أنظمة الرؤية والفحص بالذكاء الاصطناعي للرافعات العلوية

تعيد تقنيات الرؤية والكشف بالذكاء الاصطناعي للرافعات العلوية (الجسرية) تشكيل أساليب العمل في ورشات الصناعات الثقيلة — من الحماية والسلامة، وتحديد مواقع الأحمال، إلى مراقبة صحة المعدات ورسم خرائط البيئة. لقد أصبحت تقنيات الرؤية العميقة تغطي كل جانب حيوي في مسيرة ذكاء الرافعات العلوية. وقد قامت شركة كيلود للصناعات الثقيلة ببناء نظام تقني متكامل للرؤية بالذكاء الاصطناعي يغطي جميع سيناريوهات تشغيل الرافعات العلوية، بالاعتماد على منصة الحوسبة الطرفية NVIDIA Jetson Orin NX وإطار عمل الكشف عن الأهداف YOLOv8. يقدم هذا المقال، بوصفه الدليل المحوري لمجموعة «أنظمة الرؤية والكشف بالذكاء الاصطناعي للرافعات العلوية»، نظرة شاملة على البنية التقنية وخطط النشر ونصائح الاختيار للتطبيقات الخمسة الأساسية، ليشكل مرجعًا تقنيًا متكاملًا لترقية ذكاء الرافعات العلوية.

أولاً: خلفية تطوير تقنيات الرؤية الذكية للرافعات العلوية

في الصناعات الأساسية مثل المعادن وبناء السفن والآلات الثقيلة وتصنيع معدات الطاقة الجديدة، تُعد الرافعة العلوية (الرافعة الجسرية) المركز العصبي للوجستيات الورشة، حيث تحدد بشكل مباشر كفاءة الإنتاج ومستوى السلامة. يعتمد تشغيل الرافعات التقليدية على الحكم البصري للسائق، والتواصل الصوتي مع مشغلي الأرض، والتفتيش اليدوي الدوري أثناء التوقف — وهذا النمط يواجه تحديات جوهرية في ظل بيئة صناعية تتسم بتسارع الإنتاج وارتفاع تكاليف العمالة وتشديد متطلبات الامتثال للسلامة.

إن نضج تقنيات الرؤية الصناعية الذكية، ولا سيما أطر الكشف عن الأهداف بالتعلم العميق، قد وفّر مساراً تقنياً منخفض التكلفة وعالي العائد لتحويل الرافعات العلوية إلى رافعات ذكية. وعلى عكس الحلول التقليدية القائمة على المستشعرات مثل ناقل كود غراي وقياس المسافة بالليزر والمشفرات، يعتمد نظام الرؤية الذكية على الكاميرا الصناعية كمستشعر أساسي، دون الحاجة إلى تجهيزات تحتية على طول السكة، لتحقيق وظائف متعددة تشمل مراقبة سلامة الأفراد، وتحديد موقع الحمولة، وكشف عيوب المعدات، ورسم خرائط البيئة. وبناءً على منصة حوسبة الحافة الموحدة (سلسلة NVIDIA Jetson) وإطار الخوارزميات (سلسلة YOLOv8)، يمكن نشر نظام الرؤية الذكية للرافعات بطريقة معيارية وفق مبدأ "خطة مخصصة لكل رافعة"، بدءاً من سيناريوهات الحماية الأمنية الأكثر إلحاحاً، ثم التوسع تدريجياً نحو نظام رافعة ذكي شامل لجميع السيناريوهات.

يغطي نظام الرؤية الذكية وتقنيات الكشف المطوّر ذاتياً من كيلود للصناعات الثقيلة خمسة سيناريوهات تطبيقية رئيسية: مراقبة السلامة، وتحديد موقع الحمولة، وفحص الحبل السلكي، وفحص اللحام، وتحديد المواقع ورسم الخرائط بالرؤية المتزامنة (SLAM). تشكل هذه السيناريوهات الخمسة لوحة القدرات الكاملة للرؤية الذكية للرافعات من أبعاد الإنسان (الحماية الأمنية)، والحمولة (المناولة)، والآلة (صحة المعدات)، والهيكل (فحص الهياكل المعدنية)، والموقع (الإدراك البيئي). وفيما يلي تحليل متعمق لكل منها.

ثانياً: مراقبة السلامة بالرؤية الذكية: كشف اقتحام الأفراد ومضاد التصادم في منطقة الرفع

تُعد سلامة الأفراد أثناء عمليات الرفع بالرافعة العلوية الأولوية القصوى لإدارة السلامة في الورشة. وفقاً لمتطلبات GB/T 28264-2017 — نظام مراقبة وإدارة السلامة لآلات الرفع — يجب أن تكون الرافعة قادرة على الكشف النشط والاستجابة للحالات الخطرة في منطقة الرفع. الحلول التقليدية — الأسوار المادية وأقفال أبواب الأمان والمراقبة البشرية — تعتمد على العزل السلبي وانتباه الإنسان، مما يترك ثغرات حماية واضحة في بيئات الرفع الديناميكية المعقدة.

يقوم نظام المراقبة الأمنية البصرية للرافعات العلوية من كيلود بنشر كاميرا صناعية ذكية واحدة على كل جانب من جانبي العربة الطرفية وكاميرا واحدة أسفل العربة، لتحقيق تغطية ثلاثية مكررة لمنطقة الرفع. تلتقط الكاميرات صوراً بدقة 1080P بمعدل 30 إطاراً في الثانية، وتنقلها عبر إيثرنت جيجابت إلى وحدة حوسبة الحافة Jetson Orin NX (بقدرة حسابية تبلغ 100TOPS). يقوم نموذج الكشف عن الأهداف YOLOv8s الذي يعمل على منصة Jetson بكشف الأشخاص في كل إطار، بزمن استدلال أقل من 15ms للإطار الواحد، وزمن استجابة شامل أقل من 100ms.

يعتمد المنطق الأمني الأساسي للنظام على استراتيجية إنذار ثلاثية المستويات — المنطقة التحذيرية الصفراء (5~8م) تُطلق إنذاراً صوتياً ومرئياً وتخفيض السرعة، والمنطقة البرتقالية (3~5م) تُطلق تخفيض سرعة طارئاً وأمراً صوتياً بالإبعاد، والمنطقة الحمراء الخطرة (<3م) تُطلق إيقافاً طارئاً عبر خاصية STO (إيقاف العزم الآمن). في ظل الإضاءة العادية (500Lux)، تبلغ دقة كشف الأشخاص mAP≥95%، بينما تبلغ mAP≥90% في الإضاءة المنخفضة (50Lux مع إضاءة بالأشعة تحت الحمراء). يضمن التوزيع المكرر للكاميرات الثلاث تغطية كل فرد على الأرض بكاميرتين على الأقل في نفس الوقت، مما يلغي مخاطر الفقد الناتجة عن انسداد زاوية الرؤية الواحدة. وعند تشغيل عدة رافعات على نفس السكة، يُعتمد نظام إضاءة متناوب بترددات مختلفة، مع معدل إنذار خاطئ أقل من 0.1 مرة/ساعة لثلاث رافعات متشاركة. لمزيد من التفاصيل، راجع "مراقبة السلامة بالرؤية الذكية للرافعات: الممارسة الهندسية لكشف اقتحام الأفراد ومضاد التصادم في منطقة الرفع".

ثالثاً: نظام التعرف البصري وتحديد المواقع الدقيق لحمولة الرافعة

تُعد عملية محاذاة الحمولة — أي وضع لفائف الصلب أو الألواح الفولاذية أو المعدات الكبيرة أو القوالب بدقة في المواقع المحددة — عنق الزجاجة الحرج لكفاءة الإنتاج في الورشة. تعتمد الطريقة التقليدية على التقدير البصري للسائق مع توجيه من الأرض، وتتأثر دقة المحاذاة بمهارة المشغل وظروف الرؤية، وغالباً ما تتطلب جولات متعددة من التعديل. ومع انتشار عمليات الصب المستمر والدرفلة المستمرة "المنتجة دفعة واحدة" في صناعة الصلب، وارتفاع متطلبات التجميع الدقيق في تصنيع معدات الطاقة الجديدة، لم يعد أسلوب المحاذاة اليدوي التقليدي قادراً على مواكبة إيقاع الإنتاج الحديث.

يعتمد نظام التعرف البصري وتحديد المواقع الدقيق لحمولة الرافعة بنية من أربع طبقات (طبقة الإدراك — طبقة الاستدلال — طبقة التحويل — طبقة التحكم)، لبناء حلقة مغلقة كاملة من التقاط الصور إلى المحاذاة التلقائية. تستخدم طبقة الإدراك كاميرات صناعية من Hikvision أو Basler (بدقة 5~20MP، بواجهة GigE Vision)، مع إضاءة تكميلية نابضة بتقنية LED للتغلب على تقلبات إضاءة الورشة. تقوم طبقة الاستدلال بنموذج YOLOv8s بالكشف الفوري عن أربعة أنواع من الحمولات: لفائف الصلب (Steel_Coil)، والألواح الفولاذية (Steel_Plate)، والمعدات (Equipment)، والقوالب (Mold)، بدقة mAP@0.5 تبلغ 0.962، وزمن استدلال يتراوح بين 12~18ms للإطار الواحد (بتحسين TensorRT FP16).

يكمن جوهر تحديد المواقع في طبقة تحويل الإحداثيات — حيث يتم تحويل الإحداثيات البكسلية الناتجة عن YOLOv8 إلى إحداثيات نظام الإحداثيات العالمي لمستوى الأرض (بوحدة mm) عبر مصفوفة المعلمات الداخلية للكاميرا ومصفوفة التحويل المنظوري المحددتين مسبقاً. يعتمد التحويل على الاستيفاء ثنائي الخطوط وتحسيناً دون مستوى البكسل، لتحقيق دقة تموضع تبلغ ±5mm. ترسل طبقة التحكم مقدار الانحراف عبر بوابة PROFINET إلى PLC سيمنز S7-1200/1500، لتوليد أوامر حركة لجسر الرافعة والعربة وآلية الرفع. يبلغ زمن المعالجة الشامل للنظام أقل من 100ms، مما يلبي متطلبات التحكم الفوري في سيناريوهات التشغيل منخفض السرعة (≤20m/min). لمزيد من التفاصيل، راجع "نظام التعرف البصري وتحديد المواقع الدقيق لحمولة الرافعة: الممارسة الهندسية لكشف الحمولة بتقنية YOLOv8 وتحديد المواقع الموجه بالرؤية".

رابعاً: نظام الفحص البصري الذكي عبر الإنترنت للحبل السلكي للرافعة

يُعد الحبل السلكي أكثر مكونات الرافعة تحملاً، حيث ترتبط حالته الصحية ارتباطاً مباشراً بسلامة المعدات والأفراد. وفقاً لمتطلبات GB/T 5972-2016 — صيانة وفحص ومعايير الاستبدال للحبال السلكية للرافعات — وTSG Q7015-2016 — قواعد الفحص الدوري لآلات الرفع — يجب فحص الحبل السلكي بانتظام بحثاً عن عيوب مثل الأسلاك المقطوعة والاهتراء والتآكل والتشوه. يعتمد الفحص البصري اليدوي التقليدي على خبرة المفتش، ويعاني من ثغرات فحص متعددة، وعدم توحيد المعايير، وعدم القدرة على الإنذار الفوري.

يعتمد نظام الفحص البصري الذكي عبر الإنترنت للحبل السلكي للرافعة خطة نشر متعددة الكاميرات بتعاون متكامل — كاميرا علوية تغطي منطقة التثبيت العلوية للحبل، وكاميرا جانبية تراقب منطقة الطول الحر في منتصف الحبل، وكاميرا سفلية موجهة نحو نهاية الحبل السفلي وبكرة الخطاف. تستخدم طبقة الإدراك مستشعرات CMOS ذات مصراع شامل (بمعدل يصل إلى 200 إطاراً في الثانية)، مع إضاءة نابضة بتقنية LED قابلة لضبط عرض النبضة حتى مستوى الميكروثانية. تشغّل طبقة الاستدلال نموذج YOLOv8s المحسّن (مع إدخال الالتفاف القابل للتشوه DCNv4 وآلية الانتباه الإحداثي Coordinate Attention) للكشف الفوري عن ثلاثة أنواع رئيسية من العيوب: الأسلاك المقطوعة والاهتراء والتآكل، بدقة كشف شاملة mAP≥0.93.

تعتمد الطبقة التحليلية في النظام على الشبكة الأساسية EfficientNet-B4 لإجراء تصنيف ثانوي دقيق لـ 11 نوعًا فرعيًا من العيوب (انقطاع الأسلاك الموضعي، انقطاع الأسلاك المركز، التآكل المنتظم، التآكل الموضعي، التآكل النقري، التآكل المنتظم، التشوه الموجي، تشوه الفانوس، تقليل قطر الحبل، سوء التشحيم، التصاق المواد الغريبة بالسطح)، بمعدل دقة تصنيف ≥95%. تُصنَّف العيوب حسب شدتها إلى أربعة درجات من Grade 0 إلى Grade 3، ويتم إطلاق إنذار تلقائي عند بلوغ الدرجة المتوسطة فما فوق. تتكامل طبقة الإنذار مع نظام الصيانة التنبؤية PHM ونظام إدارة الصيانة الحاسوبي CMMS، بحيث لا يتجاوز متوسط وقت الاستجابة من الكشف إلى إنشاء أمر العمل 30 ثانية. يعمل استراتيجية الاندماج متعدد الأطياف (RGB+NIR) على تحسين معدل استرجاع اكتشاف عيوب التآكل بنسبة 12.7%. لمزيد من التفاصيل، راجع 《الممارسة الهندسية لنظام الفحص البصري الذكي بالذكاء الاصطناعي للحبل السلكي للرافعة: التعرف على عيوب انقطاع الأسلاك/التآكل/التآكل بناءً على التعلم العميق》.

خامسًا: نظام الفحص البصري بالذكاء الاصطناعي للحامات سكة الرافعة والعارضة الرئيسية

تُعد اللحامات التناكبية لسكة الرافعة ولحامات الزاوية للعارضة الرئيسية من أضعف النقاط في الهيكل المعدني للرافعة بأكمله — فإذا تعرضت اللحامات التي تتحمل أحمالًا متناوبة طويلة الأمد وصدمات الأحمال الثقيلة والتآكل البيئي لشرخ غير مكتشف أو عيب عدم انصهار، فقد يؤدي ذلك إلى فشل هيكلي كارثي. يواجه الفحص البصري بالذكاء الاصطناعي لعيوب اللحام تحديات تقنية كبيرة: يبلغ عرض الشرخ 0.05~0.3 مم فقط، وهو ما يمثل مشكلة نموذجية في اكتشاف الأهداف الصغيرة؛ كما توجد على سطح اللحام خبث اللحام والتناثر وقشور الأكسدة التي تشكل خلفية تداخل قوية.

نظام الفحص البصري بالذكاء الاصطناعي للحامات سكة الرافعة والعارضة الرئيسية يعتمد بنية نشر ثلاثية الأشكال — مركبة تفتيش ذاتية القيادة AGV (للتفتيش الآلي للحامات السكة في المساحات الواسعة)، وجهاز فحص محمول (للأماكن الضيقة ولحامات زوايا العربة الطرفية)، وحامل تثبيت ثابت (في محطة تجميع ولحام العارضة الرئيسية)، وتشترك الأشكال الثلاثة في نفس حزمة البرامج الموحدة. تشتمل طبقة الاستشعار على كاميرتين صناعيتين (عدسة واسعة ذات مصراع عام + عدسة ماكرو)، ومصباح إضاءة حلقي هيكلي، وماسح ضوئي لملف الليزر (للمساعدة في الحصول على المحيط ثلاثي الأبعاد للحام).

تنشر طبقة الاستدلال نموذج YOLOv8s-weld — وهو نموذج محسّن من YOLOv8s مع تقليم وتحسين وإضافة رأس كشف للأهداف الصغيرة، مصمم خصيصًا لخصائص عيوب اللحام، ويحقق استدلالًا أحادي الإطار ≤15ms (≥60FPS) على Jetson AGX Orin. يغطي النظام التعرف الفوري على خمس فئات من العيوب: الشرخ (ثلاثة أنواع فرعية: طولي/عرضي/حفرة قوسية)، وعدم الانصهار، والمسامية، وشوائب الخبث، والتقوس، بمتوسط mAP ≥0.94. تتصل طبقة التقييم تلقائيًا بمعيار جودة GB/T 3323-2020《الفحص الإشعاعي للحامات الانصهارية للمعادن》 وتُخرج تصنيف الجودة من الدرجة I إلى IV مع توصيات إعادة التصنيع. تشمل أنواع اللحامات: اللحام التناكبي بفتحة V لسكك QU70/80/100، ولحامات الزاوية المزدوجة للعارضة الرئيسية، واللحامات المختلطة للعربة الطرفية — وهي ثلاثة هياكل لحام نموذجية للرافعة العلوية. لمزيد من التفاصيل، راجع 《الممارسة الهندسية لنظام الفحص البصري بالذكاء الاصطناعي للحامات سكة الرافعة والعارضة الرئيسية: التعرف على عيوب الشرخ/عدم الانصهار/المسامية بناءً على التعلم العميق》.

سادسًا: نظام بناء الخرائط البيئية وتحديد المواقع بالرؤية SLAM للرافعة العلوية

من أبرز التحديات الأساسية التي تواجه الرافعة العلوية في سيناريوهات التشغيل التلقائي بالكامل هو تحقيق تحديد مواقع عالي الموثوقية والدقة داخل مبنى المصنع حيث يكون نظام GPS غير متاح. الحلول التقليدية — محدد مسافة ليزري يتأثر بشدة بالغبار، وناقل كود غراي ذو تكاليف تركيب وصيانة مرتفعة، والمشفر الذي يعاني من انحراف تراكمي بسبب انزلاق العجلات — ولا توفر سوى معلومات موقع أحادية أو ثنائية الأبعاد، ولا يمكنها إدراك الوضع المكاني للرافعة بست درجات حرية.

نظام بناء الخرائط البيئية وتحديد المواقع بالرؤية SLAM للرافعة العلوية يدمج إطارين مفتوحين المصدر هما ORB-SLAM3 وVINS-Mono، مع كاميرا أحادية/ثنائية + وحدة قياس بالقصور الذاتي IMU بستة محاور كمستشعرات، لإتمام تقدير الوضع بست درجات حرية وبناء الخرائط المتناثرة/الكثيفة للرافعة في بيئة المصنع غير المعروفة في الوقت نفسه. يستخدم استخراج ميزات المصنع معاملات مكيفة للرافعة (رفع nFeatures من 1200 إلى 2000، وخفض iniThFAST من 20 إلى 12)، مع إدخال ميزات خط LSD للمساعدة في طبقة المطابقة، مما يرفع معدل مطابقة الميزات من 35% إلى 52%.

يعمل تصميم التكامل المحكم بين التكامل المسبق للـ IMU والرؤية بالقصور الذاتي على خفض معدل فقدان التتبع في ظروف الاهتزاز من حوالي 8% في وضع الرؤية البحتة إلى 0.5%. لمعالجة مشكلة تضخم حجم الخرائط في المصانع ذات البحر الكبير (100~300m)، يعتمد النظام ثلاث تدابير تحسين: تقليم الرسم البياني المشترك (يُفعَّل كل 50 إطارًا، ويزيل 5~10% من التكرار)، والإدارة النشطة للخرائط الفرعية المحلية (تقسيم شبكة 50m×30m)، وكشف الحلقة المغلقة المتزايد (حقيبة الكلمات DBoW2 + تحسين الرسم البياني للوضع، بإنجاز 500ms لمقياس 3000 إطار)، بدقة تموضع ±10cm. يوفر حل التحسين غير الخطي للنافذة المنزلقة في VINS-Mono ميزة زمنية أكبر في سيناريوهات النشر على الحافة ذات الموارد الحاسوبية المحدودة. يمكن نشر هذا النظام بشكل مستقل كتكرار لتحديد المواقع العالمي للرافعة، أو دمجه بعمق مع قياس المسافة بالليزر والمشفر لتشكيل بنية تحديد مواقع متعددة المستشعرات. لمزيد من التفاصيل، راجع 《نظام بناء الخرائط البيئية وتحديد المواقع بالرؤية SLAM للرافعة العلوية》.

سابعًا: مقارنة الأنظمة الخمسة تقنيًا ودليل اختيار النشر

تختلف الأنظمة الخمسة في حزمة التقنيات ومؤشرات الأداء وتكاليف الأجهزة، ويتطلب النشر الفعلي اختيارًا مدروسًا بناءً على ظروف تشغيل الرافعة وبيئة الورشة ومتطلبات الإدارة. يقدم الجدول التالي مقارنة شاملة من أبعاد المعاملات الأساسية:

توصيات أولوية الاختيار: بالنسبة للتحديث الذكي لرافعة علوية واحدة، يُنصح باتباع مسار تدرجي يبدأ بـ"السلامة، ثم الصحة، ثم تحديد المواقع، ثم رسم الخرائط" على مراحل. نظام كشف السلامة (كشف اقتحام الأفراد) هو التكوين الأساسي لجميع الرافعات العلوية، ويُعد عنصرًا إلزاميًا منخفض الأولوية. يمكن تكوين فحص الحبل السلكي وفحص اللحام اختياريًا بناءً على عمر الخدمة وظروف بيئة العمل للرافعة — فالرافعات القديمة تُعطي الأولوية لفحص الحبل السلكي، بينما تُعطي الرافعات الجديدة الأولوية لفحص اللحام عند الخروج من المصنع. يركز نظام تحديد موضع الحمولة على اختناقات إيقاع الإنتاج، وهو مناسب للرافعات التي تحتاج إلى محاذاة تلقائية. أما نظام الرؤية SLAM فيستهدف سيناريوهات التشغيل التلقائي بالكامل والخدمات اللوجستية الذكية. تشترك الأنظمة الخمسة في منصة حوسبة الحافة Jetson Orin NX/AGX ونظام YOLOv8 البيئي للخوارزميات، ويمكن دمجها ونشرها على نفس الرافعة العلوية، مع تحقيق إعادة استخدام الموارد عبر تخصيص شرائح زمنية لوحدة معالجة الرسومات (GPU) والتحميل الديناميكي للنماذج.

دمج المستشعرات متعددة الأنظمة وتكامل الأنظمة المستقبلي

تندمج بيانات المستشعرات من الأنظمة الخمسة الرئيسية بشكل عميق على منصة حوسبة الحافة الموحدة، مما يشكل حلقة مغلقة من الإدراك-القرار-التحكم تغطي جميع سيناريوهات الرافعة العلوية. على سبيل المثال، عند الربط بين كشف السلامة وتحديد موضع الحمولة: عندما يكتشف نظام كشف السلامة دخول شخص إلى منطقة التحذير البرتقالية، يقوم نظام تحديد موضع الحمولة بتسجيل إحداثيات موضع الحمولة الحالي بشكل متزامن، مما يوفر بيانات زمانية ومكانية كاملة لتتبع حوادث السلامة لاحقًا. كما أن العيوب الخطيرة من الدرجة Grade 3 التي يكتشفها نظام فحص الحبل السلكي تؤدي تلقائيًا إلى تفعيل مهام التفتيش المركزة لنظام فحص اللحام — حيث يتلقى روبوت فحص اللحام (AGV) التعليمات ويخطط مساره بشكل مستقل إلى مقطع سكة الرافعة بالقرب من موقع العيب، لإجراء فحص مستهدف للحام السكة ولحام الزاوية للعارضة الرئيسية في المنطقة المقابلة.

من منظور أوسع، تشكل هذه الأنظمة الخمسة للرؤية بالذكاء الاصطناعي مع نظام التحكم الأساسي للرافعة (PLC)، ومنصة إدارة الصحة التنبؤية (PHM)، ونظام تنفيذ التصنيع (MES)، ونظام تخطيط موارد المؤسسات (ERP) بنية إنترنت الأشياء صناعية متكاملة. بعد معالجة البيانات في الوقت الفعلي التي تجمعها طبقة الإدراك عبر الذكاء الاصطناعي على الحافة، يتم تحميل النتائج المنظمة إلى منصات الإدارة على مستوى الورشة ومستوى المجموعة، مما يوفر قاعدة بيانات لإدارة دورة الحياة الكاملة للمعدات، وتحسين جدولة الإنتاج، وتدقيق الامتثال للسلامة. مع التحسين المستمر لقدرة الحوسبة للذكاء الاصطناعي على الحافة (منصة Jetson Orin من الجيل التالي المتوقعة لتوفير 200~500 TOPS) وتطور النماذج اللغوية الكبيرة متعددة الوسائط، ستتطور أنظمة الرؤية بالذكاء الاصطناعي للرافعات العلوية من مجرد الكشف إلى الإدراك المعرفي — ليس فقط كشف اقتحام الأفراد، بل أيضًا فهم إشارات اليد وتعليمات العمل للأفراد على الأرض.

الأسئلة الشائعة (FAQ)