الرؤية الحاسوبية في الكشف عن الحرائق والوقاية منها

مع توسع المناطق الحضرية والصناعية، يزداد خطر الكوارث المرتبطة بالحرائق، مع وقوع ما يقدر بنحو 36,784 حريقاً سنوياً في المرافق الصناعية أو التصنيعية في الولايات المتحدة وحدها. تشكل هذه الحوادث تهديدات خطيرة للأرواح والممتلكات والبيئة، ومع ذلك قد تقصر طرق اكتشاف الحرائق التقليدية، مثل كاشفات الدخان، وكاشفات الحرارة، وأنظمة الإنذار اليدوية، في بعض الأحيان عن منع مثل هذه الأحداث الكارثية.

وهنا يأتي دور الذكاء الاصطناعي (AI)، حيث يقدم حلولاً مبتكرة لتعزيز السلامة وتقليل المخاطر. وتبرز أنظمة التصوير الحراري والرؤية الحاسوبية القائمة على الذكاء الاصطناعي كأدوات قوية في هذه المعركة. ومن خلال تحديد العلامات المبكرة للحرائق المحتملة، مثل الارتفاع غير الطبيعي في درجات الحرارة أو وجود الدخان، توفر أنظمة الوقاية من الحرائق المدعومة بالذكاء الاصطناعي نهجاً استباقياً للسلامة، مما يمنح المستجيبين الأوائل الوقت للتحرك قبل أن يتحول حادث صغير إلى كارثة كبرى.

دور الذكاء الاصطناعي في الكشف عن الحرائق والوقاية منها#

تعمل نماذج الرؤية الحاسوبية المتطورة على إحداث تحول في الكشف عن الحرائق والوقاية منها من خلال دمج تقنيات متقدمة مثل التصوير الحراري وكشف الدخان. تكمن قدرة هذه الأنظمة القائمة على الذكاء الاصطناعي في محاكاة الذكاء البشري، مما يمكّن الآلات من أداء مهام تتطلب عادةً الإدراك البشري واتخاذ القرار.

في سياق السلامة من الحرائق، تعتمد أنظمة الذكاء الاصطناعي بشكل كبير على computer vision - وهو فرع متخصص من الذكاء الاصطناعي يتيح للآلات تفسير وتحليل البيانات المرئية مثل الصور والفيديوهات. يتم تدريب هذه الأنظمة على مجموعات بيانات ضخمة، مما يمكنها من التعرف على الأنماط والسمات التي تشير إلى مخاطر الحرائق المحتملة، مثل شكل وحركة الدخان أو توقيعات الحرارة المحددة التي تكتشفها الكاميرات الحرارية.

عند تحديد تهديد محتمل، يقوم نظام الذكاء الاصطناعي بمعالجة البيانات من خلال خوارزمياته ونماذجه، ليحدد بسرعة ما إذا كان ذلك يشكل خطراً حريقياً. إذا تم اكتشاف خطر، يمكن للنظام تلقائياً إطلاق إنذارات، أو إخطار المستجيبين للطوارئ، أو حتى تفعيل أنظمة إخماد الحرائق. هذا الاستجابة السريعة والدقيقة أمر بالغ الأهمية في تقليل الأضرار وضمان السلامة.

كاميرات التصوير الحراري#

يمكن أن تساعد الكاميرات التصويرية الحرارية في اكتشاف مخاطر الحرائق المبكرة من خلال تحديد الشاذات في درجات الحرارة التي قد تشير إلى حريق محتمل. عند دمجها مع AI، يمكن لهذه الكاميرات معالجة البيانات الحرارية في الوقت الفعلي للتمييز بين تغيرات الحرارة الطبيعية ومصادر الحرارة الخطرة. يمكن لنماذج computer vision أن تلعب دوراً رئيسياً هنا من خلال تحليل بيانات الصور الحرارية لاكتشاف النقاط الساخنة التي تبرز عن البيئة المحيطة. يمكن أن تعكس هذه النقاط الساخنة جزءاً زائداً في التسخين من آلة أو المراحل المبكرة للحريق. يقوم النموذج بعد ذلك بتمييز هذه المناطق المكتشفة عن طريق إنشاء bounding box حولها. بمجرد تحديد هذه المخاطر، تتم معالجة الصور بواسطة خوارزميات الذكاء الاصطناعي، والتي يمكنها بعد ذلك إطلاق الإنذارات أو إخطار فرق الاستجابة الأولية، مما يضمن استجابة سريعة وفعالة.

بالإضافة إلى ذلك، يمكن استخدام خرائط الحرارة لتوفير تمثيل مرئي ملون للبيانات الحرارية. يساعد هذا الاستخدام للألوان في التمييز السريع بين المناطق الآمنة وتلك التي يحتمل أن تكون خطرة، مما يعزز فعالية نظام الكشف عن الحرائق. ومع ذلك، عند استخدام خرائط الحرارة لنماذج computer vision، من المهم مراعاة أن عملية تحويل البيانات الحرارية الخام إلى خرائط حرارية تتضمن تعيين عتبات محددة لألوان مختلفة. إذا لم يتم ضبط هذه العتبات بعناية، فقد تؤدي خرائط الحرارة الناتجة إلى عدم دقة، مما قد يؤثر على قدرة النموذج على اكتشاف الحرائق بدقة.

الشكل 1. كاميرا حرارية إشعاعية تعتمد على الذكاء الاصطناعي تستخدم الرؤية الحاسوبية لاكتشاف التغيرات غير الطبيعية في درجات الحرارة (المصدر: hanwhavision.com).

كشف الدخان#

استكمالاً للتصوير الحراري للكشف عن الحرائق، تضيف أجهزة كشف الدخان المدعومة بالذكاء الاصطناعي طبقة إضافية من السلامة من خلال التركيز على كشف الدخان، الذي غالباً ما يكون علامة مبكرة على نشوب حريق. تعمل أجهزة كشف الدخان التقليدية عادةً عن طريق استشعار الجسيمات في الهواء باستخدام التأين أو مستشعرات الضوء. هذه الكاشفات فعالة ولكن قد تستغرق وقتاً أطول للاستجابة، خاصة في الحالات التي تنتشر فيها جزيئات الدخان ببطء.

ومع ذلك، تتضمن النماذج الأحدث ميزات computer vision التي تحسن فعاليتها بشكل كبير. يمكن أن تتميز كاشفات الدخان المدعومة بالذكاء الاصطناعي بنماذج computer vision، والتي تم تدريبها خصيصاً على مجموعات البيانات لرصد الأنماط المرئية مثل شكل وحركة ولون وكثافة الدخان. على عكس الكاشفات التقليدية، التي تعتمد فقط على اكتشاف الجسيمات، يمكن لهذه الأنظمة المتقدمة استخدام نماذج مثل Ultralytics YOLOv8 لتحليل البيانات المرئية في الوقت الفعلي، وتحديد أنماط الدخان، والتغيرات في السماكة، وغيرها من الأدلة المرئية من خلال مهام مثل object detection والتجزئة.

تعتبر التجزئة مهمة بشكل خاص في هذه الأنظمة، لا سيما في البيئات الصعبة مثل الغابات حيث يمكن أن يتشتت الدخان. باستخدام التجزئة، يمكن للنموذج اكتشاف وتسليط الضوء على الدخان داخل البيئة المحيطة، وتحديد وتحديد المناطق المتضررة بوضوح حتى عندما تكون الرؤية منخفضة أو تكون البيئة كثيفة بأوراق الشجر.

تعد نماذج الرؤية الحاسوبية الحديثة مثل Ultralytics YOLOv8 أداة رائعة لتحويل البيانات المرئية إلى أجزاء واضحة، مما يسمح للنموذج بتقييم حجم الدخان وشدته بدقة. تعالج خوارزميات الذكاء الاصطناعي هذه المعلومات بناءً على شدة الدخان المكتشف، وحجمه، وانتشاره، واتساقه بمرور الوقت، لتحديد ما إذا كان ينبغي اطلاق الإنذارات أو تنبيه فرق الطوارئ، مما يضمن التدخل في الوقت المناسب وبدقة.

الشكل 2. الكشف عن الدخان وتجزئته باستخدام Ultralytics YOLOv8.

التحليلات التنبؤية للوقاية من الحرائق#

يتجاوز الذكاء الاصطناعي مجرد اكتشاف الحرائق - فهو يعمل بنشاط على منعها. من خلال تحليل البيانات التاريخية ومراعاة العوامل البيئية مثل الظروف الجوية، وكثافة الغطاء النباتي، والنشاط البشري، يمكن لنماذج الذكاء الاصطناعي تنبؤ مخاطر الحرائق. هذه القدرة التنبؤية ذات قيمة خاصة في الصناعات عالية المخاطر مثل النفط والغاز، والتصنيع، والغابات، حيث تكون المخاطر عالية. في هذه البيئات، تلعب computer vision دوراً حاسماً من خلال المراقبة المستمرة وتحليل البيانات المرئية، مما يساعد على تحديد علامات الإنذار المبكر التي قد تشير إلى زيادة خطر الحريق. يتيح ذلك اتخاذ تدابير استباقية يمكن أن تساعد في منع الحرائق قبل أن تبدأ.

فوائد الكشف عن الحرائق بالذكاء الاصطناعي#

يعمل الذكاء الاصطناعي على تحسين كيفية اكتشاف مخاطر الحرائق والاستجابة لها بشكل كبير، مما يوفر العديد من الفوائد الرئيسية التي تعزز طرق السلامة من الحرائق التقليدية. ومن بين هذه الفوائد:

الكشف الدقيق عن التهديدات#

يمكن لأنظمة الكشف عن الحرائق التقليدية في بعض الأحيان إطلاق إنذارات كاذبة، وهو ما لا يؤدي فقط إلى إهدار الموارد بل يخلق أيضاً حالة ذعر غير ضرورية. غالباً ما تحدث هذه الإنذارات الكاذبة لأن تقنيات الاستشعار الأساسية في الأنظمة التقليدية تفتقر إلى القدرة على التمييز بين مخاطر الحرائق الفعلية والعوامل البيئية غير المهددة مثل البخار، أو الغبار، أو دخان السجائر، أو أبخرة الطهي.

على سبيل المثال، قد تخلط أجهزة كشف الدخان بالتأين بين البخار غير الضار وجزيئات الدخان، أو قد يتم تفعيل أجهزة كشف الحرارة بسبب تقلبات درجات الحرارة الطبيعية في البيئات الصناعية. تؤدي هذه الحساسية المفرطة إلى إنذارات كاذبة متكررة، مما يعطل العمليات ويصرف موارد الطوارئ دون داعٍ.

ومع ذلك، تقدم نماذج اكتشاف الحرائق القائمة على computer vision نهجاً أكثر دقة لتحديد التهديدات الحقيقية. تم تدريب هذه النماذج على تحليل البيانات المرئية، مما يمكنها من التعرف على الأنماط المرئية المميزة المرتبطة بالدخان، أو اللهب، أو الشاذات الأخرى المرتبطة بالحريق. على عكس المستشعرات التقليدية، التي قد تستجيب فقط لجسيمات معينة أو تغيرات في درجات الحرارة، تقيم نماذج computer vision إشارات مرئية متعددة في الوقت الفعلي، مثل شكل ولون وحركة الدخان أو ظهور اللهب. من خلال القيام بذلك، يمكنها التمييز بفعالية بين مخاطر الحريق الحقيقية والأحداث غير الضارة مثل البخار أو الظلال، مما يقلل بشكل كبير من احتمالية الإنذارات الكاذبة.

تعزيز السلامة في البيئات عالية المخاطر#

في البيئات عالية المخاطر مثل المصانع الصناعية، والمصافي، والمصانع الكيميائية، يكون احتمال نشوب الحرائق أعلى بكثير بسبب وجود مواد قابلة للاشتعال وآلات معقدة. توفر الأنظمة المدفوعة بالرؤية الحاسوبية مراقبة مستمرة على مدار الساعة طوال أيام الأسبوع، قادرة على اكتشاف العلامات المبكرة لمخاطر الحرائق، مثل السخونة الزائدة، أو تسرب الغاز، أو أعطال المعدات. تتيح هذه اليقظة المستمرة تدخلاً سريعاً، مما يقلل من خطر نشوب الحرائق ويضمن سلامة كل من الموظفين والأصول القيمة.

توفير التكاليف#

يمكن أن تتسبب الحرائق في أضرار جسيمة، مما يؤدي إلى إصلاحات مكلفة، وانخفاض الإنتاجية، والمسؤوليات القانونية المحتملة. من خلال اكتشاف الحرائق مبكراً وتقليل الإنذارات الكاذبة، يمكن لـ computer vision مساعدة المؤسسات في توفير التكاليف. يمنع هذا النهج الاستباقي حوادث الحرائق على نطاق واسع، ويقلل من استجابات الطوارئ غير الضرورية، ويقلل من النفقات الباهظة المرتبطة بأضرار الحرائق، والتحديات القانونية، ومطالبات التأمين، مع حماية الاستثمارات أيضاً.

المرونة وقابلية التوسع#

توفر أنظمة الكشف عن الحرائق القائمة على الذكاء الاصطناعي مرونة وقابلية توسع كبيرة، مما يجعلها قابلة للتكيف مع بيئات مختلفة، بدءاً من الشركات الصغيرة وصولاً إلى المجمعات الصناعية الكبيرة.

على سبيل المثال، يمكن تدريب نماذج مثل Ultralytics YOLOv8 على التعرف على مخاطر الحريق المحددة الخاصة بمختلف الصناعات مثل الانسكابات الكيميائية في البيئات الصناعية، والآلات الساخنة في قطاع التصنيع، وحرائق النفط والغاز، وحرائق الغابات. ولتحقيق هذا المستوى من التخصص، سيحتاج النموذج إلى مجموعة متنوعة من الصور التي تصور هذه المخاطر في سيناريوهات مختلفة. وستحتاج هذه الصور إلى تصنيفها ووسمها بعناية - على سبيل المثال، سيتم وسم صور الانسكابات الكيميائية بوسوم محددة تشير إلى نوع الانسحاب، بينما سيتم وسم صور الآلات الساخنة وفقًا لنوع الآلة وعلامات السخونة الزاهرة. تعتبر عملية التصنيف هذه ضرورية لكي يتعلم النموذج كيفية تحديد هذه المخاطر بدقة في مواقف العالم الحقيقي، مما يضمن قدرته الفعالة على اكتشاف مخاطر الحريق المحتملة والاستجابة لها عبر بيئات مختلفة.

التحديات والعيوب#

على الرغم من أن الذكاء الاصطناعي يقدم العديد من المزايا في الكشف عن الحرائق والوقاية منها، إلا أن هناك أيضاً العديد من التحديات والعيوب التي يجب مراعاتها.

• تكلفة أولية عالية: يمكن أن يكون تنفيذ أنظمة الكشف عن الحرائق المدفوعة بالذكاء الاصطناعي مسعى مكلفاً، خاصة بالنسبة للشركات الصغيرة أو المرافق ذات الموارد المالية المحدودة. غالباً ما يمثل الاستثمار الأولي الكبير المطلوب لهذه التقنية المتقدمة للكشف عن الحرائق عقبة رئيسية، مما يجعل من الصعب على بعض المؤسسات تبني هذه التكنولوجيا.

• الاعتماد على البيانات عالية الجودة: تعتمد دقة الذكاء الاصطناعي في اكتشاف مخاطر الحرائق بشكل كبير على توفر بيانات مصنفة وعالية الجودة. إذا كانت البيانات غير مكتملة أو مصنفة بشكل سيء، يمكن أن تعاني أداء النظام، مما يؤدي إلى عدم دقة محتملة في اكتشاف مخاطر الحرائق.

• احتمالية حدوث أعطال في الظروف القاسية: أنظمة الذكاء الاصطناعي، مثل أي تقنية، ليست محصنة ضد الأعطال. في الظروف البيئية القاسية—مثل الحرارة الزائدة، أو الرطوبة، أو الغبار—يمكن أن تتأثر دقة هذه الأنظمة وموثوقيتها، مما يشكل مخاطر على السلامة من الحرائق.

• الصيانة والتحديثات المستمرة: لكي تظل فعالة، تتطلب حلول الوقاية من الحرائق المدفوعة بالذكاء الاصطناعي صيانة وتحديثات منتظمة. يمكن أن تكون هذه الحاجة المستمرة للدعم الفني كثيفة الموارد، مما قد يزيد من التكاليف طويلة الأجل المرتبطة باستخدام الذكاء الاصطناعي للكشف عن الحرائق.

مستقبل الذكاء الاصطناعي في الكشف عن الحرائق والوقاية منها#

مع استمرار تطور الذكاء الاصطناعي، من المقرر أن يؤدي تكامله مع التقنيات الناشئة مثل روبوتات مكافحة الحرائق والحوسبة الطرفية إلى تعزيز جهود الكشف عن الحرائق والوقاية منها بشكل كبير.

روبوتات مكافحة الحرائق المدعومة بالذكاء الاصطناعي#

تظهر روبوتات مكافحة الحرائق المدعومة بالذكاء الاصطناعي كابتكار رائد في مجال السلامة من الحرائق، حيث توفر مستوى جديداً من الحماية في بيئات خطرة جداً بالنسبة للتدخل البشري. هذه الروبوتات، المجهزة بمستشعرات متقدمة، ورؤية حاسوبية، وخوارزميات ذكاء اصطناعي، يمكنها التنقل بشكل مستقل في تضاريس معقدة وخطرة، واكتشاف مصادر الحرائق من خلال التصوير الحراري، وتطبيق أكثر تقنيات مكافحة الحرائق فعالية. إن قدرتها على العمل في ظروف قاسية، مثل الحرارة العالية والبيئات السامة، تقلل من المخاطر التي يواجهها رجال الإطفاء البشر.

يمكن لهذه الروبوتات العمل بتنسيق مع الطائرات بدون طيار وتقنيات مكافحة الحرائق الأخرى، وتوفير البيانات في الوقت الفعلي وتعزيز الفعالية الكلية لجهود الاستجابة للحرائق. إن دمج الذكاء الاصطناعي وrobotics في مكافحة الحرائق مهيأ لإحداث ثورة في المجال، مما يجعل الوقاية من الحرائق والسيطرة عليها أكثر أماناً وأكثر كفاءة.

Fig 3. روبوت مكافحة حرائق مستقل مدعوم بالذكاء الاصطناعي.

دمج الحوسبة الطرفية للكشف السريع عن الحرائق#

في أنظمة الكشف عن الحرائق التقليدية، مثل الكاميرات المدعومة بالرؤية الحاسوبية، وأجهزة كشف الدخان، وأجهزة كشف الحرارة، يتم عادةً إرسال البيانات التي تلتقطها المستشعرات أو الكاميرات إلى خادم مركزي حيث تتم معالجتها بواسطة نماذج الذكاء الاصطناعي. تحلل هذه النماذج البيانات لتحديد مخاطر الحرائق المحتملة، مثل ارتفاعات درجات الحرارة غير الطبيعية أو وجود الدخان. ومع ذلك، يمكن أن تؤدي هذه العملية إلى تأخير زمني بسبب الوقت الذي تستغرقه البيانات للسفر من وإلى الخادم.

Edge computing for fire detection يقدم حلاً مبتکراً من خلال تمكين معالجة البيانات من الحدوث مباشرة في المصدر - داخل الكاميرات أو المستشعرات نفسها - بدلاً من الاعتماد على خادم بعيد. تقلل هذه المعالجة المحلية من التأخير بشكل كبير، مما يسمح بتحليل أسرع للبيانات الحرارية والمرئية واكتشاف أسرع لمخاطر الحرائق المحتملة. من خلال التعامل مع البيانات بالقرب من مكان توليدها، يضمن edge computing أن القرارات الحاسمة، مثل تشغيل الإنذارات أو إخطار المستجيبين، تحدث بشكل فوري تقريباً. هذه القدرة حاسمة في منع الحرائق من التصاعد والانتشار، مما يجعل أنظمة الكشف عن الحرائق أكثر استجابة وفعالية.

أبرز النقاط#

تعمل أنظمة التصوير الحراري وكشف الأشياء المدفوعة بالذكاء الاصطناعي على تطوير كيفية اكتشافنا للحرائق ومنعها بشكل كبير، مما يوفر تحذيرات مبكرة وتحديداً أكثر دقة لمخاطر الحرائق. تجلب هذه التقنيات فوائد عديدة، مثل أوقات استجابة أسرع، وتقليل الإنذارات الكاذبة، وتعزيز السلامة في البيئات عالية المخاطر.

ومع ذلك، فهي تطرح أيضاً تحديات، بما في ذلك تكاليف التنفيذ العالية والحاجة إلى صيانة مستمرة. وبالنظر إلى المستقبل، فإن مستقبل الذكاء الاصطناعي والرؤية الحاسوبية للسلامة من الحرائق واعد، مع إمكانية تكامل أكبر مع التقنيات الناشئة مثل روبوتات مكافحة الحرائق والحوسبة الطرفية، مما يزيد من تحسين الوقاية من الحرائق والاستجابة لها عبر مختلف الصناعات.

في Ultralytics، نحن ندفع ابتكارات الذكاء الاصطناعي إلى آفاق جديدة. استكشف حلول الذكاء الاصطناعي المتقدمة لدينا وتابع أحدث إنجازاتنا من خلال زيارة GitHub repository الخاص بنا. تفاعل مع مجتمعنا النشط وشاهد كيف نحدث ثورة في صناعات مثل رعاية صحية والتصنيع.