MmodalFire: مجموعة بيانات متعددة الوسائط مستمرة تضم فيديو وقراءات حسية فيزيائية لاكتشاف الحرائق الداخلية

لماذا تهم الإنذارات الأفضل للحريق

في المكاتب الكبيرة ومراكز البيانات أو مباني الشقق، يمكن أن تُحدث دقائق قليلة فرقًا بين حادث صغير وحريق مميت. غالبًا ما تتفاعل كاشفات الدخان أو الحرارة التقليدية المثبتة في السقف فقط بعد أن يتصاعد الدخان أو ترتفع درجة حرارة الغرفة، مما قد يستغرق وقتًا ثمينًا. وفي الوقت نفسه، تراقب كاميرات الأمان الحديثة نفس المساحات بشكل مستمر لكنها قد تُخدع بالضباب أو البخار أو الانعكاسات الساطعة. يقدم هذا المقال موردًا جديدًا مصممًا بعناية: مجموعة بيانات تجمع بين فيديو الكاميرا وقراءات أجهزة الاستشعار الفيزيائية، بحيث يمكن لأنظمة الذكاء الاصطناعي أن تتعلم اكتشاف الحرائق الداخلية بشكل أسرع وأكثر موثوقية من أي طريقة منفردة.

طريقة جديدة للنظر إلى الحرائق الداخلية

يقدم المؤلفون MmodalFire، وهي مجموعة بيانات عامة أنشئت خصيصًا لأبحاث كشف الحرائق الداخلية. بدلًا من الاعتماد على الفيديو أو أجهزة الاستشعار المستقلة فقط، يسجل MmodalFire كلاهما في الوقت نفسه. تلتقط كل تجربة فيديو عالي الدقة إلى جانب ستة أنواع من مخرجات المستشعرات، بما في ذلك كثافة الدخان ودرجة الحرارة والإشعاع في عدة نطاقات تحت الحمراء وفوق البنفسجية. تُوسَم كل مقطع قصير ببساطة على أنه «حريق» أو «غير حريق»، مما يسمح للنماذج الحاسوبية بتعلم تمييز الأحداث الخطرة عن الشبيهات غير الضارة. من خلال إتاحة مجموعة البيانات هذه مجانًا، يهدف الفريق إلى منح الباحثين منصة اختبار مشتركة وواقعية لمقارنة خوارزميات كشف الحريق.

كيف بُنيت التجارب

لبناء MmodalFire، أنشأ الباحثون غرف اختبار متطابقة في مختبرين في الصين. كانت كل غرفة بحجم مكتب صغير تقريبًا، بجدران ثابتة وكاشفات مثبتة في السقف بالإضافة إلى كاميرا في زاوية واحدة لرؤية كاملة. أجروا حرائق مُسيطرًا عليها لأربعة مواد داخلية شائعة: الخشب وحبل القطن ورغاوي البولي يوريثان (مثل حشو الأثاث)، ون‑هبتان (سائل يحترق نظيفًا يشبه بعض الوقود). وللتأكد من أن النظام يمكنه أيضًا تعلم ما «ليس» حريقًا، خلقوا حالتين للتداخل: دخان مسرحي مصنوع من ثلج جاف وبخار ماء من مرطب منزلي. أثناء كل تجربة، عملت الكاميرا وأجهزة الاستشعار باستمرار، مسجلة لقطات الفيديو والقراءات العددية مع طوابع زمنية دقيقة.

التقاط تنوع العالم الواقعي

تختلف المباني الحقيقية في الإضاءة وحركة الهواء ومدى قرب الحريق من كل كاشف، لذا نوّع الفريق هذه العوامل عمدًا. ضبطوا الرياح من هواء ساكن إلى نسيم خفيف، وتبديلوا بين إضاءة ساطعة وخافتة، وغيّروا كمية الوقود المستخدمة، وحركوا الحريق أقرب أو أبعد من المستشعرات والجدران. في بعض التجارب أنتج الحريق دخانًا أسود كثيفًا وتسخينًا سريعًا؛ وفي أخرى، مثل ن‑هبتان، كانت اللهب واضحة مع دخان قليل. بالنسبة للحالات السلبية، بدا بخار الماء وبخار الثلج الجاف مشابهين جدًا للدخان في صورة الكاميرا، لكنهما أزعجا أجهزة الاستشعار الفيزيائية بالكاد. جمعوا إجمالاً 65 تسلسل فيديو—أكثر من 700 دقيقة من اللقطات—مع بيانات مستشعرات متزامنة، ثم قَطعُوها إلى العديد من مقاطع مدتها خمس ثوانٍ متداخلة يمكن استخدام كل منها كمثال تدريب فردي.

تعليم الآلات دمج الحواس

باستخدام MmodalFire، بنى المؤلفون واختبروا عدة نماذج حاسوبية. استخدمت بعض النماذج الفيديو فقط، وأخرى قراءات المستشعرات فقط، والأكثر تقدمًا دمج الاثنين. اعتمد الفرع الفيديوي على شبكة تعلم عميق خفيفة مصممة للحركة والمظهر في المقاطع القصيرة. تعامل فرع المستشعرات مع تدفقات الأرقام الستة كشبكة صغيرة تتغير عبر الزمن واستخدم تقنيات حديثة مثل المحولات (transformers) لفهم أنماطها. ثم جمع وحدة الدمج هذين المصدرين معًا، مما سمح للنموذج «بتقرير» مدى الوزن الذي يمنحه لكل مصدر في ظل ظروف مختلفة. عند تقييمه على بيانات اختبار منفصلة، تفوق النموذج المدمج بوضوح على أي نهج أحادي المصدر، خاصة في المواقف الصعبة مثل الدخان الذي لم يصل بعد إلى كاشفات السقف أو البخار غير الضار الذي بدا كدخان في الكاميرا.

إنذارات موثوقة للمساحات المعقدة

تستنتج الدراسة أن بيانات الفيديو المتزامنة بعناية مع بيانات المستشعرات الفيزيائية يمكن أن تجعل إنذارات الحرائق الداخلية أسرع وأكثر موثوقية. بإظهار أن نموذجًا مدمجًا يمكنه الاستمرار في العمل حتى عندما تُحجب الكاميرا أو عندما تتفاعل المستشعرات ببطء، يشير هذا العمل إلى أنظمة أذكى للمرافق الحرجة مثل محطات الطاقة وغرف الخوادم والمباني ذات الكثافة العالية. يوفر MmodalFire للباحثين مجموعة بيانات مشتركة وواقعية يمكنهم من خلالها تصميم ومقارنة مثل هذه الأنظمة، فاتحًا الباب أمام إنذارات الجيل القادم التي تستخدم عدة «حواس» للتعرف على الخطر الحقيقي مع الحفاظ على الهدوء تجاه بخار الماء اليومي ودخان المسرح.

الاستشهاد: Jia, Y., Guo, Y., Chen, Y. et al. MmodalFire: A Continuous Multimodal Dataset Comprising Video and Physical Sensing Data for Detecting Indoor Fires. Sci Data 13, 489 (2026). https://doi.org/10.1038/s41597-026-06810-6

الكلمات المفتاحية: كشف الحرائق الداخلية, أجهزة استشعار متعددة الوسائط, مراقبة الفيديو, مجموعة بيانات لسلامة من الحرائق, إنذارات التعلم العميق