مدى كشف حتى نحو 7 أمتار، حساسية قابلة للضبط، وزمن تأخير من ثانية إلى ثلاث دقائق | رصد أي دخول أو حركة غير طبيعية داخل المحل أو حوله |
| حساس اللهب بالأشعة تحت الحمراء | يكشف أطوالًا موجية بين 760 و1100 نانومتر بزاوية نحو 60 درجة، مع مقاومة متغيرة لضبط الحساسية | الكشف المبكر عن بدايات الحريق |
| كاميرا مراقبة | تغذية مرئية لوحدة Python | مصدر الإطارات لخوارزميات الكشف |
عرض المشروع مجموعة تجارب لإثبات عمل المكونات معًا، موثقة بلقطات شاشة:
تثبت هذه التجارب أن الوظائف تعمل ضمن السيناريوهات المعروضة، لكن المشروع لا ينشر أرقامًا لدقة كشف الأسلحة أو العنف، أو معدلات الإنذار الكاذب، أو زمن الاستجابة، ولا يحدد حجم بيانات الاختبار. أما النسب التي يذكرها المشروع في الفصول النظرية، مثل دقة 97.4% لنموذج RNN على مجموعة UCSD Ped2، فهي نتائج دراسات سابقة وليست نتائج هذا النظام.
بحسب الآفاق الواردة في المشروع:
يحلل النظام فيديو لأشخاص داخل المحل ويحفظ مقاطع منه، لذلك يحتاج أي تشغيل فعلي إلى إعلام الزبائن والعاملين بوجود المراقبة، وضوابط لمدة الاحتفاظ بالمقاطع وصلاحيات الوصول إليها، والالتزام بالأنظمة المحلية للمراقبة بالفيديو.
إذا كنت تعمل على نظام مراقبة أمني يعتمد على الذكاء الاصطناعي وتحتاج إلى مساعدة تقنية في تطوير الفكرة أو بناء نموذج أولي، يمكن التواصل مع مكتب تكنو إنجاز لمناقشة متطلبات المشروع ونطاق الدعم المناسب.
نظام أكاديمي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز لحماية محال الذهب. يحلل بث الكاميرا بالذكاء الاصطناعي لكشف الأسلحة والعنف ومحاولات الاختلاس، ويضيف حساسي حركة ولهب عبر متحكم NodeMCU ESP8266، ثم يطلق إنذارًا ويرسل تنبيهًا إلى صاحب المحل عبر Telegram.
يستخدم نماذج YOLO الجاهزة من Ultralytics لتحديد الأسلحة مثل السكين بمربع وتصنيف، وشبكة عصبية تكرارية RNN لتحليل تسلسل الحركات وكشف العنف. أما الاختلاس فيُرصد بتقدير وضعيات الجسم واليد عبر MediaPipe، إذ يُطلق التنبيه عند دخول اليد إلى منطقة محظورة محددة مسبقًا مثل الأدراج.
يرصد حساس الحركة PIR HC-SR501 أي دخول أو حركة غير طبيعية ضمن مدى يصل إلى نحو 7 أمتار، ويكشف حساس اللهب بالأشعة تحت الحمراء بدايات الحريق. ويقرأ متحكم NodeMCU ESP8266 هذه الحساسات وينسقها مع مخرجات التحليل البرمجي ويرسل التنبيهات عبر Wi-Fi.
يطلق النظام إنذارًا داخل المحل ويحفظ مقطع فيديو للحدث في مجلد مخصص. ثم يرسل بوت Telegram رسالة مثل "تم اكتشاف سلاح!" أو "تم اكتشاف حالة عنف!" مع توقيت الكشف ورابط الفيديو، ليتمكن صاحب المحل من الاستجابة حتى في غيابه.
وثّق المشروع عمل الوظائف بلقطات تجريبية، لكنه لا ينشر أرقامًا لدقة الكشف أو معدلات الإنذار الكاذب أو زمن الاستجابة. ويشير إلى الحاجة لتحسين الأداء في الإضاءة الصعبة والزوايا المتنوعة والأماكن المزدحمة، كما أن النسب الواردة في فصوله النظرية تخص دراسات سابقة.
تواصل مع فريق تكنو إنجاز لمناقشة قابلية التنفيذ العملي، اختيار القطع، وتطوير النموذج الأولي.
نماذج تطبيقية ومنظومات برمجية وهندسية منجزة بدعم المكتب
نظام تعليمي للأطفال يتعرف عبر الكاميرا على الحيوانات بـ YOLO11 والألوان بـ HSV والأرقام بـ OCR، ويعرض النتيجة وينطقها بصوت عربي مسجل.
نظام رؤية حاسوبية يكشف السكين والمسدس لحظيًا من كاميرا الحاسوب أو الهاتف بنموذجي YOLOv8 مدربين، ويحدد موقع السلاح بإطار داخل الصورة باستخدام Python وOpenCV.
نظام تعليمي تفاعلي للأطفال يتعرف على الأشياء عبر الكاميرا بخوارزمية YOLOv8 وينطق أسماءها، ويحدد الألوان بنموذج HSV، ويتعرف على محتوى الصور المحمّلة.
