نماذج MobileNetV2 مع تضخيم الانتباه للكشف والتصنيف القوي لحرائق الغابات

لماذا تُهمّ التنبيهات الأسرع عن الحرائق

في جميع أنحاء العالم، أصبحت الحرائق البرية أكثر حرارةً وأكبر تكلفةً في المكافحة. قد تصنع الدقائق الفارق بين حريق صغير يمكن احتواؤه وكارثة إقليمية تُلحق أضرارًا بالأنظمة البيئية وتملأ المدن بالدخان وتتسبب في خسائر بمليارات الدولارات. تبحث هذه الدراسة في كيفية تمكين نماذج ذكاء اصطناعي مدمجة من رصد أولى علامات حرائق الغابات في الصور ومقاطع الفيديو العادية بسرعة كافية للتشغيل على الطائرات بدون طيار وكاميرات المراقبة وأجهزة الاستشعار منخفضة الطاقة المنتشرة في المناطق الهشة.

مراقبة الغابات بكاميرات ذكية

تكافح أبراج المراقبة التقليدية والمشغلون البشريون الذين يفحصون البث المباشر لمواكبة المساحات الواسعة من الغابات، خاصةً ليلاً أو في ظروف ضبابية أو دخانية. يتعامل المؤلفون مع هذا التحدي بتحويل اكتشاف حرائق الغابات إلى سؤال بسيط بنعم أو لا: هل تحتوي هذه الصورة على نار أم لا؟ جمعوا مجموعة متوازنة مكونة من 5121 صورة تُظهر مشاهد حريق وغير حريق، مأخوذة من غابات ومدن ومواقع صناعية، وبآوقات نهارية وليلية وعبر دخان أو ضباب. من خلال موازنة مجموعة البيانات بعناية والتحقق من الوسوم يدويًا، يهدفون إلى تعليم أنظمة الذكاء الاصطناعي شكل اللهب الحقيقي في الميدان، وليس فقط في أمثلة مختبرية مثالية.

ذكاء نحيف مصمم للميدان

العديد من أنظمة التعرف على الصور القوية ثقيلة جدًا على أجهزة الحواسيب الصغيرة داخل الطائرات بدون طيار أو كاميرات المراقبة منخفضة التكلفة. لتجنب هذه المشكلة، تبني الدراسة على MobileNetV2، عائلة شبكات عصبية مصممة لتكون سريعة وموفرة للذاكرة. يضيف النموذج الأول، المسمى Att-MobileNetV2، آلية "انتباه" تساعد الشبكة على التركيز على ألوان وأنسجة وحواف اللهب المميزة مع تجاهل الفوضى مثل السحب المضيئة بأشعة الشمس أو أضواء المباني الساطعة. يعتمد النموذج الثاني، MobileNetV2-TL، على التعلم بالنقل: يعيد استخدام المهارات البصرية المكتسبة من ملايين الصور العامة ويتدرب فقط رأس صغير مخصص لمهمة التمييز بين حريق وغير حريق، مما يحافظ على زمن المعالجة واستهلاك الطاقة منخفضين.

التدريب لظروف العالم الحقيقي القاسية

لمحاكاة ظروف المراقبة الحقيقية الفوضوية، لا يكتفي الباحثون بجمع صور متنوعة فحسب. بل يطبقون أيضًا تعديلات محكومة على كل صورة تدريب—مثل دورانات صغيرة، وعاكسات، وتغييرات في السطوع أو التباين—لمحاكاة زوايا كاميرا وإضاءة مختلفة. ثم تُدرَّب النماذجُ وتُقيَّم تحت نفس القواعد، مستخدمةً مقاييس معيارية مثل الدقة، والدقة النوعية (precision)، والاسترجاع (recall)، وعن طريق التحقق من مدى تكرار فقدانها للحرائق أو إطلاقها إنذارات كاذبة. يحقق Att-MobileNetV2 دقة تقارب 99.6%، بينما يصل MobileNetV2-TL إلى نحو 98.4%. والأهم أن هذه النتائج تتحقق بوجود بضعة ملايين من المعاملات وكسور من مئات الملايين من العمليات لكل صورة، ما يتيح اتخاذ القرارات في نحو 10–12 ملّي ثانية على معالج رسومي واحد.

تفوق على الأنظمة الأكبر بأقل موارد

تمت مقارنة النموذجين المدمجين ضد كل من طرق التعلم الآلي الكلاسيكية والشبكات العميقة الأكثر تعقيدًا. تحت ظروف تدريب واختبار متطابقة، يقدم Att-MobileNetV2 أفضل توازن عام بين اكتشافات الحريق الصحيحة وقرارات "المنطقة آمنة" الصحيحة، بينما يحقق MobileNetV2-TL استدعاءً عالياً بشكل ملحوظ، ما يعني نادرًا ما يتغاضى عن الحرائق الفعلية—وهي خاصية مهمة لأنظمة الإنذار المبكر. يعطي تجمع يجمع بين النموذجين أداءً أفضل قليلًا، ما يوحي بأن طرق كل منهما في "رؤية" المشهد مكملة لبعضها. تُظهر الاختبارات على مجموعة بيانات عامة مستقلة أن النماذج تحافظ على أداء قوي على صور جديدة، مما يدل على قدرتها على التعميم إلى ما بعد الصور المحددة التي دُربت عليها.

ماذا يعني هذا لمستقبل سلامة الحرائق

بعبارات بسيطة، تُظهر هذه الدراسة أن نماذج ذكاء اصطناعي صغيرة وكفؤة قادرة على رصد حرائق الغابات مبكرًا وبموثوقية، حتى عند التشغيل على أجهزة متواضعة مركبة على طائرات بدون طيار أو أبراج أو كاميرات على جانب الطرق. من خلال استخدام الانتباه للتركيز على الأجزاء الصحيحة من الصورة والتعلم بالنقل لإعادة استخدام المعرفة البصرية السابقة، تحقق الأنظمة المقترحة دقة تضاهي أو تتجاوز نماذج أثقل بكثير. ومع بقاء تحديات في أبكر الضباب الكثيف، تشير المقاربة إلى شبكات من المستشعرات الذكية والميسورة التكلفة التي قد ترفع الإنذارات مبكرًا، مما يساعد فرق الإطفاء على الاستجابة أسرع وقد يمنع شرارات صغيرة من أن تتحول إلى حرائق برية كارثية.

الاستشهاد: Ul Haq, I., Husnain, G., Iqbal, A. et al. Attention-enhanced MobileNetV2 models for robust forest fire detection and classification. Sci Rep 16, 4805 (2026). https://doi.org/10.1038/s41598-026-35207-z

الكلمات المفتاحية: الكشف عن حرائق الغابات, مراقبة الحرائق البرية, التعلم العميق, ذكاء طرفي, رؤية الكمبيوتر