<br />
<b>Deprecated</b>:  htmlspecialchars(): Passing null to parameter #1 ($string) of type string is deprecated in <b>/home2/muc/public_html/journal/plugins/generic/citationStyleLanguage/CitationStyleLanguagePlugin.php</b> on line <b>451</b><br />
<br />
<b>Warning</b>:  Cannot modify header information - headers already sent by (output started at /home2/muc/public_html/journal/plugins/generic/citationStyleLanguage/CitationStyleLanguagePlugin.php:451) in <b>/home2/muc/public_html/journal/plugins/generic/citationStyleLanguage/CitationStyleLanguagePlugin.php</b> on line <b>654</b><br />
<br />
<b>Warning</b>:  Cannot modify header information - headers already sent by (output started at /home2/muc/public_html/journal/plugins/generic/citationStyleLanguage/CitationStyleLanguagePlugin.php:451) in <b>/home2/muc/public_html/journal/plugins/generic/citationStyleLanguage/CitationStyleLanguagePlugin.php</b> on line <b>655</b><br />
TY  - JOUR
TI  -   العدّ الآني للأشخاص باستخدام التعلم العميق حل لإدارة الحشود
PY  - %2025/%08/%25
Y2  - %2025/%12/%22
JF  - مجلة المنصور
JA  - مجلة المنصور
VL  - 42
IS  - 1
LA  - en
KW  - الرؤية الحاسوبية
KW  - YOLO
KW  - التعلم العميق
KW  - بايثون
KW  - OpenCV
UR  - https://journal.muc.edu.iq/journal/article/view/673
SP  - 120-127
AB  - تلعب إدارة الحشود دورًا حيويًا في ضمان السلامة والكفاءة وتحسين استخدام الموارد في البيئات التي تشمل الفعاليات العامة، ومراكز النقل، والمجمعات التجارية، وأماكن العمل. وتعاني أساليب عدّ الأشخاص التقليدية، مثل الملاحظة اليدوية والأنظمة المعتمدة على المستشعرات، من محدودية في الدقة، وقابلية التوسع، والتكيف مع الظروف المتغيرة. يقدم هذا البحث نظامًا آنيًا لعدّ الأشخاص يعتمد على تقنيات التعلم العميق، وتحديدًا إطار الكشف عن الأجسام YOLO (You Only Look Once)يعالج النظام المقترح تدفقات الفيديو لاكتشاف الأفراد وعدّهم بدقة، موفرًا بذلك حلاً آليًا وفعّالًا لتحليل الحشود. ومن خلال الاستفادة من سرعة YOLO العالية ودقته، ينجح النظام في التعرف على الأشخاص حتى في البيئات المعقدة والمتغيرة، متغلبًا على تحديات مثل التداخل بين الأجسام، وتغير الإضاءة، وارتفاع كثافة الحشود. وتُظهر التقييمات التجريبية أداءً قويًا للنظام، حيث حقق دقة بلغت 95% في البيئات الثابتة و87% في البيئات الديناميكية.تسلط هذه النتائج الضوء على موثوقية النموذج وكفاءته وإمكانياته التطبيقية في مجالات مراقبة الحشود الآنية، والمراقبة الأمنية، والتخطيط الحضري. وتشمل التحسينات المستقبلية دمج خوارزميات تتبع متقدمة واستخدام أنظمة متعددة الكاميرات لتعزيز دقة الكشف وتناسقه عبر زوايا الرؤية المختلفة. ويؤكد هذا البحث على الإمكانات التحويلية للتعلم العميق في مجال إدارة الحشود، مما يمهّد الطريق نحو فضاءات عامة أكثر ذكاءً وأمانًا واستجابة.
ER  -