تخيل أنك تحاول العثور على لعبة صغيرة ومحددة مخبأة داخل صندوق رمال ضخم وفوضوي. الآن، تخيل أن صندوق الرمل هذا يتوهج بالحرارة بدلاً من أن يكون مكوناً من رمال، وأن "اللعبة" هي في الواقع قطعة من معدات كهربائية قد تسخن بشكل مفرط وتتسبب في حريق. هذا هو التحدي اليومي للمهندسين الذين يراقبون شبكات الطاقة. إنهم يستخدمون كاميرات خاصة ترى الحرارة (الأشعة تحت الحمراء) بدلاً من الضوء لرصد المشكلات قبل وقوعها. لكن هذه الكاميرات تواجه صعوبة: الخلفية غالباً ما تكون مزدحمة، و"الألعاب" (المعدات) يمكن أن تكون صغيرة جداً، وأحياناً تكون مخفية خلف أشياء أخرى. الأمر يشبه محاولة العثور على قطعة بسكويت دافئة وسط كومة من الصخور الدافئة. لفترة طويلة، عانت الحواسيب من أجل القيام بذلك بسرعة ودقة، حيث كانت ترتبك غالباً بسبب حرارة الصخور أو تفقد "البسكويتة" الصغيرة تماماً.

هنا يأتي دور فريق جديد من الباحثين بحل ذكي. لقد بنوا عقلاً حاسوبياً ذكياً، يعتمد على نوع شهير من الذكاء الاصطناعي يسمى YOLO (والذي يعني "أنت تنظر مرة واحدة فقط")، لكنهم منحوه ترقية كبرى خصيصاً لمشاهد شبكة الطاقة المزدحمة والساخنة. فكر في نظامهم الجديد، المسمى IR-PowerDet، كأنه محقق خارق لا يكتفي بمجرد النظر إلى الصورة؛ بل يتعلم تجاهل الحرارة المشتتة في الخلفية، ويكبّر التفاصيل الدقيقة التي عادة ما يفقدها، ويتكيف "بصره" بناءً على ما إذا كان المشهد ساطعاً، أو مظلماً، أو ضبابياً. لقد اختبروا هذا المحقق على مجموعة مخصصة من 1,200 صورة حرارية حقيقية لمعدات الطاقة. والنتيجة؟ وجد محققهم الجديد المعدات بدقة مذهلة، حيث رصد 96.8% من الأهداف بشكل صحيح، بينما كان يعمل بسرعة كافية لمراقبة الشبكة في الوقت الفعلي دون تعب.

المشكلة: حرارة اللحظة

خطوط الطاقة والمحولات هي عروق عالمنا الحديث، والحفاظ على سلامتها أمر بالغ الأهمية. إذا سخنت قطعة من المعدات بشكل مفرط، فقد تتعطل، مما يتسبب في انقطاع التيار الكهربائي أو حتى الحرائق. تقليدياً، كان على البشر التجول حول هذه الأشياء لفحصها، أو استخدام حيل حاسوبية قديمة لم تكن جيدة جداً في التعامل مع المشاهد المعقدة. في السنوات الأخيرة، بدأنا باستخدام التعلم العميق — وهي عقول حاسوبية تتعلم من خلال النظر إلى آلاف الصور — ولكن الصور تحت الحمراء صعبة. فهي مليئة بـ "الضجيج" (الحرارة العشوائية من السماء أو الأرض)، والمعدات التي نحتاج للعثور عليها غالسب ما تكون صغيرة أو مخفية جزئياً. العقول الحاسوبية القياسية غالباً ما تفقد هذه الأهداف الصغيرة أو ترتبك بسبب الخلفية، مما يؤدي إلى إنذارات كاذبة أو تفويت مخاطر حقيقية.

الحل: القوى الثلاث الخارقة لـ IR-PowerDet

لم يكتفِ الباحثون في جامعة تشونغتشينغ للاتصالات والبريد الإلكتروني بأخذ نموذج ذكاء اصطناعي موجود وتجربته فحسب، بل أخذوا نموذجاً قوياً وسريعاً يسمى YOLOv12s وأضافوا إليه ثلاث "وحدات" (فكر فيها كأدوات جديدة في حقيبة أدوات المحقق) لجعله مثالياً لفحص الطاقة بالأشعة تحت الحمراء.

1. المحقق متعدد المقاييس (MSED)
تخيل أنك تحاول رصد نملة صغيرة وفيل ضخم في نفس الصورة. قد تركز كاميرا عادية على أحدهما وتفقد الآخر. وحدة الكشف عن المعدات متعددة المقاييس (MSED) هي مثل محقق يمكنه النظر إلى الصورة بأكملها وفي نفس الوقت التركيز على التفاصيل الدقيقة. تستخدم ثلاثة "عدسات" مختلفة (فروع التلافيف) للنظر إلى الصورة: عدسة ترى الصورة الكبيرة، وعدسة تركز على التفاصيل الدقيقة، وعدسة تحافظ على الرؤية الأصلية. ومن خلال الجمع بين هذه الرؤى، يمكن للنظام رصد المحولات الكبيرة والمكونات الصغيرة والبعيدة دون الارتباك بسبب الفوضى.

2. حرباء البيئة (DEAM)
تتغير الصور تحت الحمراء كثيراً اعتماداً على الطقس، أو الوقت من اليوم، أو إذا كانت الشمس تضرب صخرة قريبة. النظام الجامد قد يرتبك عندما تصبح الخلفية أكثر سطوعاً أو ظلاماً. آلية التكيف الديناميكي مع البيئة (DEAM) هي مثل الحرباء التي تعدل عينيها لتناسب الإضاءة الحالية. تتكون من جزأين: جزء ينظر إلى أين توجد الأشياء في الصورة (الانتباه المكاني) وجزء ينظر إلى نوع الإشارات الحرارية المهمة (انتباه القنوات). إنها تتعلم تجاهل "ضجيج" حرارة الخلفية والتركيز فقط على البصمات الحرارية المحددة لمعدات الطاقة، مما يجعل خداعها أمراً صعباً للغاية.

3. مكبر الأجسام الصغيرة (SGPED)
هذه هي الأداة الأكثر أهمية للعثور على "البسكويت الصغير". عندما ينظر الحاسوب إلى صورة، فإنه غالباً ما يصغر حجمها ليسهل معالجتها، مما قد يجعل الأجسام الصغيرة تختفي. وحدة تعزيز كشف معدات الطاقة الموجهة للأجسام الصغيرة (SGPED) هي مثل عدسة مكبرة سحرية. فهي تأخذ المعلومات العميقة والمعالجة وتعيد دمجها مع الطبقات "الضحلة" عالية التفاصيل للصورة الأصلية. يساعد هذا النظام على تذكر حواف وأشكال المعدات الصغيرة أو الضبابية أو المخفية جزئياً والتي قد تختفي لولا ذلك في الخلفية.

النتائج: السرعة والذكاء

اختبر الفريق محققهم الجديد، IR-PowerDet، على مجموعة بيانات مكونة من 1,200 صورة تحت حمراء جمعوها بأنفسهم. كانت هذه الصور صعبة، حيث تميزت بإضاءة مختلفة، وخلفيات مزدحمة، ومعدات كانت صغيرة أو محجوبة.

كانت النتائج مبهرة. حقق النظام الجديد معدل دقة قدره 96.8% (مقاساً كـ mAP)، مما يعني أنه حدد المعدات بشكل صحيح في كل مرة تقريباً. كما كان سريعاً للغاية، حيث عالج 93 إطاراً في الثانية (FPS). ولوضع ذلك في الاعتبار، فقد كان أسرع بكثير من النماذج الشهيرة الأخرى مثل Faster R-CNN (الذي كان يعمل بسرعة 11 إطاراً في الثانية) أو حتى إصدارات أخرى من YOLO. كما ظل خفيف الوزن، حيث استخدم 11.9 مليون معلمة فقط (حجم "دماغ" النموذج)، وهو أصغر من العديد من النماذج الأخرى عالية الدقة.

في اختباراتهم، أظهر الباحثون أن إزالة أي من الأدوات الثلاث الخاصة (MSED أو DEAM أو SGPED) تجعل النظام أسوأ. فعلى سبيل المثال، بدون "مكبر الأجسام الصغيرة"، فات النظام المزيد من الأهداف الصغيرة. وبدون "حرباء البيئة"، ارتبك بسبب حرارة الخلفية. ولكن عندما عملت الأدوات الثلاث معاً، أصبح النظام قوة ضاربة، متفوقاً على الطرق الموجودة في كل من السرعة والدقة.

لماذا يهم هذا الأمر؟

الأمر لا يتعلق فقط بجعل برنامج حاسوبي أكثر روعة؛ بل يتعلق بالحفاظ على استمرار الإضاءة ومنع الكوارث. من خلال جعل الكشف بالأشعة تحت الحمراء أسرع وأكثر دقة، يمكن تثبيت هذه التكنولوجيا على الطائرات بدون طيار (الدرونز) أو الأجهزة الطرفية (الحواسيب الصغيرة) التي تقوم بدوريات في شبكات الطاقة في الوقت الفعلي. بدلاً من انتظار إنسان لرصد سلك ساخن، يمكن للنظام تحديد المشكلة فوراً، حتى لو كانت المعدات صغيرة، أو مخفية، أو كانت حالة الطقس سيئة. يشير الباحثون إلى أنه رغم كون هذه خطوة كبيرة للأمام، إلا أنه لا يزال هناك عمل يتعين القيام به لجعل النظام أفضل في التعامل مع المواقف الجديدة وغير المرئية، ولكن في الوقت الحالي، يقدم IR-PowerDet طريقة واعدة جداً للحفاظ على سلامة وأنظمة الطاقة لدينا.