الرؤية الحاسوبية في رصد الحرائق والوقاية منها

مع توسع المناطق الحضرية والصناعية، يزداد خطر الكوارث المرتبطة بالحرائق، إذ يُقدّر وقوع 36,784 حريقًا سنويًا في المنشآت الصناعية أو التصنيعية في الولايات المتحدة وحدها. وتشكل هذه الحوادث تهديدات خطيرة للأرواح والممتلكات والبيئة، ومع ذلك قد تقصر أحيانًا أساليب الكشف التقليدية عن الحرائق، مثل كاشفات الدخان والحرارة وأنظمة الإنذار اليدوية، عن منع مثل هذه الكوارث.

وهنا يأتي دور الذكاء الاصطناعي (AI)، إذ يقدم حلولًا مبتكرة لتعزيز السلامة والحد من المخاطر. وتبرز أنظمة التصوير الحراري والرؤية الحاسوبية المدعومة بالذكاء الاصطناعي أدواتٍ فعالة في هذه المواجهة. فمن خلال تحديد العلامات المبكرة للحرائق المحتملة، مثل الارتفاع غير الطبيعي في درجات الحرارة أو وجود الدخان، توفر أنظمة الوقاية من الحرائق المدعومة بالذكاء الاصطناعي نهجًا استباقيًا للسلامة، وتمنح فرق الاستجابة الأولى وقتًا للتحرك قبل أن يتحول حادث صغير إلى كارثة كبرى.

دور الذكاء الاصطناعي في كشف الحرائق والوقاية منها#

تُحدث نماذج الرؤية الحاسوبية المتطورة تحولًا في كشف الحرائق والوقاية منها، عبر دمج تقنيات متقدمة مثل التصوير الحراري وكشف الدخان. وتكمن قدرة أنظمة الذكاء الاصطناعي هذه في محاكاة الذكاء البشري، ما يتيح للآلات تنفيذ مهام تتطلب عادةً الإدراك واتخاذ القرار لدى البشر.

في مجال السلامة من الحرائق، تعتمد أنظمة الذكاء الاصطناعي اعتمادًا كبيرًا على الرؤية الحاسوبية—وهي فرع متخصص من الذكاء الاصطناعي يتيح للآلات تفسير البيانات المرئية، مثل الصور ومقاطع الفيديو، وتحليلها. وتُدرَّب هذه الأنظمة على مجموعات بيانات ضخمة، ما يمكّنها من التعرّف على الأنماط والسمات التي تشير إلى مخاطر الحرائق المحتملة، مثل شكل الدخان وحركته أو البصمات الحرارية المحددة التي ترصدها الكاميرات الحرارية.

عند تحديد تهديد محتمل، يعالج نظام الذكاء الاصطناعي البيانات باستخدام خوارزمياته ونماذجه، ويحدد بسرعة ما إذا كان التهديد يمثل خطر حريق. وإذا رُصد خطر، يمكن للنظام إطلاق الإنذارات تلقائيًا أو إخطار فرق الاستجابة للطوارئ أو حتى تفعيل أنظمة إخماد الحرائق. وتُعد هذه الاستجابة السريعة والدقيقة ضرورية لتقليل الأضرار وضمان السلامة.

كاميرات التصوير الحراري#

تساعد كاميرات التصوير الحراري على كشف مخاطر الحرائق مبكرًا من خلال تحديد حالات الشذوذ في درجات الحرارة التي قد تشير إلى احتمال نشوب حريق. وعند دمج هذه الكاميرات مع الذكاء الاصطناعي، يمكنها معالجة البيانات الحرارية في الوقت الفعلي للتمييز بين التفاوتات الحرارية الطبيعية ومصادر الحرارة الخطرة. ويمكن لنماذج الرؤية الحاسوبية أن تؤدي دورًا أساسيًا هنا، إذ تحلل بيانات الصور الحرارية لرصد البؤر الساخنة التي تبرز عن البيئة المحيطة. وقد تشير هذه البؤر إلى جزء من آلة ترتفع حرارته أكثر من اللازم أو إلى المراحل الأولى لنشوب حريق. ثم يحدد النموذج هذه المناطق بإنشاء مربع إحاطة حولها. وبعد تحديد هذه المخاطر، تعالج خوارزميات الذكاء الاصطناعي الصور، ويمكنها عندئذ إطلاق الإنذارات أو إخطار فرق الاستجابة الأولى، لضمان استجابة سريعة وفعالة.

إضافةً إلى ذلك، يمكن استخدام الخرائط الحرارية لعرض البيانات الحرارية بصريًا باستخدام الألوان. ويساعد استخدام الألوان على التمييز سريعًا بين المناطق الآمنة والمناطق التي قد تكون خطرة، ما يعزز فعالية نظام كشف الحرائق. لكن عند استخدام الخرائط الحرارية مع نماذج الرؤية الحاسوبية، من المهم مراعاة أن تحويل البيانات الحرارية الخام إلى خرائط حرارية يتطلب تحديد عتبات معينة لألوان مختلفة. وإذا لم تُعاير هذه العتبات بعناية، فقد تؤدي الخرائط الحرارية الناتجة إلى عدم الدقة، ما قد يؤثر في قدرة النموذج على كشف الحرائق بدقة.

الشكل 1. تستخدم كاميرا حرارية قياسية إشعاعيًا قائمة على الذكاء الاصطناعي الرؤية الحاسوبية لكشف حالات الشذوذ في درجات الحرارة (المصدر: hanwhavision.com).

كشف الدخان#

تضيف كاشفات الدخان المدعومة بالذكاء الاصطناعي، التي تكمل التصوير الحراري في كشف الحرائق، طبقة إضافية من السلامة من خلال التركيز على كشف الدخان، الذي غالبًا ما يكون علامة مبكرة على نشوب حريق. وتعمل كاشفات الدخان التقليدية عادةً على رصد الجسيمات في الهواء باستخدام مستشعرات التأين أو الضوء. وهذه الكاشفات فعالة، لكن قد يستغرق تفاعلها وقتًا أطول، خصوصًا في الحالات التي تنتشر فيها جسيمات الدخان ببطء.

لكن الطرز الأحدث تتضمن ميزات للرؤية الحاسوبية تحسّن فعاليتها بدرجة كبيرة. وقد تضم كاشفات الدخان المدعومة بالذكاء الاصطناعي نماذج للرؤية الحاسوبية مدرّبة خصيصًا على مجموعات بيانات لرصد الأنماط المرئية، مثل شكل الدخان وحركته ولونه وكثافته. وعلى خلاف الكاشفات التقليدية التي تعتمد على رصد الجسيمات وحده، يمكن لهذه الأنظمة المتقدمة استخدام نماذج مثل Ultralytics YOLOv8 لتحليل البيانات المرئية في الوقت الفعلي، وتحديد أنماط الدخان والتغيرات في كثافته وغيرها من المؤشرات المرئية من خلال مهام مثل اكتشاف الأجسام والتجزئة.

تكتسب التجزئة أهمية خاصة في هذه الأنظمة، ولا سيما في البيئات الصعبة مثل الغابات حيث يمكن للدخان أن يتشتت. وباستخدام التجزئة، يستطيع النموذج كشف الدخان وإبرازه ضمن البيئة المحيطة، مع تحديد المناطق المتأثرة بوضوح حتى عندما تكون الرؤية ضعيفة أو تكون البيئة كثيفة النباتات.

تُعد نماذج الرؤية الحاسوبية المتطورة، مثل Ultralytics YOLOv8، أدوات ممتازة لتقسيم البيانات المرئية إلى أجزاء واضحة، ما يتيح للنموذج تقدير حجم الدخان وشدته بدقة. وتعالج خوارزميات الذكاء الاصطناعي هذه المعلومات استنادًا إلى شدة الدخان وحجمه وانتشاره واستمراره بمرور الوقت، لتحديد ما إذا كان ينبغي إطلاق الإنذارات أو إخطار فرق الاستجابة للطوارئ، بما يضمن تدخلًا دقيقًا وفي الوقت المناسب.

الشكل 2. كشف الدخان وتجزيئه باستخدام Ultralytics YOLOv8.

التحليلات التنبؤية للوقاية من الحرائق#

يتجاوز دور الذكاء الاصطناعي مجرد كشف الحرائق، إذ يعمل بنشاط على الوقاية منها. فمن خلال تحليل البيانات التاريخية ومراعاة العوامل البيئية، مثل الأحوال الجوية وكثافة الغطاء النباتي والنشاط البشري، تستطيع نماذج الذكاء الاصطناعي التنبؤ بمخاطر الحرائق. وتكتسب هذه القدرة التنبؤية قيمة خاصة في الصناعات عالية المخاطر، مثل النفط والغاز والتصنيع وقطاع الغابات، حيث تكون المخاطر كبيرة. وفي هذه البيئات، تؤدي الرؤية الحاسوبية دورًا حاسمًا عبر المراقبة المستمرة للبيانات المرئية وتحليلها، ما يساعد على تحديد علامات الإنذار المبكر التي قد تشير إلى ازدياد خطر نشوب حريق. ويتيح ذلك اتخاذ تدابير استباقية تساعد على منع الحرائق قبل اندلاعها.

فوائد اكتشاف الحرائق باستخدام الذكاء الاصطناعي#

يُحسّن الذكاء الاصطناعي بدرجة كبيرة قدرتنا على اكتشاف مخاطر الحرائق والاستجابة لها، ويوفر مزايا أساسية عدة تعزز أساليب السلامة من الحرائق التقليدية. ومن هذه المزايا:

اكتشاف التهديدات بدقة#

قد تطلق أنظمة اكتشاف الحرائق التقليدية إنذارات كاذبة أحيانًا، ما لا يهدر الموارد فحسب، بل يثير أيضًا ذعرًا لا داعي له. وغالبًا ما تحدث هذه الإنذارات الكاذبة لأن تقنيات الاستشعار الأساسية في الأنظمة التقليدية لا تستطيع التمييز بين مخاطر الحرائق الفعلية والعوامل البيئية غير الخطرة، مثل البخار والغبار ودخان السجائر وأبخرة الطهي.

فعلى سبيل المثال، قد تخلط كاشفات الدخان بالتأين بين البخار غير الضار وجزيئات الدخان، أو قد تُفعّل كاشفات الحرارة بسبب التقلبات الطبيعية في درجات الحرارة في البيئات الصناعية. وتؤدي هذه الحساسية المفرطة إلى إنذارات كاذبة متكررة، ما يعطل العمليات ويصرف موارد الطوارئ دون داعٍ.

لكن نماذج اكتشاف الحرائق المعتمدة على الرؤية الحاسوبية توفر نهجًا أدق لتحديد التهديدات الحقيقية. تُدرَّب هذه النماذج على تحليل البيانات المرئية، ما يتيح لها التعرّف على الأنماط المرئية المميزة المرتبطة بالدخان أو اللهب أو غير ذلك من الحالات الشاذة المتصلة بالحرائق. وعلى خلاف المستشعرات التقليدية التي قد تستجيب لجزيئات محددة أو لتغيرات درجة الحرارة فحسب، تقيّم نماذج الرؤية الحاسوبية إشارات مرئية متعددة في الوقت الفعلي، مثل شكل الدخان ولونه وحركته أو مظهر اللهب. وبذلك، تستطيع التمييز بفاعلية بين مخاطر الحرائق الحقيقية والظواهر غير الضارة، مثل البخار أو الظلال، ما يقلل بدرجة كبيرة احتمال إطلاق إنذارات كاذبة.

تعزيز السلامة في البيئات عالية الخطورة#

في البيئات عالية الخطورة، مثل المنشآت الصناعية ومصافي النفط والمصانع الكيميائية، يرتفع احتمال اندلاع الحرائق بدرجة كبيرة بسبب وجود مواد قابلة للاشتعال وآلات معقدة. وتوفر الأنظمة المدعومة بالرؤية الحاسوبية مراقبة مستمرة على مدار الساعة، مع القدرة على اكتشاف المؤشرات المبكرة لمخاطر الحرائق، مثل ارتفاع درجة الحرارة أو تسرب الغاز أو تعطل المعدات. وتتيح هذه المراقبة المستمرة التدخل السريع، ما يحد من خطر اندلاع الحرائق ويضمن سلامة العاملين والأصول القيّمة.

خفض التكاليف#

قد تتسبب الحرائق في أضرار جسيمة تؤدي إلى تكاليف إصلاح باهظة، وفقدان الإنتاجية، واحتمال التعرض لـمسؤوليات قانونية. ومن خلال اكتشاف الحرائق مبكرًا والحد من الإنذارات الكاذبة، يمكن للرؤية الحاسوبية مساعدة المؤسسات على خفض التكاليف. ويحول هذا النهج الاستباقي دون وقوع حرائق واسعة النطاق، ويقلل الاستجابات الطارئة غير الضرورية، ويخفض النفقات الباهظة المرتبطة بأضرار الحرائق والنزاعات القانونية ومطالبات التأمين، مع حماية الاستثمارات أيضًا.

المرونة وقابلية التوسع#

توفر أنظمة اكتشاف الحرائق المعتمدة على الذكاء الاصطناعي مرونة وقابلية توسع كبيرتين، ما يجعلها قابلة للتكيف مع بيئات مختلفة، من الشركات الصغيرة إلى المجمعات الصناعية الكبيرة.

فعلى سبيل المثال، يمكن تدريب نماذج مثل Ultralytics YOLOv8 على التعرّف على مخاطر الحرائق المحددة والفريدة في قطاعات مختلفة، مثل انسكابات المواد الكيميائية في البيئات الصناعية، وارتفاع حرارة الآلات في التصنيع، وحرائق النفط والغاز، وحرائق الغابات. ولتحقيق هذا المستوى من التخصص، يحتاج النموذج إلى مجموعة متنوعة من الصور التي تعرض هذه المخاطر في سيناريوهات مختلفة. وينبغي تصنيف هذه الصور ووضع تسميات لها بعناية؛ فمثلًا، توسم صور انسكابات المواد الكيميائية بتسميات محددة تشير إلى نوع الانسكاب، بينما توسم صور الآلات شديدة الحرارة وفقًا لنوع الآلة والمؤشرات المرئية على ارتفاع حرارتها. وتُعد عملية التصنيف هذه ضرورية ليتعلم النموذج كيفية تحديد هذه المخاطر بدقة في مواقف العالم الحقيقي، بما يضمن قدرته على اكتشاف مخاطر الحرائق المحتملة والاستجابة لها بفاعلية في بيئات مختلفة.

التحديات والسلبيات#

على الرغم من أن الذكاء الاصطناعي يوفر مزايا كثيرة في اكتشاف الحرائق والوقاية منها، فهناك أيضًا تحديات وسلبيات عدة ينبغي أخذها في الحسبان.

• ارتفاع التكلفة الأولية: قد يكون تطبيق أنظمة اكتشاف الحرائق المدعومة بالذكاء الاصطناعي مكلفًا، ولا سيما للشركات الصغيرة أو المنشآت ذات الموارد المالية المحدودة. وغالبًا ما يشكل الاستثمار الأولي الكبير اللازم لهذه التقنية المتقدمة لاكتشاف الحرائق عائقًا رئيسيًا، ما يصعّب على بعض المؤسسات اعتمادها.

• الاعتماد على بيانات عالية الجودة: تعتمد دقة الذكاء الاصطناعي في اكتشاف مخاطر الحرائق بدرجة كبيرة على توفر بيانات موسومة عالية الجودة. وإذا كانت البيانات غير مكتملة أو سيئة الوسم، فقد يتراجع أداء النظام، ما يؤدي إلى احتمال عدم الدقة في اكتشاف مخاطر الحرائق.

• احتمال حدوث أعطال في الظروف القاسية: أنظمة الذكاء الاصطناعي، شأنها شأن أي تقنية، ليست بمنأى عن الأعطال. ففي الظروف البيئية القاسية، مثل الحرارة المفرطة أو الرطوبة أو الغبار، قد تتأثر دقة هذه الأنظمة وموثوقيتها، ما يشكل مخاطر على السلامة من الحرائق.

• الصيانة والتحديثات المستمرة: للحفاظ على فعاليتها، تحتاج حلول الوقاية من الحرائق المدعومة بالذكاء الاصطناعي إلى صيانة وتحديثات منتظمة. وقد تتطلب هذه الحاجة المستمرة إلى الدعم التقني موارد كبيرة، ما قد يزيد التكاليف طويلة الأمد المرتبطة باستخدام الذكاء الاصطناعي لاكتشاف الحرائق.

مستقبل الذكاء الاصطناعي في اكتشاف الحرائق والوقاية منها#

مع استمرار تطور الذكاء الاصطناعي، من المتوقع أن يعزز دمجه مع التقنيات الناشئة، مثل روبوتات مكافحة الحرائق والحوسبة الطرفية، جهود اكتشاف الحرائق والوقاية منها بدرجة كبيرة.

روبوتات مكافحة الحرائق المدعومة بالذكاء الاصطناعي#

تُعد روبوتات مكافحة الحرائق المدعومة بالذكاء الاصطناعي ابتكارًا رائدًا في مجال السلامة من الحرائق، إذ توفر مستوى جديدًا من الحماية في البيئات التي تشكل خطرًا كبيرًا على التدخل البشري. وبفضل تجهيزها بمستشعرات متقدمة ورؤية حاسوبية وخوارزميات الذكاء الاصطناعي، تستطيع هذه الروبوتات التنقل ذاتيًا في التضاريس المعقدة والخطيرة، واكتشاف مصادر الحرائق باستخدام التصوير الحراري، وتطبيق أكثر أساليب إخماد الحرائق فاعلية. وتقلل قدرتها على العمل في ظروف قاسية، مثل الحرارة الشديدة والبيئات السامة، المخاطر التي يواجهها رجال الإطفاء.

يمكن لهذه الروبوتات العمل بالتنسيق مع الطائرات المسيّرة وتقنيات مكافحة الحرائق الأخرى، وتوفير بيانات آنية وتعزيز الفاعلية الكلية لجهود الاستجابة للحرائق. ومن المتوقع أن يُحدث دمج الذكاء الاصطناعي والروبوتات في مكافحة الحرائق تحولًا جذريًا في هذا المجال، وأن يجعل الوقاية من الحرائق ومكافحتها أكثر أمانًا وكفاءة.

الشكل 3. روبوت مستقل لمكافحة الحرائق مدعوم بالذكاء الاصطناعي.

دمج الحوسبة الطرفية لتسريع اكتشاف الحرائق#

في أنظمة اكتشاف الحرائق التقليدية، مثل الكاميرات المدعومة بالرؤية الحاسوبية وكاشفات الدخان وكاشفات الحرارة، تُرسل البيانات التي تلتقطها المستشعرات أو الكاميرات عادةً إلى خادم مركزي، حيث تعالجها نماذج الذكاء الاصطناعي. وتحلل هذه النماذج البيانات لتحديد مخاطر الحرائق المحتملة، مثل الارتفاع غير الطبيعي في درجات الحرارة أو وجود الدخان. إلا أن هذه العملية قد تسبب تأخيرًا بسبب الوقت الذي تستغرقه البيانات في الانتقال من الخادم وإليه.

توفر الحوسبة الطرفية لاكتشاف الحرائق حلًا مبتكرًا يتيح معالجة البيانات مباشرةً عند مصدرها، داخل الكاميرات أو المستشعرات نفسها، بدلًا من الاعتماد على خادم بعيد. وتقلل هذه المعالجة المحلية زمن الاستجابة بدرجة كبيرة، ما يتيح تحليل البيانات الحرارية والمرئية بسرعة أكبر واكتشاف مخاطر الحرائق المحتملة بصورة أسرع. ومن خلال معالجة البيانات بالقرب من موقع إنشائها، تضمن الحوسبة الطرفية اتخاذ القرارات الحيوية، مثل إطلاق الإنذارات أو إخطار المستجيبين، في شبه لحظة. وتُعد هذه القدرة ضرورية لمنع تصاعد الحرائق وانتشارها، ما يجعل أنظمة اكتشاف الحرائق أكثر استجابة وفاعلية.

أبرز النقاط#

يُسهم التصوير الحراري واكتشاف الأجسام المدعومان بالذكاء الاصطناعي بدرجة كبيرة في تطوير أساليب اكتشاف الحرائق والوقاية منها، إذ يوفران إنذارات مبكرة وتحديدًا أدق لمخاطر الحرائق. وتحقق هذه التقنيات فوائد عديدة، مثل تسريع الاستجابة، والحد من الإنذارات الكاذبة، وتعزيز السلامة في البيئات عالية الخطورة.

لكن هذه التقنيات تنطوي أيضًا على تحديات، منها ارتفاع تكاليف التنفيذ والحاجة إلى الصيانة المستمرة. وبالنظر إلى المستقبل، تبدو آفاق الذكاء الاصطناعي والرؤية الحاسوبية في مجال السلامة من الحرائق واعدة، إذ تتيح إمكانية دمجهما بدرجة أكبر مع التقنيات الناشئة، مثل روبوتات مكافحة الحرائق والحوسبة الطرفية، ما يعزز الوقاية من الحرائق والاستجابة لها في قطاعات مختلفة.

في Ultralytics، ندفع عجلة ابتكار الذكاء الاصطناعي إلى آفاق جديدة. استكشف حلولنا المتقدمة في مجال الذكاء الاصطناعي، وتابع أحدث إنجازاتنا بزيارة مستودعنا على GitHub. شارك في مجتمعنا النشط، واكتشف كيف نُحدث تحولًا في قطاعات مثل الرعاية الصحية والتصنيع.