An Ensemble Deep Learning Framework for Robust Forest Fire and Smoke Detection
تقترح هذه الورقة إطار عمل متين للتعلم العميق التجميعي يجمع بين نماذج DenseNet وResNet وXception عبر التصويت بالأغلبية لتحقيق كشف عالي الدقة لحرائق الغابات والدخان، متفوقاً بذلك على النماذج الفردية في كل من مجموعات بيانات الحرائق فقط ومجموعات بيانات الحرائق والدخان معاً.
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
تُعد حرائق الغابات قوة من قوى الطبيعة لا تهدأ، فهي قادرة على تجريد المناظر الطبيعية من غطائها الأخضر، وتدمير مواطن عدد لا يحصى من الحيوانات، وإجبار المجتمعات البشرية على الفرار. ولعقود من الزمن، كان الدفاع الأساسي ضد هذه النيران مزيجاً من المراقبين البشريين الجالسين في أبراج، والأقمار الصناعية التي تحلق في مداراتها، والمستشعرات التي ترصد الحرارة. وبينما أنقذت هذه الأدوات الأرواح والممتلكات، إلا أن لها نقاط ضعف واضحة؛ فالأقمار الصناعية، على سبيل المثال، لا تستطيع الرؤية عبر السحب الكثيفة أو الدخان، كما أنها تمر فوق نفس البقعة بشكل متقطع فقط، مما يعني أن حريقاً صغيراً قد يتحول إلى كارثة هائلة قبل التقاط الصورة التالية. أما المراقبون البشر، فهم محدودون بالإجهاد والمساحات الشاسعة من البرية التي يتعين عليهم مراقبتها. وفي السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي لسد هذه الفجوات، عبر تعليم الحواسيب التعرف على البصمات المرئية للنار والدخان في الوقت الفعلي. ومع ذلك، فإن التحدي يكمكم في أن الغابات معقدة وغير متوقعة؛ فقد تبدو السحابة كأنها دخان، وقد يحاكي غروب الشمس ألسنة اللهب، مما يؤدي إلى إنذارات كاذبة أو حالات عدم اكتشاف.
لقد تصدى فريق من الباحثين من الهند لهذه المشكلة عبر بناء نظام لا يعتمد على برنامج حاسوبي واحد لاتخاذ القرار، بل يستخدم لجنة مكونة من ثلاثة أنظمة خبيرة مختلفة تعمل معاً. لقد دمجوا ثلاثة أنواع متميزة من برامج التعرف على الصور المتقدمة، والمعروفة بنماذج التعلم العميق، والمصممة للتعلم من آلاف الصور. أحد هذه النماذج بارع بشكل خاص في تذكر التفاصيل التي رآها من قبل، والآخر مصمم للتعامل مع طبقات عميقة جداً من المعلومات دون ارتباك، أما الثالث فهو متخصص في رصد الأنسجة والأنماط الدقيقة بكفاءة. وبدلاً من ترك نموذج واحد فقط يقرر ما إذا كانت الصورة تحتوي على نار أم لا، أنشأ الباحثون إطار عمل حيث تقوم النماذج الثلاثة جميعها بتحليل الصورة نفسها في آن واحد. ثم استخدموا قاعدة بسيطة لتحديد الإجابة النهائية: إذا اتفق نموذجان أو أكثر على وجود نار أو دخان، يقوم النظام بإرسال تنبيه. هذا النهج، المسمى "الجمع" (ensemble)، مصمم لإلغاء الأخطاء الفردية التي قد يرتكبها أي نموذج بمفرده، تماماً كما يمكن لمجموعة من الأشخاص أن يتوصلوا إلى استنتاج أكثر دقة من أي شخص بمفرده.
ولاختبار هذا النظام، درب الباحثون برمجيتهم على مجموعتين مختلفتين من الصور. احتوت المجموعة الأولى على ما يقرب من ألف صورة، مقسمة بين مشاهد لغابات تحترق ومناظر طبيعية آمنة غير محترقة. أما المجموعة الثانية، الأكبر حجماً، فقد تضمنت أكثر من اثنين وأربعين ألف صورة، وأضافت فئة ثالثة: الدخان بدون نار. وكانت هذه إضافة حاسمة، لأن الدخان غالباً ما يظهر قبل أن تصبح ألسنة اللهب مرئية، مما يوفر تحذيراً مبكراً بالغ الأهمية. علم الفريق نظامهم التعرف على هذه الأنماط من خلال عرض ملايين المتغيرات من هذه الصور، مع تعديل السطوع، والتدوير، والحجم لمحاكاة الظروف الفوضوية في العالم الحقيقي. ثم طلبوا من النظام تحديد النار والدخان في صور لم يسبق له رؤيتها. وأظهرت النتائج أن الفريق المكون من ثلاثة نماذج كان أكثر موثوقية بشكل ملحوظ من أي منها يعمل بمفرده. ففي مجموعة البيانات التي تحتوي على صور حريق فقط، حدد نظام الجمع الموقف بشكل صحيح بنسبة 99 في المئة. وفي مجموعة البيانات الأكثر تعقيداً التي تضمنت الدخان، حقق أيضاً نسبة نجاح بلغت 98.4 في المئة.
وعندما قارن الباحثون نظامهم الجديد بالأسالهم المستخدمة حالياً، أصبحت الميزة أكثر وضوحاً. فالتقنيات القديمة، مثل تلك التي تعتمد على قواعد رياضية أبسط أو نهج النموذج الواحد، عانت من مشاكل في الدقة، وغالباً ما كانت تفشل في رصد الحرائق أو تطلق إنذارات كاذبة. وقد تفوق منهج الجمع الجديد على هذه الأساليب القائمة في كل مقياس رئيسي للنجاح، بما في ذلك عدد المرات التي حدد فيها حريقاً بشكل صحيح عندما كان موجوداً بالفعل، ومدى ندرة ارتكابه لخطأ بوصف مشهد آمن على أنه حريق. وتشير الدراسة إلى أنه من خلال تجميع نقاط القوة لأنواع مختلفة من الذكاء الاصطناعي، يمكن إنشاء نظام كشف أكثر قوة في مواجهة الضجيج البصري المربك لبيئة الغابات. ومع ذلك، أشار المؤلفون أيضاً إلى أن تشغيل ثلاثة برامج معقدة في وقت واحد يتطلب قدراً كبيراً من القدرة الحوسبية، مما قد يجعل من الصعب تثبيته على الأجهزة الصغيرة التي تعمل بالبطارية في المناطق النائية. وخلصوا إلى أنه بينما يعد النظام خطوة قوية للأمام، يجب أن يركز العمل المستقبلي على جعله سريعاً وفعالاً بما يكفي للعمل في الوقت الفعلي، لضمان نشر هذه التكنولوجيا على نطاق واسع لحماية النظم البيئية والمجتمعات البشرية من التهديد المتزايد لحرائق الغابات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.