Spatiotemporal Prior-Enhanced Fire Perception Network for Edge Alarms in Industrial LANs

في الشبكات الواسعة والنابضة بالحركة في الصناعات الحديثة، من المصانع المترامية الأطراف إلى مواقع البناء في المرتفعات الشاهقة، تعتمد السلامة على عين ساهرة ومراقبة باستمرار. لعقود من الزمن، وقع هذا الواجب على عاتق المشغلين البشر الذين يحدقون في مجموعات من الشاشات، وهي مهمة عرضة للتعب والخطأ. واليوم، يتولى هذا الدور بشكل متزايد أنظمة الذكاء الاصطناعي التي تمسح خلاصات الفيديو بحثًا عن أول بادرة للخطر، مثل توهج مفاجئ للنار. غالبًا ما يتم تثبيت هذه الأنظمة عند حافة الشبكة، بجوار الكاميرات مباشرة، لاتخاذ قرارات في أجزاء من الثانية دون انتظار خادم بعيد. ومع ذلك، يواجه هذا الإعداد مشكلة مستعصية: فالبيئات الصناعية مليئة بالأضواء المبهرة، والأسطح المعدنية اللامعة، وكشافات البحث التي يمكن أن تخدع الكاميرا لتجعلها ترى نارًا حيث لا يوجد شيء. عندما يخطئ الكمبيوتر في اعتبار انعكاس ضوءٍ ما لهبًا، فإنه يطلق إنذارًا ويرسل ملف صورة كبير عبر الشبكة لإثبات الخطر. وفي منشأة تضم مئات الكاميرات، يمكن لهذه الإنذارات الكاذبة أن تسد خطوط الاتصال، مما يؤخر التحذيرات الحقيقية ويهدر عرض النطاق الترددي الثمين. لذا، فإن التحدي لا يكمن فقط في رؤية النار، بل في تجاهل خدع الضوء، كل ذلك مع إرسال أقل قدر ممكن من البيانات.

لقد عالج فريق من الباحثين هذه المعضلة من خلال تعليم نظام رؤية قياسي التمييز بين الوهج الساكن واللهب الحي. فقد طوروا شبكة جديدة، وهي نوع من بنية البرمجيات المصممة للعمل على أجهزة كمبيوتر صغيرة وقوية متصلة بالكاميرات. ويكمن جوهر ابتكارهم في منح النظام طريقتين محددتين للتفكير: واحدة للنظر في شكل ما تراه، وأخرى لمراقبة كيفية تحرك ذلك الشكل على مدار بضع ثوانٍ. في العالم الحقيقي، تومض النار وتتذبذب وتتوسع؛ أما الانعكاس على أرضية معدنية أو شعاع من كشاف بحث فيظل ثابتًا بشكل عنيد أو يتحرك بطريقة صلبة يمكن التنبؤ بها. ومن خلال تدريب النظام على التعرف على هذه الحركات الدقيقة قصيرة المدى، تمكن الباحثون من تمكين النظام من تصفية الضجيج الذي يتسبب عادةً في الإنذارات الكاذبة.

اختبر الباحثون نظامهم الجديد، الذي يسمونه PGENet، في بيئة صناعية محاكية مليئة بالإضاءة المكثفة والأسطح العاكسة. وقارنوه بعدة نماذج موجودة، بما في ذلك بعض النماذج المستخدمة على نطاق واسع للكشف عن الحرائق وغيرها من النماذج الأكثر تعقيدًا وقوة. كانت النتائج مذهلة. ففي السيناريوهات المصممة لإرباك البرنامج بالأضواء الساطعة والمخادعة، كانت النماذج القياسية تطلق الإنذار بشكل متكرر، معتبرة الانعكاسات لهبًا. ومع ذلك، ظل النظام الجديد هادئًا؛ فقد حدد الحرائق الحقيقية بشكل صحيح مع تجاهل التداخل المبهر. وفي اختبار محدد يتضمن مجموعة فرعية من التداخل عالي التعرض، خفض النظام الجديد معدل الإنذارات الكاذبة من أكثر من ستة وثلاثين بالمائة إلى اثنين بالمائة فقط. وهذا يعني أنه مقابل كل مائة حدث ضوئي مربك، كانت الأنظمة القديمة ستطلق إنذارًا كاذبًا ستة وثلاثين مرة، بينما كان النظام الجديد سيفعل ذلك مرتين فقط.

وبعيدًا عن مجرد تجنب الأخطاء، تعلم النظام أيضًا أن يكون أكثر كفاءة في البيانات التي يرسلها. فعند اكتشاف حريق، لا يكتفي النظام بإرسال صورة للمنطقة بأكملها حيث قد يكون الحريق موجودًا، بل يستخدم قناعًا رقميًا لإلغاء بكسلات الخلفية التي ليست جزءًا من النار، محتفظًا فقط بالأدلة الأساسية للهب نفسه. وتتم هذه العملية قبل ضغط الصورة وإرسالها عبر الشبكة. وفي قياساتهم، قللت هذه التقنية من حجم حزمة البيانات المرسلة لإنذار واحد من مائة واثنين وخمسين كيلوبايت إلى مائة وثلاثة عشر كيلوببايت. ورغم أن هذا الانخفاض قد يبدو صغيرًا لصورة واحدة، إلا أن الباحثين حسبوا أنه عند دمجه مع الانخفاض الهائل في الإنذارات الكاذبة، فإن إجمالي البيانات غير الضرورية المرسلة عبر الشبكة في ساعة مزدحمة سينخفض بنسبة تقارب ستة وتسعين بالمائة. وهذا يفرغ خطوط الاتصال للمهام الحرجة الأخرى ويضمن وصول الإنذار الحقيقي بسرعة ووضوح.

يعتمد نجاح هذا النهج على خيار تصميمي محدد: وهو أن النظام ينظر إلى تسلسل قصير من إطارات الفيديو، وليس مجرد لقطة واحدة. فمن خلال تحليل أربعة إطارات متتالية، يمكن للبرنامج اكتشاف الوميض السريع والتمدد غير المنتظم الذي يميز النار الحقيقية، ويتجاهل السطوع الساكن وغير المتغير للانعكاس. وقد وجد الباحثون أن النظر إلى عدد قليل جدًا من الإطارات لم يكن كافيًا لالتقاط الحركة، بينما النظر إلى عدد كبير جدًا يبطئ النظام ويتطلب ذاكرة أكبر. لقد حققت الإطارات الأربعة التوازن المثالي، مما سمح للنظام بالعمل بسرعة ستة وثلاثين إطارًا في الثانية على جهاز الحافة، وهي سرعة كافية لمواكبة الفيديو في الوقت الفعلي. وهذه السرعة أمر بالغ الأهمية، لأنها تعني أن النظام يمكنه معالجة الفيديو أثناء حد حدوثه دون الحاجة إلى تخزين كميات كبيرة من البيانات أو انتظار جهاز كمبيوتر مركزي قوي.

كما تسلط الدراسة الضوء على ما لا يستطيع النظام القيام به، مما يوفر صورة واضحة لحدوده. فقد لاحظ الباحثون أن النظام يعتمد على الضوء المرئي وحركة اللهب، ولا يمكنه اكتشاف حريق مخفي خلف عائق أو حريق صغير جدًا بحيث لا يخلق وميضًا مرئيًا في الفيديو. علاوة على ذلك، تم تصميم النظام للعمل في بيئات تتوفر فيها رؤية واضحة للحريق المحتمل؛ فهو ليس بديلًا لأجهزة الاستشعار الحرارية التي يمكنها رؤية الحرارة عبر الدخان أو الظلام. كما أشار الباحثون إلى أن النظام يتطلب لحظة وجيزة لملء ذاكرة التخزين المؤقت الخاصة به بإطارات الفيديو الأولية قبل أن يبدأ في اتخاذ أحكام دقيقة. وهذا يخلق تأخيرًا ضئيلًا، يقل عن عُشر من الثانية، وهو أمر لا يُذكر بالنسبة لمعظم تطبيقات السلامة الصناعية، ولكنه عامل يجب مراعاته في السيناريوهات التي تتطلب استجابة فورية.

وفي النهاية، يوضح هذا العمل أن تحسين السلامة في الشبكات الصناعية لا يقتصر فقط على بناء كاميرات أذكى، بل يتعلق ببناء طرق أذكى لمعالجة ما تراه تلك الكاميرات. فمن خلال تعليم البرمجيات التمييز بين خدعة الضوء الساكنة والسلوك الديناميكي للنار، أنشأ الباحثون نظامًا أكثر دقة وكفاءة في آن واحد. وهذا التحسين المزدوج يعني أن المنشآت الصناعية يمكنها الاعتماد على إنذاراتها الآلية بثقة أكبر، مع العلم أن الشبكة لن تُسد بالإشارات الكاذبة وأن الأخطار الحقيقية سيتم إبلاغها بوضوح وسرعة. وتشير النتائج إلى أن مستقبل ذكاء الحافة لا يكمن في جعل الأنظمة أكثر تعقيدًا، بل في منحها النوع الصحيح من السياق لفهم العالم الفوضوي الذي تراقبه.