استكشاف الرؤية الحاسوبية في مراقبة جودة المياه

المياه النظيفة ضرورية للصحة العامة والحياة اليومية. ومع ذلك، يفتقر نحو 4 مليارات شخص حول العالم إلى مياه شرب آمنة، أو يشكّون في سلامتها ما لم تخضع لمعالجة إضافية.

وفي الوقت نفسه، لا تُعالج بأمان سوى 56% من مياه الصرف الصحي المنزلية عالميًا. وتشير هذه الأرقام إلى الحاجة إلى تحسين مراقبة جودة المياه.

باختصار، تُعد المراقبة ضرورية لإدارة المياه بأمان. فعندما لا يُكتشف التلوث أو تلوث المياه أو ارتفاع مستويات العكارة مبكرًا، قد يتعرض كثيرون لمياه شرب غير آمنة، وقد تواجه الصناعات اضطرابات، وقد تتضرر النظم البيئية المائية.

ومع ذلك، لا تزال العديد من أساليب مراقبة جودة المياه الحالية غير مترابطة. وتعتمد معظم الأنظمة على أخذ عينات يدويًا على فترات، أو التحليل المخبري، أو مستشعرات ثابتة تقيس الظروف في نقطة واحدة فقط. وفي الأنهار الكبيرة والخزانات وغيرها من المسطحات المائية، يقلل ذلك من وضوح الرؤية ويحد من الرؤى المستقاة في الوقت الفعلي.

في السنوات الأخيرة، أتاح التقدم في الذكاء الاصطناعي (AI) إمكانات جديدة. فعلى سبيل المثال، تُستخدم الآن الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يمكّن الآلات من تفسير الصور وبيانات الفيديو وتحليلها، لتحليل المرئيات من المياه السطحية وأنظمة مياه الصرف الصحي ومنصات الاستشعار عن بُعد.

الشكل 1. مثال على استخدام الذكاء الاصطناعي للرؤية للكشف عن النفايات البلاستيكية الطافية (المصدر)

في الواقع، يُتوقع أن يصل حجم سوق الذكاء الاصطناعي في إدارة المياه إلى 53.85 مليار دولار بحلول عام 2032، في دلالة على تزايد الزخم حول أنظمة المراقبة الذكية والتكيفية. في هذه المقالة، سنستكشف كيف تعيد الرؤية الحاسوبية تشكيل مراقبة جودة المياه.

حدود أساليب مراقبة جودة المياه التقليدية#

لعقود، اعتمدت مراقبة جودة المياه والمراقبة البيئية على أساليب تقليدية تستند إلى أخذ العينات يدويًا والأجهزة الثابتة. وعادةً ما تجمع الفرق الميدانية عينات من الأنهار والبحيرات ومنشآت مياه الصرف الصحي، ثم ترسلها إلى المختبرات لتحليلها.

يمكن لهذه الطريقة أن تنتج نتائج دقيقة، لكنها تتطلب جهدًا كبيرًا وتحديثات دورية. وبين فترات أخذ العينات، قد تمر التغيرات في جودة المياه دون ملاحظة.

تساعد أنظمة المراقبة القائمة على المستشعرات في سد بعض هذه الفجوات. فهي تقيس مؤشرات مثل العكارة ودرجة الحموضة والأكسجين المذاب ومستوى المياه.

ومع ذلك، غالبًا ما تكون التغطية المكانية لهذه الأنظمة محدودة. فعلى سبيل المثال، لا يمثل المستشعر الواحد سوى نقطة واحدة ضمن مسطح مائي سطحي أكبر بكثير. وفي المسطحات المائية الكبيرة أو موارد المياه الموزعة، يؤدي ذلك إلى وجود مناطق غير مرصودة.

وتُعد الصيانة تحديًا آخر. إذ تتطلب المستشعرات معايرة وتنظيفًا والتحقق من صحتها للحفاظ على دقتها.

قد يؤثر الطين والحطام وتراكم الطحالب والطقس القاسي في القراءات بمرور الوقت. ونتيجة لذلك، ينتهي الأمر بالعديد من الأنظمة إلى الاستجابة للمشكلات بدلًا من التنبؤ بها وإصدار إنذارات مبكرة. وبحلول اكتشاف التلوث أو تلوث المياه، قد يكون قد انتشر بالفعل إلى مجرى النهر.

ويزيد التباين البيئي من تعقيد الوضع. فعوامل مثل تغير المناخ والفيضانات والتغيرات الموسمية قد تغير النظم البيئية المائية بسرعة. وتواجه أساليب المراقبة الثابتة صعوبة في التكيف مع هذه الظروف المتغيرة، مما يجعل المراقبة في الوقت الفعلي صعبة في الأنهار والخزانات والمناطق الساحلية.

دور الرؤية الحاسوبية في مراقبة جودة المياه#

تجمع الرؤية الحاسوبية بين الكاميرات ونماذج الذكاء الاصطناعي لتحليل الصور والفيديو، غالبًا في الوقت الفعلي. وتفسر هذه الأنظمة الأنماط المرئية، كما تستخدم نماذج التعلم العميق، مثل الشبكات العصبية الالتفافية (CNNs) وغيرها من الشبكات العصبية الاصطناعية، لفهم ما تمثله هذه المرئيات.

وعلى وجه التحديد، تستطيع هذه النماذج، من خلال معالجة الصور ومهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتقسيم المثيلات، تحديد التغيرات المرئية في ظروف المياه.

يمكنها اكتشاف التغيرات غير المعتادة في الألوان، والتحولات في صفاء المياه، والحطام الطافي، وازدهار الطحالب، وتكوّن الرغوة، وحالات الفيضان. وفي بعض الحالات، قد تشير التغيرات الطفيفة على مستوى البكسل إلى علامات مرئية مبكرة للتلوث.

دمج الذكاء الاصطناعي للرؤية في البنية التحتية للمياه#

توفر الأنظمة القائمة على الرؤية تغطية أوسع، ويمكنها مراقبة مساحات كبيرة من المياه السطحية دون تلامس مادي، كما تستفيد غالبًا من البنية التحتية الحالية للكاميرات. صُممت نماذج الذكاء الاصطناعي للرؤية المتطورة، مثل Ultralytics YOLO26، للكشف السريع في الوقت الفعلي، مما يجعلها مناسبة لأنظمة مراقبة جودة المياه التكيفية.

تدعم نماذج YOLO مجموعة من مهام الرؤية الحاسوبية، بما فيها اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور. وهذا يمكّن الأنظمة من تحديد الحطام الطافي وتكوّن الرغوة وازدهار الطحالب وتغير لون السطح أو غيرها من الحالات الشاذة المرئية في المسطحات المائية.

يمكن أيضًا دمج حلول الرؤية الحاسوبية هذه مع الطائرات المسيّرة ومنصات الاستشعار عن بُعد عبر الأقمار الصناعية وشبكات إنترنت الأشياء ومنشآت معالجة مياه الصرف الصحي. ويساعد ذلك على المراقبة المستمرة وإصدار التنبيهات آليًا وتوفير رؤى قابلة للتنفيذ، بما يتيح اتخاذ إجراءات التخفيف بسرعة أكبر في مختلف المسطحات المائية.

حالات استخدام الذكاء الاصطناعي للرؤية في مراقبة المياه#

بعد أن استكشفنا آلية عمل الرؤية الحاسوبية في مراقبة جودة المياه، لنلقِ نظرة على مجالات البحث الرئيسية التي تدفع عجلة تطويرها.

المراقبة الآنية للفيضانات والمياه السطحية#

تُعد الفيضانات من أكثر التهديدات المباشرة التي تواجه أنظمة المياه السطحية والبنية التحتية الحضرية. فقد يرتفع منسوب الأنهار بسرعة، وتفيض شبكات التصريف، وقد يسد الحطام القنوات الحيوية.

تعتمد الأساليب التقليدية عادةً على مقاييس ثابتة لمستوى المياه وأنظمة القياس عن بُعد التي ترسل البيانات على فترات، مما يوفر تغطية محدودة للمسطحات المائية الكبيرة أو الموزعة. وأثناء الظواهر الجوية المتطرفة المرتبطة بتغير المناخ، قد تزيد حتى التأخيرات القصيرة في الكشف من مخاطر تضرر البنية التحتية وتلوث المياه.

يبحث اختصاصيو جودة المياه في سبل معالجة هذه الفجوات باستخدام الرؤية الحاسوبية. ومن خلال تطبيق خوارزميات التعلم العميق ونماذج اكتشاف الأجسام مثل Ultralytics YOLO26 على البث المباشر للكاميرات، يبنون أنظمة تحلل ظروف المياه السطحية باستمرار.

ومن الأمثلة الجيدة استخدام بنية كاميرات المراقبة التلفزيونية المغلقة الحالية لمراقبة ارتفاع مستويات المياه، واكتشاف حالات الفيضان، وتحديد تراكم الحطام في الوقت الفعلي دون الحاجة إلى أجهزة إضافية.

الشكل 2. يمكن للرؤية الحاسوبية أن تساعد في قياس مستويات مياه الأنهار. (المصدر)

المركبات تحت الماء والطائرات المسيّرة لمراقبة الخزانات والأنهار#

تنطوي مراقبة الخزانات الكبيرة وأنظمة الأنهار على مجموعة فريدة من التحديات. ففي هذه المسطحات المائية المتغيرة، قد يختلف التلوث وتغير صفاء المياه ونمو الطحالب اختلافًا كبيرًا من موقع إلى آخر، مما يقلل من فعالية محطات المراقبة الثابتة في إجراء تقييم شامل.

لمعالجة ذلك، يطوّر الباحثون وفرق الحفاظ على البيئة طائرات مسيّرة مترابطة ومركبات ذاتية القيادة تحت الماء تجمع بين سهولة الحركة والاستشعار الذكي. وتعمل هذه الأنظمة الهجينة فوق سطح الماء وتحته، وتجمع بيانات آنية عن الأكسجين المذاب ودرجة الحموضة والعكارة ودرجة الحرارة وتركيز الطحالب.

يمكن تشغيل نماذج الرؤية الحاسوبية وأنظمة التوجيه المتكاملة، التي تعتمد غالبًا على التعلم العميق والخوارزميات التكيفية، مباشرة على متن الطائرات المسيّرة أو المركبات ذاتية القيادة. فعلى سبيل المثال، يمكن لمركبة مراقبة ذاتية القيادة مزودة بكاميرا ونموذج للذكاء الاصطناعي للرؤية تحديد تجمعات النفايات البلاستيكية الطافية في الوقت الفعلي أثناء تحركها عبر الخزان.

استنادًا إلى هذا التحليل المرئي، يمكن للمركبة تعديل مسارها ذاتيًا لمسح المنطقة المتأثرة عن قرب أو إرسال التنبيهات إلى المشغلين. ومن خلال الجمع بين الروبوتات والذكاء الاصطناعي وجمع البيانات المكانية على نطاق واسع، يتيح هذا النهج اتخاذ إجراءات تصحيحية أسرع واتخاذ قرارات أكثر استنارة بشأن إدارة المياه.

الشكل 3. مركبة سطحية ذاتية القيادة تراقب مسطحًا مائيًا باستخدام الذكاء الاصطناعي للرؤية (المصدر)

المراقبة الذكية لمحطات معالجة مياه الصرف الصحي#

بينما تتطلب الأنهار والخزانات مراقبة بيئية واسعة النطاق، تواجه محطات معالجة مياه الصرف الصحي تحديات تتعلق بالكفاءة التشغيلية. إذ يتعين على هذه المنشآت معالجة كميات كبيرة من مياه الصرف الصحي يوميًا مع الالتزام بمعايير تنظيمية صارمة لجودة المياه.

تعتمد أساليب المراقبة التقليدية في معالجة مياه الصرف الصحي اعتمادًا كبيرًا على المستشعرات الكيميائية وعمليات التفتيش الدورية، التي لا تتمكن دائمًا من رصد المخالفات المرئية في العمليات، مثل تراكم الرغوة ومشكلات ترسب الحمأة وتراكم الزبد والتلون غير الطبيعي والانسدادات الميكانيكية. ويمكن للرؤية الحاسوبية أن تضيف طبقة أخرى من الرقابة.

لنتأمل حوض تهوية تبدأ الرغوة بالتراكم على سطحه. قد تبدو قراءات المستشعرات طبيعية، لكن الرغوة قد تشير إلى اختلال في عملية المعالجة. ويمكن لنظام الرؤية مراقبة الحوض باستمرار، واكتشاف نمو الرغوة غير المعتاد، وتنبيه المشغلين مبكرًا.

كما يمكن للبلاستيك والنفايات الصلبة والحطام الطافي أن تعطل عمليات معالجة مياه الصرف الصحي وتقلل كفاءة النظام الإجمالية. فعندما تتراكم النفايات في القنوات أو الأحواض، قد تسد التدفق وتتلف المعدات وتؤثر في الامتثال لمعايير جودة المياه.

هنا، يعزز الذكاء الاصطناعي للرؤية وضوح الرؤية من خلال الكشف عن البلاستيك الطافي والحطام والنفايات الصلبة الأخرى داخل قنوات المعالجة وأحواضها. ومن خلال مراقبة هذه المناطق باستمرار، يمكن لأنظمة الكاميرات مساعدة المشغلين على تحديد الانسدادات مبكرًا وفهم مواقع تراكم النفايات.

الشكل 4. نظرة على اكتشاف النفايات الطافية وتتبعها (المصدر)

عند الجمع بين المراقبة المرئية وبيانات المستشعرات الكيميائية، توفر رؤية أشمل لظروف المحطة، مما يدعم الصيانة في الوقت المناسب والتدخلات الأكثر استهدافًا واستقرار عمليات معالجة مياه الصرف الصحي.

مزايا الرؤية الحاسوبية وعيوبها في مراقبة جودة المياه#

فيما يلي بعض الفوائد الرئيسية لاستخدام الذكاء الاصطناعي للرؤية في أنظمة مراقبة جودة المياه:

• المراقبة دون تلامس: تقيّم أنظمة الرؤية ظروف السطح دون ملامسة المياه مباشرة، مما يقلل احتياجات الصيانة وتآكل المعدات في بعض التطبيقات.
• تحسين العمليات: توفر أنظمة الرؤية في محطات المعالجة وسيلة فعالة من حيث التكلفة للكشف المبكر عن تراكم الرغوة والانسدادات ومشكلات الحمأة، مما يساعد على تقليل فترات التوقف والاعتماد على عمليات الفحص اليدوي.
• تكامل البيانات والتحليلات: عند دمج البيانات المرئية مع نماذج التعلم الآلي وأنظمة المعلومات الحالية، يمكن أن تدعم تحليل الاتجاهات واكتشاف الحالات الشاذة واستراتيجيات المراقبة الأكثر تكيفًا.

على الرغم من هذه المزايا، تنطوي الرؤية الحاسوبية في مراقبة جودة المياه أيضًا على بعض القيود التي ينبغي مراعاتها. وفيما يلي بعض العوامل التي يجدر أخذها في الحسبان:

• التباين البيئي: قد تؤثر تغيرات الإضاءة والانعكاسات والظروف الجوية في دقة معالجة الصور ومتانة النظام.
• تعقيد التكامل: قد يكون ربط أنظمة الرؤية بالبنية التحتية القديمة أو أنظمة التحكم الإشرافي وتحصيل البيانات (SCADA) أو منصات البيانات تحديًا تقنيًا.
• الصيانة والمعايرة: تتطلب الكاميرات تنظيفًا وتعديلات على مواضعها وإعادة معايرة دورية للحفاظ على أداء موثوق.

أبرز النقاط#

تُعد مراقبة جودة المياه ضرورية للصحة العامة واستدامة الموارد المائية، لكن الأساليب التقليدية وحدها لا يمكن توسيع نطاقها لمواجهة التحديات العالمية الراهنة. تتيح الرؤية الحاسوبية رؤى مستمرة وآنية عن المسطحات المائية، مما يدعم الكشف الأسرع وإدارة المياه بذكاء أكبر. ومع تزايد الضغوط البيئية، يُرجح أن يؤدي الذكاء الاصطناعي للرؤية دورًا محوريًا في بناء أنظمة تكيفية لمراقبة المياه.

هل ترغب في إدخال الذكاء الاصطناعي للرؤية إلى مشاريعك؟ انضم إلى مجتمعنا النشط وتعرّف على الذكاء الاصطناعي للرؤية في التصنيع والرؤية الحاسوبية في الروبوتات. استكشف مستودع GitHub لمعرفة المزيد. اطّلع على خيارات الترخيص للبدء!