Passive Construction Site Safety Monitoring via Persona-Scaffolded Adversarial Chain-of-Thought VLM Verification
تقدم هذه الورقة نظاماً سلبياً لمراقبة سلامة البناء في نهاية المناوبة يدمج بين كشف YOLO11 الدقيق، وتجزئة SAM 3، وبروتوكول تسلسل أفكري تنافسي قائم على الشخصية ومسند إلى Qwen3-VL-8B، وذلك لتحسين دقة التحقق من الامتثال وتقليل الهلوسة بشكل كبير مع إنشاء تقارير سلامة مرتبطة بمعايير OSHA من منظور العامل ومن لقطات الكاميرا الثابتة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل موقع بناء كأنه مطبخ مزدحم وفوضوي. عادةً، لضمان سلامة الجميع، تحتاج إلى "رئيس طهاة" يقف هناك على مدار الساعة، يراقب كل شخص ليتأكد من ارتدائه للمآزر (الخوذات)، واستخدام قفازات الفرن (القفازات)، وعدم الوقوف بالقرب من اللهب المكشوف (الآلات). لكن توظيف طاهٍ لكل نوبة عمل أمر مكلف، كما أنه لا يمكنه التواجد في كل مكان في وقت واحد.
تقترح هذه الورقة البحثية طريقة جديدة لإدارة المطبخ: "تدقيق السلامة في نهاية النوبة".
بدلاً من مراقبة المطبخ في الوقت الفلیل، يقوم النظام بتسجيل كل شيء عبر نوعين من الكاميرات:
- كاميرات الحائط: مثل كاميرات المراقبة المثبتة في السقف، تراقب الغرفة بأكملها.
- كاميرات الجسم: مثل كاميرا "GoPro" مثبتة على صدر العامل، تُظهر بالضبط ما يراه هو وما تفعله يداه.
في نهاية اليوم، يراجع النظام لقطات الفيديو لكتابة تقرير سلامة لكل عامل. وإليك كيف يعمل ذلك، مقسماً إلى ثلاث خطوات بسيطة:
الخطوة 1: "العين الصقرية" (YOLO)
أولاً، يقوم برنامج حاسوبي سريع (يسمى YOLO11) بمسح الفيديو. إنه يشبه متدرباً سريعاً ومتحمساً يلاحظ الأشياء ولكنه ليس مثالياً.
- يشير إلى الأشخاص ويقول: "هذا عامل!".
- يشير إلى المعدات ويقول: "هذه خوذة!" أو "هذا سترة!".
- الخدعة: يتم توجيه هذا المتدرب ليكون "حساساً للغاية". فمن الأفضل الإبلاغ عن 100 شيء قد يكون خطأً بدلاً من تفويت خطر حقيقي واحد. لذا، فهو يضع علامات على كل شيء، حتى لو كان مجرد ظل يشبه القفاز. إنه ينشئ قائمة طويلة من "الانتهاكات المحتملة".
الخطوة 2: المتخصص في "التقريب" (SAM 3)
بعد ذلك، تأخذ أداة ثانية (SAM 3) قائمة المتدرب وتقوم بعملية التقريب (Zoom-in).
- قطع الفوضى: إذا كان هناك عاملان يقفان بالقرب من بعضهما البعض، فقد يرتبك المتدرب بشأن من يرتدي الخوذة. تقوم هذه الأداة بقص الشكل الدقيق لكل شخص، وفصلهم عن الخلفية وعن بعضهم البعض.
- مطابقة المعدات مع الأشخاص: تتأكد من أن الخوذة تخص الشخص الواقف تحتها مباشرة، وليس الشخص الواقف بجانبها.
- النتيجة: تنشئ صورة نظيفة ومعزولة لكل عامل مع معداته الظاهرة بوضوح، لتكون جاهزة للقاضي النهائي.
الخطوة 3: "هيئة المحلفين الثلاثية" (النموذج اللغوي البصري التنافسي - Adversarial VLM)
هذا هو الابتكار الأكبر في الورقة البحثية. بدلاً من سؤال ذكاء اصطناعي واحد لاتخاذ القرار النهائي (والذي قد "يهلوس" أو يخترع أشياء لم يراها)، يستخدم النظام "هيئة محلفين من ثلاثة أشخاص" مكونة من ذكاء اصطناعي متطور واحد (Qwen3-VL) يلعب ثلاثة أدوار مختلفة.
تخيل هذا كدراما في قاعة المحكمة حيث يؤدي نفس الممثل ثلاثة شخصيات مختلفة لا يتحدثون مع بعضهم البعض حتى صدور الحكم النهائي:
- المفتش الميداني (المرحلة الأولى): ينظر هذا الشخص إلى الفيديو الخام بدون أي ملاحظات حاسوبية. يكتب ما يراه بعينيه فقط، تماماً كما يفعل ضابط سلامة بشري يتجول في الموقع. قد يقول: "رأيت شخصاً يركض"، أو "أعتقد أن القفاز مفقود".
- الضابط المسؤول (المرحلة الثانية): ينظر هذا الشخص إلى الفيديو مع ملاحظات الحاسوب (صناديق التحديد ودرجات الثقة). إنه يتحقق من عمل الحاسوب. "الحاسوب يقول إن السترة مفقودة. هل يؤكد الفيديو ذلك؟".
- القاضي (المرحلة الثالثة): يقرأ هذا الشخص الملاحظات من المفتش الميداني والضابط المسؤول. هو لا ينظر إلى الفيديو مرة أخرى؛ بل ينظر فقط إلى الأدلة التي كتبها الآخران. وعليه أن يقرر: "هل حدث انتهاك بالفعل؟".
لماذا يتم القيام بذلك بهذه الطريقة؟
وجدت الورقة أنه إذا سألت الذكاء الاصطناعي مرة واحدة فقط، فإنه يصبح واثقاً أكثر من اللازم ويخترع انتهاكات (هلوسة). ومن خلال إجباره على الجدال مع نفسه من ثلاث زوايا مختلفة، يصبح أكثر حذراً.
- إذا قال المفتش الميداني "لا يوجد قفاز" ولكن الضابط المسؤول (الذي ينظر إلى بيانات الحاسوب) قال "لا، الحاسوب متأكد من وجوده"، فعلى القاضي أن يفكر ملياً قبل اتخاذ قرار.
- يستخدم النظام قواعد خاصة: إذا كان الحاسوب غير متأكد جداً، ينتظر القاضي تأكيد المراقب البشري. وإذا رأى المراقب شيئاً خطيراً (مثل شخص يركض)، فإنه يثق به حتى لو فات الأمر الحاسوب.
التقرير النهائي
بمجرد أن يتخذ "القاضي" قراراً، يكتب النظام تقريراً لكل عامل.
- درجة السلامة: يتحقق مما إذا كان الشخص يحني ظهره كثيراً (باستخدام طريقة تسمى REBA، وهي تشبه أخصائي العلاج الطبيعي الذي يفحص وضعية جسمك).
- قواعد OSHA: يربط كل خطأ بقوانين سلامة حكومية محددة (مثل "الحماية من السقوط").
- الدليل: يتضمن طابعاً زمنياً وإطاراً محدداً من الفيديو يوضح بالضبط ما حدث، حتى يتمكن العامل من رؤية الدليل.
الخلاصة
اختبر المؤلفون هذا النظام على مجموعة من فيديوهات البناء. ووجدوا أن استخدام طريقة "هيئة المحلفين الثلاثية" جعل النظام أكثر دقة بنسبة 12% من مجرد سؤال الذكاء الاصطناعي لمرة واحدة. لقد رصد المزيد من الأخطار الحقيقية ومنع الذكاء الاصطناዊ من اختراع انتهاكات وهمية.
ملاحظة هامة: تقر الورقة بأن هذا لا يزال نسخة "تجريبية" (Beta). فهم لم يختبروه على آلاف الساعات من الفيديو بعد، كما أن "هيئة المحلفين" تم تقييمها من قبل الأشخاص الذين بنوها (وليس من قبل خبراء مستقلين). لكن النتائج تشير إلى أن الانتظار حتى نهاية النوبة لتشغيل هذا الفحص المعقد والمتعدد الخطوات هو طريقة ذكية ومنخفضة التكلفة للحفاظ على سلامة مواقع البناء دون الحاجة إلى وجود بشري يراقب الشاشات على مدار الساعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.