דגמי MobileNetV2 מוגברים בתשומת לב לזיהוי וסיווג אש ביערות עמיד

מדוע התרעות אש מהירות חשובות

בכל העולם, שריפות בר נהפכות לחזקות יותר, גדולות יותר ויקרות יותר ללחימה. דקות יכולות לקבוע את ההבדל בין להבה קטנה שניתנת להכלה לבין אסון אזורי שפוגע במערכות אקולוגיות, ממלא ערים בעשן וגורם להפסדים של מיליארדי דולרים. המחקר הזה בוחן כיצד דגמי בינה מלאכותית קומפקטיים יכולים לזהות את הסימנים הראשונים של שריפות יער בתמונות ווידאו רגילות, במהירות מספיקה כדי לפעול על מזל"טים, מצלמות אבטחה וחיישנים חסכוניים הפזורים בנופים פגיעים.

צפייה ביערות עם מצלמות חכמות

מגדלי שמירה על האש המסורתיים ומתמרנים אנושיים הסורקים שידורי וידאו חיים מתקשים לעקוב אחר אזורי יער נרחבים, במיוחד בלילה או בתנאי עשן וערפל. המחברים מתמודדים עם הבעיה על ידי הפיכת זיהוי שריפה בשאלה פשוטה של כן או לא: האם בתמונה זו יש אש או לא? הם מרכיבים אוסף מאוזן של 5,121 תמונות המראות סצנות עם אש וללא אש, שנלקחו מיערות, ערים ואתרים תעשייתיים, וליד יום, בלילה ובתנאי עשן או ערפול. על ידי איזון קפדני של מערך הנתונים ובדיקה ידנית של התוויות, הם שואפים ללמד מערכות בינה מלאכותית איך נראות להבות אמיתיות בשטח, ולא רק בדוגמאות מעבדתיות אידיאליות.

בינה רזה המיועדת לשטח

רבות ממערכות זיהוי התמונה החזקות מדי כבדות כדי לרוץ על המחשבים הקטנים בתוך מזל"טים או מצלמות מעקב זולות. כדי להימנע מהבעיה הזו, המחקר מתבסס על MobileNetV2, משפחה של רשתות נוירוניות שתוכננו להיות מהירות וכלכליות בזיכרון. הדגם הראשון, הקרוי Att-MobileNetV2, מוסיף מנגנון "תשומת לב" שעוזר לרשת להתרכז בצבעים, מרקמים וגבולות המאפיינים להבה תוך התעלמות ממטרדים כמו עננים מוארים או אורות בוהקים של מבנים. הדגם השני, MobileNetV2-TL, נשען על לימוד העברה: הוא משתמש בכישורים הוויזואליים שנרכשו ממיליוני תמונות כלליות ומאמן רק ראש משימה קטן-ממדים לזיהוי אש מול לא-אש, תוך שמירה על זמן עיבוד וצריכת אנרגיה נמוכים.

אימון לתנאי אמת קשים

כדי לדמות את התנאים המעורבים של ניטור אש אמיתי, החוקרים לא מסתפקים באיסוף תמונות מגוונות בלבד. הם גם מיישמים שינויים מבוקרים על כל תמונת אימון — כגון סיבובים קלים, היפוכים ושינויים בבהירות או בניגודיות — כדי לדמות זויות מצלמה ותאורה שונות. שני הדגמים מאומנים ומוערכים תחת אותם כללים, תוך שימוש במדדים סטנדרטיים כמו דיוק, דיוק חיובי (precision) ורגישות (recall), ובדיקת מספר הפעמים שהם מפספסים שריפות או משמיעים אזעקות שווא. Att-MobileNetV2 מגיע לדיוק של כ-99.6%, בעוד MobileNetV2-TL מגיע לכ-98.4%. באופן קריטי, תוצאות אלה מושגות עם רק כמה מיליוני פרמטרים ושבר של מיליארד פעולות לתמונה, מה שמאפשר קבלת החלטות בתוך 10–12 מילישניות על מעבד גרפיקות יחיד.

מתקדמים על מערכות כבדות יותר עם פחות משאבים

שני הדגמים הקומפקטיים מושווים לשיטות קלאסיות של למידת מכונה ולרשתות עמוקות מורכבות יותר. תחת תנאי אימון ובדיקה זהים, Att-MobileNetV2 מספק את האיזון הטוב ביותר בין זיהויי שריפה נכונים לבין החלטות "בטוח" נכונות, בעוד MobileNetV2-TL משיג רגישות גבוהה במיוחד, כלומר הוא נדיר שיתעלם משריפות אמיתיות — תכונה חשובה למערכות אזעקה מוקדמת. אנסמבל שמשלב את שני הדגמים אפילו משפר במעט את התוצאות, מה שמרמז שהאופנים שבהם הם "רואים" סצנה הם משלימים. בדיקות על מערך נתונים ציבורי בלתי תלוי מראות שהדגמים שומרים על ביצועים חזקים על תמונות חדשות, דבר המעיד על יכולת הכללה מעבר לתמונות הספציפיות שעליהן אומנו.

מה משמעות הדבר לעתיד בטיחות האש

במילים פשוטות, עבודה זו מראה שדגמי בינה מלאכותית קטנים ויעילים יכולים לזהות שריפות יער מוקדם ובאמינות, אפילו כשהם רצים על חומרה צנועה המותקנת על מזל"טים, מגדלים או מצלמות צד הדרך. באמצעות תשומת לב שמתמקדת בחלקים הנכונים של התמונה ולימוד העברה המנצל ידע ויזואלי קודם, המערכות המוצעות משיגות דיוק המשווה או עולה על דגמים כבדים בהרבה. למרות שעדיין קיימים אתגרים בעומק הערפל הכבד, הגישה מצביעה על רשתות של חיישנים חכמים וזולים שעשויות להשמיע אזעקות מוקדם יותר, לעזור ללוחמי אש להגיב מהר יותר ובכך למנוע ניצוצות קטנים מלהפוך לשריפות קטסטרופליות.

ציטוט: 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

מילות מפתח: זיהוי אש ביער, ניטור שריפות יער, למידה עמוקה, Edge AI, ראייה ממוחשבת