نظام ذكي متكامل لإدارة مواقف السيارات وقراءة اللوحات بالذكاء الاصطناعي (LPR-Edge)

# مشروع LPR-Edge: نظام إدارة مواقف السيارات الذكي (Offline-First) مشروع LPR-Edge هو نظام متكامل (End-to-End) قمت بتطويره لإدارة مواقف السيارات الذكية وأتمتة عمليات الدخول والخروج بالكامل دون الحاجة للاتصال بالإنترنت. بنيت هذا التطبيق كحل بديل للأنظمة السحابية التقليدية التي تعاني عادةً من بطء الاستجابة، واستهلاك البيانات، والتكلفة المستمرة. ## المشكلة والحل تواجه مواقف السيارات، وخاصة التحت أرضية، مشكلة انقطاع شبكات الاتصال بشكل متكرر، مما يجعل الاعتماد على التعرف السحابي على اللوحات حلاً غير عملي. لذلك، اعتمدت في هذا المشروع على الذكاء الاصطناعي المدمج (On-Device AI) لقراءة اللوحات المصرية بدقة وسرعة فائقة محلياً على الجهاز نفسه. ## أبرز الميزات التي يقدمها التطبيق - مسح ذكي وتلقائي: التقاط صورة السيارة، وتحديد اللوحة، وقراءتها في أجزاء من الثانية. - نظام مستقل تماماً (Offline-First): إتمام عمليات تسجيل الدخول، الحساب المالي، والمغادرة دون أي اتصال بالشبكة. - توليد تذاكر QR محلياً: إصدار الرموز والتحقق منها برمجياً داخل التطبيق دون الحاجة لوسيط سحابي. - إدارة مرنة للمواقف: إمكانية التحكم في تقسيمات الجراج، وإدارة المناطق (Zones)، وحساب السعة الاستيعابية بشكل ديناميكي. - واجهة تأكيد تفاعلية (Human-in-the-loop): تتيح للمشغل مراجعة وتعديل البيانات لضمان دقة الفوترة. ## البنية البرمجية والتقنيات المستخدمة - تطوير الواجهات: بنيت التطبيق باستخدام إطار العمل Flutter ولغة Dart، مع واجهة مستخدم متطورة تدعم الوضعين المظلم والمضيء. - معمارية البرمجيات: طبقت المعمارية النظيفة (Clean Architecture) ووزعتها على طبقات (Presentation, Domain, Data) لضمان سهولة الصيانة والتطوير. - إدارة الحالة: اعتمدت على حزمة Provider مع كائنات مستقلة تماماً لإدارة عمليات الشاشات. - حفظ البيانات: استخدمت قاعدة بيانات SQLite عبر مكتبة sqflite كمصدر أساسي وموثوق للبيانات محلياً. - معالجة الصور والكاميرا: دمجت مكتبة camerawesome للتحكم الذكي في التقاط الصور الصامتة. ## خط إنتاج الذكاء الاصطناعي (AI Pipeline) - تحديد موقع اللوحة (Localization): استخدمت نموذجYOLOv11 خفيف ومخصص، ومصدر عبر TensorFlow Lite لتحديد أبعاد اللوحة بدقة داخل الصورة. - التعرف البصري الهيكلي (Structured Parsing): انتقلت من معالجات التسلسل التقليدية (CRNN-CTC) إلى نموذج متطور يعتمد على Transformer Encoder/Decoder (سميته PlateSlot Transformer) للتنبؤ المباشر بخانات الأرقام والحروف العربية طبقاً للقواعد النحوية للوحات المصرية. - التحسين والضغط (Quantization): قمت بتحويل النموذج ومضاعفة كفاءته عبر تقنية Dynamic Range INT8، ليعمل بحجم 7.78MB فقط وبدقة تصل إلى 93.27% في بيئات الاختبار الواقعية والمعقدة. - عزل المعالجة (Isolate Isolation): شغلت عمليات النماذج الثقيلة داخل Worker Isolate منفصل تماماً عن خيط الواجهة الرسومية الأساسي (UI Thread) لضمان تجربة مستخدم سلسة وبدون أي تعليق.