بحث حول خوارزمية كشف الأهداف في صور حرائق الغابات بناءً على استخراج الميزات متعددة المقاييس

لماذا يُهم اكتشاف الحرائق مبكراً

غالبًا ما تبدأ حرائق الغابات بلهب صغير أو خيوط دخان بالكاد تُرى بين الأشجار أو مع السحب أو في سماء الليل. ومع ذلك، فإن التقاط هذه المؤشرات الصغيرة مبكرًا قد يصنع الفارق بين حريق يُسيطر عليه بسرعة وكارثة تدمر النظم البيئية وتهدّد المدن. تقدم هذه الدراسة طريقة رؤية حاسوبية جديدة تساعد الكاميرات على الطائرات بدون طيار والأجهزة الأخرى في رصد علامات النيران الصغيرة والصعبة الرصد في الزمن الحقيقي، حتى في بيئات غابية مزدحمة ومتغيرة.

من دوريات الغابات إلى المراقبة الذكية

كان الاعتماد التقليدي في مراقبة حرائق الغابات على أبراج المراقبة والدوريات أو حساسات بسيطة تعمل ببطء وقد تفشل بسهولة في اكتشاف حرائق بعيدة. في السنوات الأخيرة، غيّر التعلم العميق—وهو نوع من الذكاء الاصطناعي يتعلّم الأنماط من كميات هائلة من البيانات—طريقة تحليل الصور. بالنسبة للغابات، يعني هذا تدريب خوارزميات على التعرف إلى أشكال وألوان النيران والدخان الدالّة عليها. ومع ذلك، فالغابات الحقيقية أماكن فوضوية: قد يندمج الدخان مع السحب أو الضباب، واللهب قد يظهر كنقاط صغيرة في مشهد واسع، وتتنوع أحجام الأشياء في المشهد بشكل كبير. غالبًا ما تكافح الأنظمة الحالية مع تلك الحرائق المبكرة الصغيرة التي تعتبر الأهم للاكتشاف.

رؤية الكبيرة والصغيرة في آن واحد

يعتمد الباحثون على إطار كشف في الزمن الحقيقي معروف باسم YOLO، الذي يفحص الصور ويرسم إطارات حول الأشياء ذات الاهتمام. الإصدار المطوّر لديهم، القائم على YOLOv9c، مصمم خصيصًا للتعامل مع نطاق أحجام الحرائق الموجود في صور الغابات الجوية والأرضية. أولاً، أعادوا تصميم "العمود الفقري" للنموذج—وهو الجزء الذي يستخرج الميزات البصرية—باستخدام وحدة جديدة تسمى EGI. تقسم هذه الوحدة الصورة الواردة إلى عدة مسارات معالجة تنظر في التفاصيل الدقيقة والأشكال الأوسع بالتوازي، ثم تعيد دمجها مع إبراز تلقائي لأكثر الأنماط إفادة وتخفيف العناصر الخلفية المربكة مثل الأشجار أو السحب. الهدف هو الحفاظ على خفة النموذج بما يكفي للأجهزة على الطائرات أو المحطات النائية مع تحسين قدرته على ملاحظة المؤشرات الدقيقة للنار.

تكبير اللهب الصغير والدخان الخفيف

لمزيد من التحسين في الاكتشاف المبكر، أضاف الفريق طبقة إخراج إضافية خاصة تُعرف باسم رأس P2 تُركّز على الأهداف الصغيرة جدًا. تعمل هذه الطبقة مع مكوّن ذكي لإعادة العينات يُسمى CARAFE، الذي يعيد بناء خرائط ميزات بدقة أعلى بحيث يحتفظ النموذج بالحواف والأنسجة الدقيقة التي قد تُفقد إذا سُوِّيت. معًا، تساعد هذه الإضافات النظام على إبراز اللهب الصغير وخطوط الدخان الرقيقة التي تظهر بعيدة في مجال رؤية الكاميرا. كما حسّن الباحثون كيفية تعلم النموذج لرسم الإطارات حول الحرائق باعتماد طريقة أكثر دقة لمقارنة الإطارات المتوقعة مع الحقيقية، موجهين عملية التدريب نحو مخططات أكثر تحديدًا وأخطاء موقع أقل.

اختبار النظام في الميدان

قُيّم النهج الجديد على مجموعة بيانات عامة كبيرة لصور حرائق الغابات تغطي أحوال جوية مختلفة، وأوقات اليوم المتعددة، وأنواع غابات متنوعة، وتضاريس وزوايا كاميرا متنوعة، بما في ذلك لقطات من الطائرات بدون طيار. لم يقتصر الأمر على أن النموذج المحسن كشف الحرائق والدخان بدقة أكبر من نظام YOLOv9c الأساسي فحسب، بل تفوق أيضًا على عدة نماذج معروفة أخرى في كشف الأجسام. زاد من دقة الكشف بعدة نقاط مئوية بينما خفّض عدد المعامل الداخلية بنحو الثُلث تقريبًا، مع الحفاظ على سرعات معالجة في الزمن الحقيقي أعلى من 25 إطارًا في الثانية على عتاد رسومي مُصنّف كحافة. ومن المهم أنه أظهر أداءً قوياً في مواقف صعبة مثل مشاهد الليل، والكثافة النباتية الثقيلة، والخلفيات التي يشبه فيها الدخان السحب.

ماذا يعني هذا لغابات أكثر أمانًا

بالنسبة لغير المتخصصين، الخلاصة واضحة: تعمل هذه الدراسة على توفير "عينين" أذكى لحماية الغابات. من خلال الجمع بين رؤية متعددة المقاييس، والانتباه إلى التفاصيل المهمة، وضبط دقيق لكيفية تعلم النموذج من الأمثلة، يمكن للنظام اكتشاف الحرائق الصغيرة والدخان الطفيف مبكرًا وبشكل أكثر موثوقية، مع إنقاص الإنذارات الكاذبة. وبما أنه يعمل بكفاءة على عتاد خفيف، يمكن دمجه في طائرات بدون طيار ومحطات نائية تراقب مساحات واسعة من الغابات بصورة مستمرة. عمليًا، يعني هذا تحذيرات أسرع، مزيدًا من الوقت لفرق الإطفاء للاستجابة، وفرصًا أفضل لمنع الشرر الصغير من التحول إلى حرائق هائلة.

الاستشهاد: Wu, W., Zhou, X., Qin, J. et al. Research on target detection algorithm for forest fire images based on multi-scale feature extraction. Sci Rep 16, 12759 (2026). https://doi.org/10.1038/s41598-026-41994-2

الكلمات المفتاحية: كشف حرائق الغابات, التعلم العميق, كشف الأجسام, مراقبة بالطائرات بدون طيار, الإنذار المبكر