BGC-LiteNet: البنية العصبية الخفيفة المضمَّنة بشيفرة شبكة BeiDou للكشف الفوري عن الحرائق وتحديد مواقعها بالطائرات بدون طيار

مراقبة الغابات من السماء

يمكن أن تتحول الحرائق في الغابات من شرارة صغيرة إلى كارثة في غضون دقائق. تعد الطائرات بدون طيار المجهزة بكاميرات حسّاسة للحرارة أملاً لإكتشاف هذه الحرائق مبكراً، لكن الأنظمة الحالية تواجه مفاضلة صعبة: البرامج السريعة والخفيفة تفوّت عادةً اللهب الصغير المبكر، بينما البرامج الأثقل والأدق تستغرق وقتاً طويلاً لتستجيب بحيث لا تكون نافعة في حالات الطوارئ. يقدم هذا البحث نهجاً جديداً يسمى BGC-LiteNet يهدف إلى تحقيق كلا الهدفين معاً—كشف الحرائق الصغيرة بسرعة وتحديد مواقعها على الخريطة في زمن شبه فوري، حتى على حواسب مضمنة متواضعة القدرات.

لماذا كشف الحرائق المبكرة صعب للغاية

تظهر الحرائق في مراحلها المبكرة في صور الطائرات بدون طيار ببضع بكسلات متوهجة فقط، وغالباً ما تختبئ خلف الدخان أو الإضاءة الخافتة أو التضاريس المزدحمة. الطرق التقليدية التي تعتمد على عتبات بسيطة أو ميزات صور مصمَّمة يدوياً سريعة لكنها مخدوعة بسهولة بمصادر حرارة أخرى وتغير الظروف. أما أنظمة التعلّم العميق الأحدث فالأقدر على تمييز الحرائق، لكنها عادةً ما تعطي مواقع في الصورة فقط، وليس إحداثيات فعلية على الخريطة. وتحويل تلك المواقع إلى مواقع العالم الحقيقي يتطلب خطوات إضافية تتعلق بهندسة الكاميرا، تحديد المواقع بالأقمار الصناعية، وخدمات الخرائط على الإنترنت. كل خطوة إضافية تستهلك وقتاً—مئات الملّي ثانية أو أكثر—وتعتمد على اتصالات موثوقة غالباً غير متوفرة في الجبال النائية.

إدخال الخريطة داخل الشبكة العصبية

بدلاً من اعتبار عملية وضع العلامات الجغرافية أمراً لاحقاً، يدمج BGC-LiteNet الجغرافيا مباشرة في عملية الكشف. يستخدم معيار BeiDou Grid Code (BGC) الصيني الوطني الذي يقسم الأرض إلى شبكة منتظمة من الخلايا بعرض يقارب 100 متر. لكل بكسل في صورة الأشعة تحت الحمراء للطائرة بدون طيار، يحسب النظام أي خلية من الشبكة على الأرض يقابلها ويبني خريطة شبكة مطابقة. ثم تُحوَّل تلك الخريطة الشبكية إلى مجموعة من الرموز الرقمية القابلة للتعلم التي تدخل الشبكة العصبية جنباً إلى جنب مع الصورة نفسها. وبالفعل، يأتي كل بكسل مصحوباً بكل من دليل بصري ومرشد جغرافي، مما يمكّن النموذج من تعلُّم أماكن احتمال ظهور الحرائق وإخراج معرفات شبكة معيارية مباشرة، من دون الاعتماد على خدمات خرائط خارجية.

تصميم دماغ يفكر بسرعة

إدماج الجغرافيا هو نصف القصة؛ والباقي هو جعله يعمل بسرعة على حاسب مضمن صغير. يستخدم المؤلفون تقنية تُدعى البحث في بنى الشبكات العصبية (neural architecture search)، التي تختبر تلقائياً العديد من تصميمات الشبكة الممكنة لإيجاد تلك التي توازن بين الدقّة والسرعة. يقيسون كم يستغرق تشغيل الوحدات الأساسية—مثل الالتواءات المدمجة ووحدات الانتباه—على جهاز مضمن، ثم يوجّهون عملية البحث بحيث تُثبط التركيبات البطيئة. تصميم BGC-LiteNet النهائي يستخدم أقل من مليون معامل، يعتمد بكثافة على الالتواءات الفعّالة، ويقلم المسارات غير الضرورية، ما يؤدي إلى زمن معالجة متوسط يقارب 38 ملّي ثانية لكل صورة بدقة قياسية على وحدة NVIDIA Jetson Xavier NX المحمولة على طائرة بدون طيار.

اختبار النظام

لمعرفة ما إذا كان هذا النهج يعمل في العالم الحقيقي، أنشأت الفريق مجموعة بيانات تضم ما يقرب من 13,000 صورة طائرة بدون طيار جُمِعَت فوق جبال وسهول وحواف غابات وتضاريس مختلطة عبر عدة محافظات صينية. كل صورة مُزَوَّدة ببيانات موضع دقيقة للطائرة وتعليقات عن الحرائق مرتبطة بخلايا شبكة BeiDou. عبر هذه المجموعة المتنوعة من المشاهد النهارية والليلية والمليئة بالدخان والواضحة، يكتشف BGC-LiteNet الحرائق بدقّة متوسط مرجحة تقارب 89 بالمئة ويحقق أكثر من 92 بالمئة في تحديد مواقعها ضمن 50 متراً. يتفوّق على كل من الطرق التقليدية والنماذج العميقة المدمجة الشائعة، لا سيما عندما تكون الحرائق صغيرة أو الإضاءة ضعيفة أو الدخان كثيفاً. كما أن النظام يتوسع جيداً عبر أحجام صور مختلفة ويظل سريع الاستجابة حتى عند دقات أعلى.

من طائرة واحدة إلى شبكات مكافحة الحرائق

المواقع المعيارية الدقيقة حاسمة عندما يجب على طائرات متعددة وفرق أرضية العمل معاً. لأن BGC-LiteNet يخرج المواقع مباشرة بنظام الشبكة الوطني، فإن الطائرات المختلفة "تتحدث نفس اللغة" تلقائياً، مما يقلل الخلافات في المواقع المبلّغ عنها. تُظهر اختبارات بدوريات محاكاة متعددة الطائرات أن تقديرات موقعه لنفس الحريق متجمعة بشكل وثيق، أكثر بكثير من الطرق التي تعتمد على خطوات خرائط منفصلة لكل منصة. كما يبيّن الباحثون أن النظام يظل قادراً على العمل تحت ظروف إضاءة صعبة ودخان ومطر وضباب، ويمكن تحويله بسرعة إلى إحداثيات نمط GPS للأدوات الخرائطية الحالية.

ما الذي يعنيه هذا لمكافحة الحرائق

يوضح BGC-LiteNet أنه من الممكن بناء نظام كشف حرائق قائم على الطائرات بدون طيار يكون سريعاً ودقيقاً في آنٍ واحد بمعاملة وضع العلامات الجغرافية كجزء من الذكاء بدلاً من إضافات لاحقة. من خلال تضمين مرجع شبكة وطني داخل الشبكة العصبية وتصميم النموذج تلقائياً لأجهزة منخفضة الطاقة، يحقق المؤلفون تنبيهات حرائق سريعة ودقيقة يمكن أن توجه المستجيبين إلى مدى عشرات الأمتار من بؤرة الحريق الجديدة. وبعيداً عن حرائق الغابات، قد تساعد نفس الفكرة—تعليم الشبكات العصبية أن تفهم أين بقدر ما تفهم ماذا—في مهام أخرى مثل المسوح البيولوجية، تقييم الكوارث، والزراعة الدقيقة.

الاستشهاد: Yin, H., Yu, Y., Hong, A. et al. BGC-LiteNet: BeiDou grid code embedded lightweight neural architecture for real-time UAV fire detection and localization. Sci Rep 16, 14456 (2026). https://doi.org/10.1038/s41598-026-44728-6

الكلمات المفتاحية: كشف حرائق الطائرات بدون طيار, التعلّم العميق الجيواسبيشيال, الذكاء الاصطناعي على الحافة, شيفرة شبكة BeiDou, تحديد المواقع في الزمن الحقيقي