AE-LFOG-YOLO: זיהוי קסדות עבודה עמיד דרך עוגנים אדפטיביים ולמידה חסינת תאורה

מדוע בדיקות חכמות של קסדות חשובות

בפרויקטי בנייה גדולים ובמנהרות תת‑קרקעיות, קסדת בטיחות פשוטה יכולה להכריע בין פציעה קרובה לשינוי חיים. ועדיין, בערפל של אתר עבודה אמיתי אנשים שוכחים או בוחרים לא לענוד קסדה, ומפקחים אנושיים אינם יכולים לעקוב אחר כל פינה בכל רגע. מחקר זה בוחן כיצד לבנות מערכת מצלמות אוטומטית שעוזרת לזהות בצורה אמינה מי עונד קסדה ומי לא — גם כשהמנהרה חשוכה, מוצפת בהילה ממנורות, או צפופה בעובדים במרחקים משתנים מהמצלמה.

אתגרי הראייה בתאורת מנהרה קשה

אתרי בנייה במנהרות הם מקומות קיצוניים מבחינה חזותית. פנסי‑זרקורים חזקים יוצרים הילות, בעוד כיסי צל עמוקים מסתירים פרטים. אנשים מתקדמים לכיוון המצלמה ומתרחקים ממנה, ולכן הקסדות מופיעות בגדלים שונים מאוד. גלאי בינה מלאכותית סטנדרטיים נכשלים לעתים קרובות בתנאים כאלה: הם מפספסים קסדות באזורים חשוכים, מבלבלים חפצים מעוגלים אחרים עם קסדות, או מתקשים עם עובדים קטנים או מרוחקים מאוד. מערכות רבות מנסות לתקן זאת בהבהרת או בניקוי התמונה לפני הזיהוי, או באמצעות כוונון רכיבים בודדים של דגמי YOLO הפופולריים. אך מאחר שפעולות אלה לרוב הן תיקוני חיבור חיצוניים ולא חלק מתהליך למידה אחיד, יעילותן מוגבלת והן פחות חסינות כאשר התאורה או פריסת הסצנה משתנות.

דרך חדשה ללמד מצלמות להתעלם מתאורה מזיקה

המחברים מציעים מערכת משופרת בשם AE‑LFOG‑YOLO, המבוססת על גלאי YOLOv8 הנפוץ. הרעיון המרכזי הראשון הוא מודול חסין תאורה, יחידה קטנה המתווספת בתוך הרשת שלומדת להפריד בין "מה שהאור עושה" לבין "איך האובייקטים נראים בפועל". היא מפצלת מפות תכונות נכנסות לחלק המשקף בעיקר דפוסי תאורה ולחלק שתופס צורות וטקסטורות יציבות יותר, כמו הקצה המעוקל של קסדה. באמצעות פעולות סינון מיוחדות וענף המתמקד בקצוות ופינות, המודול מדכא שינויים בהירותיים ומדגיש גיאומטריה יציבה. מאחר שזה קורה בתוך הגלאי במקום בשלב עיבוד מקדים נפרד, המערכת כולה ניתנת לאימון מקצה‑אל‑קצה כדי להישאר ממוקדת בקסדות עצמן במקום להטעות על ידי דפוסי הילה או חושך.

לאפשר למודל לפתח את "הרגלי הצפייה" שלו

הרעיון המשני מתמקד באופן שבו הגלאי מנחש היכן עשויים להופיע האובייקטים. גלאים רבים מתחילים ממערכת קבועה של "תיבות עוגן" שמציעות גדלים וצורות סבירים לאובייקטים; אלו נבחרות בדרך כלל פעם מהנתונים ולא מעודכנות. במנהרות, עם זאת, הגודל הנראה של קסדה יכול להשתנות באופן דרמטי עם מרחק המצלמה וזווית הצפייה. AE‑LFOG‑YOLO מחליף עוגנים סטטיים בתהליך דינמי בשם Adaptive Evolutionary – Light Field Optimized Generation. בסיום כל סיבוב אימון, המערכת מגרה בעדינות את תיבות העוגן, מדרגת עד כמה הן מתאימות לקסדות אמיתיות בכל הגדלים, ובודקת גם האם הממדים שלהן הגיוניים בהתחשב באופטיקה בסיסית של המצלמה — כמה גדולה קסדה אמורה להיראות על החיישן במרחקים עבודה טיפוסיים. מערכי עוגנים שמשיגים ניקוד טוב שורדים לסיבוב הבא. עם הזמן, הגלאי "מתפתח" לעוגנים שמתאימים גם לנתונים וגם לאופן שבו מצלמות בעצם מדמות את העולם.

התאמת האימון לאיכות תמונה בעולם האמיתי

מעבר לשינוי מה המודל מחפש, המחברים גם משנים כיצד הוא לומד. הם מציגים אסטרטגיית אימון שנותנת דגש מוגבר למיקום מדויק של הקסדות כאשר איכות התמונה נמוכה, ודגש גדול יותר על סיווג נכון בין קסדה ללא־קסדה כאשר התנאים טובים. ניקוד מבוסס פיזיקה, שמופק שוב מעקרונות הדמיית מצלמה, מודיע למערכת כמה התמונה מהימנה בכל שלב. אם התאורה או המיקוד לקויים, תהליך האימון מעלה באופן אוטומטי את חשיבות קבלת תיבות ההיקף הנכונות; אם התנאים משתפרים, הוא מזיז את המשקל לכיוון הסיווג. זה יוצר לולאת משוב שבה המודל מתאים כל הזמן את סדרי העדיפויות שלו כדי להתאים לסביבה הפיזית שאליה ייתקל במנהרות אמיתיות.

מה המבחנים מראים בפועל

החוקרים בודקים את הגישה שלהם על מאגר נתונים אמיתי של קסדות במנהרות ומשווים אותה למספר שיטות מתקדמות מבוססות YOLO. AE‑LFOG‑YOLO מזהה קסדות בדיוק גבוה מאוד, ומזהה נכון כ־95 אחוזים מהקסדות בסף חפיפה סטנדרטי ובעל ביצועים טובים יותר מהבסיסי YOLOv8 הן בדיוק (precision) והן בזכירה (recall). הוא רץ במהירות מספיקה לשימוש בזמן אמת ומוכיח חוזק מיוחד כאשר התאורה מעורבת בצורה קיצונית לדימוי חשיכה חזקה או חשיפת יתר. בתנאים קשים אלה, המודל החדש שומר על ביטחון גבוה יותר, מזהה יותר עובדים קטנים ומרוחקים, ופועל על טווח בהירות שגדול ביותר על שלישי מזה של הבסיס — כלומר נשאר אמין בקשת רחבה יותר של סצנות בעולם האמיתי.

כיצד זה תורם לבטיחות העובדים

ללא מומחיות מיוחדת, המסקנה ברורה: על‑ידי לימוד מערכת בינה מלאכותית להבין לא רק פיקסלים אלא גם את הפיזיקה של איך מצלמות רואות בתנאים קשים, עבודה זו מספקת משגיח חכם ומהימן יותר על קירות המנהרה. AE‑LFOG‑YOLO יודע להתעלם טוב יותר מתאורה מטעה ולהסתגל לזוויות צפייה משתנות, מה שמפחית הפסדים בגילוי והתרעות שווא. פרוס למשך חודשים בקו רכבת פועל, כבר הוכח שהוא יכול לתמוך בצוותי בטיחות לוודא שעובדים שומרים על קסדותיהם, ומהווה צעד מעשי לקראת אתרי בנייה בטוחים ומנוטרים יותר.

ציטוט: Liu, S., Wang, J. AE-LFOG-YOLO: robust safety helmet detection via adaptive anchors and illumination invariant learning. Sci Rep 16, 6402 (2026). https://doi.org/10.1038/s41598-026-37326-z

מילות מפתח: זיהוי קסדות בטיחות, בנייה במנהרות, ראייה ממוחשבת, צילום בתנאי תאורה חלשים, YOLOv8