Real-Time Joint Classification and Heat-Source Localization on Native 8×8 Thermal Frames with a Lightweight Dual-Head CNN for Microcontroller Deployment
تقدم هذه الورقة البحثية JFilterLocalizationCNN، وهي شبكة عصبية تلافيفية خفيفة الوزن ثنائية الرأس تتيح التصنيف المشترك في الوقت الفعلي للمشاهد الحرارية وتحديد موقع مصدر الحرارة على إطارات الأشعة تحت الحمراء الأصلية بحجم 8×8، محققةً دقة عالية ونشرًا فعالًا على المتحكمات الدقيقة محدودة الموارد مع الحفاظ على خصوصية المستخدم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 عالماً يمكننا فيه مراقبة منازلنا، ومستشفياتنا، ومكاتبنا دون التقاط وجه أو جسد يمكن التعرف عليه أبداً. هذا هو الوعد الذي يقدمه نوع محدد من الاستشعار الذي يعتمد على الحرارة بدلاً من الضوء. بينما تسجل الكاميرات القياسية صوراً مفصلة يمكنها تحديد هوية الموجودين في الغرفة، لا ترى المستشعرات الحرارية سوى فروق درجات الحرارة. تستخدم النسخة الأكثر بساطة من هذه التكنولوجيا شبكة صغيرة مكونة من ستة وستين مستشعراً، مرتبة في مربع بحجم ثمانية في ثمانية. بالنسبة للعين البشرية، تبدو البيانات الناتجة عن مثل هذه الشبكة كأنها لطخة حرارية ضبابية ومنخفضة الدقة. إنها خشنة للغاية بحيث لا يمكنها إظهار ملامح الشخص، ومع ذلك فهي تحتوي على معلومات كافية لمعرفة ما إذا كانت الغرفة فارغة، أو إذا كان هناك شخص يجلس فيها، أو إذا بدأ مصدر حرارة خطير، مثل حريق، بالنشوب. لقد كان التحدي الذي واجه العلماء هو كيفية جعل هذه البيانات الضبابية الصغيرة مفيدة في الوقت الفعلي، خاصة على أجهزة كمبيوتر صغيرة ورخيصة يمكن إخفاؤها في السقف أو الجدار.
لقًد نجح فريق من الباحثين الآن في حل هذه المشكلة عبر تعليم برنامج كمبيوتر صغير قراءة هذه اللطخات الحرارية مباشرة. فقد ابتكروا نظاماً يمكنه النظر إلى إطار واحد من هذه الشبكة (ثمانية في ثمانية) والقيام بشيئين في آن واحد فوراً: يقرر ما يحدث في الغرفة، ويشير بدقة إلى موقع المصدر الرئيسي للحرارة. ويمثل هذا خطوة كبيرة للأمام لأن المحاولات السابقة لاستخدام هذه البيانات منخفضة الدقة اعتمدت على قواعد معقدة مكتوبة يدوياً، والتي غالباً ما فشلت في رصد الحرائق أو تحديد مواقع الأشخاص بدقة. يستخدم النهج الجديد شبكة عصبية خفيفة الوزن، وهي نوع من نماذج الكمبيوتر المستوحاة من الدماغ، مصممة خصيصاً للعمل مع هذا القدر الضئيل من البيانات. وبدلاً من محاولة تخمين كيف قد تبدو الصورة لو كانت أكثر وضوحاً، يتعلم النظام كيفية إيجاد الأنماط في الأرقام الخام الضبابية نفسها.
قام الباحثون ببناء نموذج مخصص يعمل كأداة مزدوجة الغرض. ففي نظرة واحدة على البيانات، يصنف المشهد إلى واحدة من ثلاث فئات: غرفة فارغة، أو غرفة بها شخص، أو غرفة بها شخص وحريق. وفي الوقت نفسه، يحسب الموقع الدقيق لأكثر نقطة ساخنة في تلك الشبكة. ولجعل هذا العمل موثوقاً، قاموا أولاً بتنقية البيانات باستخدام مرشح بسيط يزيل درجة حرارة الخلفية للغرفة، مما يضمن تركيز النظام فقط على الدفء النسبي للأجسام. وهذا يسمح للنموذج بالعمل حتى لو أصبحت الغرفة أكثر دفئاً أو برودة بمرور الوقت. وعند اختباره على مجموعة بيانات تضم اثني عشر ألف صورة متوازنة، حقق النظام دقة مذهلة، حيث حدد المشهد بشكل صحيح في كل الحالات تقريباً، وحدد موقع مصدر الحرارة بخطأ يقل عن نصف بكسل.
إن ما يجعل هذا الاكتشاف قوياً بشكل خاص هو أنه يعمل على أجهزة صغيرة مثل المتحكم الدقيق (microcontroller)، وهو نوع الرقائق الموجودة في الأجهزة الذكية اليومية. لقد قام الباحثون بضغط نموذجهم لدرجة كبيرة بحيث يتناسب مع كمية ضئيلة من الذاكرة، حيث تقلص حجمه من قرابة نصف ميجابايت إلى مائة وستة وعشرين كيلوبايت فقط. ولم يؤثر هذا الضغط على أدائه. وعندما قاموا بتثبيت هذه النسخة الصغيرة على لوحة تطوير صغيرة متصلة بمستشعر حراري حقيقي، استمرت في العمل في الوقت الفعلي. وفي الاختبارات الحية التي شملت آلاف الإطارات من بيئة واقعية، حافظ النظام على مستوى عالٍ من الدقة، حيث حدد المشاهد بنسبة تقارب اثنين وثمانين بالمائة، وحدد مواقع مصادر الحرارة بمتوسط خطأ يقل قليلاً عن واحد ونصف بكسل.
كما استكشفت الدراسة مدى قدرة هذا النظام على التكيف مع البيئات المختلفة. فعندما اختبر الباحثون النموذج على بيانات من نوع آخر من المستشعات ذات دقة أعلى، واجه صعوبة في البداية، مما أظهر أن النظام مضبوط وفقاً للهندسة الخاصة بشبكة (ثمانية في ثمانية). ومع ذلك، بعد فترة وجيزة من إعادة التدريب على البيانات الجديدة، تكيف النظام بسرعة واستعاد دقته العالية. وهذا يشير إلى أنه بينما التصميم المحدد مُحسَّن للمستشعر الصغير، فإن القدرة الجوهرية على تعلم الأنماط الحرارية قوية بما يكفي للانتقال إلى أجهزة أخرى ببعض المساعدة. وقد أكد الباحثون أن النظام يعمل بشكل أفضل عندما يتم تدريبه على التعامل مع كل من التصنيف وتحديد الموقع معاً، حيث إن محاولة القيام بمهمة واحدة فقط جعلت المهمة الأخرى تسوء بشكل ملحوظ.
يُظهر هذا العمل أن الإدراك المفيد ممكن حتى في مستويات الدقة التي قد يستبعدها معظم أنظمة الرؤية. ومن خلال إثبات أن مستشعراً صغيراً يحافظ على الخصوصية يمكن اقترانه بكمبيوتر خفيف الوزن للكشف عن الأشخاص والحرائق في الوقت الفعلي، فتح الباحثون مساراً لمراقبة داخلية أكثر أماناً وخصوصية. فالنظام لا يحتاج لرؤية وجه ليعرف أن شخصاً ما موجود، ولا يحتاج إلى خادم قوي لمعالجة البيانات. إنه ببساء يقرأ الحرارة، ويفهم المشهد، ويتصرف، كل ذلك في غضون أجزاء من الثانية. ويمكن أن تتيح هذه القدرة توفير تحذيرات مبكرة من الحرائق في دور الرعاية أو تتبع الإشغال في المساحات الخاصة دون المساس بخصوصية الأشخاص في الداخل أبداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.