שיטה חכמה לזיהוי מוקדם של עשן/אש באמצעות חיישני ראייה בערים חכמות

מדוע מעקב אחרי עשן חשוב בערים חכמות

בעיירות מודרניות צפופות, ענן עשן קטן עלול במהירות להתפתח ללהבה קטלנית שמסכנת אנשים, מבנים ושירותים חיוניים. אזעקות אש מסורתיות לעתים מגיבות באיחור או מופעלות מסיבות שגויות, כמו קיטור מהמקלחת או עשן מהמטבח. מאמר זה מציג מערכת חדשה מבוססת מצלמות שיכולה לזהות עשן ואש מוקדם ובדייקנות, ולהעניק לצוותי החירום דקות יקרות להשיב תגובה. המערכת משלבת את ההתקדמות האחרונה בבינה מלאכותית כדי לפקח על רחובות, יערות בקצה העיר ומרחבים ציבוריים, ולעזור להפוך ערים חכמות לבטוחות וחסונות יותר.

הבעיה עם מערכות האזעקה של היום

מערכות זיהוי אש קונבנציונליות תלויות בחיישני חום, גז או עשן בתוך מבנים. מכשירים אלה חייבים להיות קרובים ללהבות לפני שיפעלו, מה שעלול לדחות את האזעקה בדיוק ברגע שבו כל שנייה חשובה. הם גם סובלים מהרבה אזעקות שווא שנגרמות ממקורות תמימים כגון אבק, קיטור או עשן בישול, שמבזבזות משאבים ומחלישות אמון ציבורי. זיהוי אש חיצוני אף קשה יותר: עשן נראה דומה לעננים, ערפל או צללים, ויכול לשנות צורה וצפיפות במהירות. חיישנים נייחים מכסים רק אזורים קטנים, ומשאירים כתמי עיוורון בסביבות עירוניות גדולות או מורכבות כגון פארקים, מתקנים תעשייתיים וצמתים תחבורתיים.

מצלמות וראייה חכמה כרשת בטחון חדשה

עם ירידת מחירי המצלמות והתקדמות יכולות המכשירים המחוברים, חוקרים פנו לראייה ממוחשבת — ללמד מכונות "לראות" כמו בני אדם — כדי לזהות עשן ולהבות. מערכות מוקדמות השתמשו בעוקצים ידניים, כמו חיפוש אחר כתמים אפורים או צבעים מהבהבים, אך חוקים אלה קרסו בתנאי תאורה, מזג אוויר ורקע משתנים. שיטות למידה עמוקה, שלומדות דפוסים ישירות ממאגרי תמונות גדולים, שיפרו את הזיהוי, אך רבות מהן עדיין מתמקדות בפרטים מקומיים קטנים ומחמיצות אותות עשן חלשים או מוקדמים. אחרות מדויקות אך איטיות או כבדות מדי כדי לפעול בזמן אמת על תשתיות עירוניות.

כלב שמירה בינה מלאכותית דו‑שלבי לעשן ואש

המחקר מציג מסגרת אינטליגנטית המשלבת שתי רעיונות חזקים של בינה מלאכותית בתהליך אחד. ראשית, Vision Transformer — שיטת ניתוח תמונה המותאמת ממודלים לשפה — מחלק כל פריים מצלמה לפיצ'רים קטנים ומנתחת כיצד הם מתקשרים זה עם זה בכל הסצנה. מבט גלובלי זה מסייע לה לשים לב לסימנים עדינים של עשן, כגון גרדיאנטים צבעוניים רכים, מרקמים ערפליים וקצוות מפוזרים המשתרעים על פני שטחים נרחבים. לאחר מכן, הרמזים הוויזואליים העשירים מועברים ל‑YOLOv8, גלאי מהיר שנועד לצייר תיבות סביב אובייקטים מעניינים. YOLOv8 ממקדת את האזורים המדויקים שבהם מופיעים עשן או להבות פתוחות ופועלת במהירות המספיקה להתעדכן עם וידאו חי.

בדיקת המערכת

כדי לבדוק עד כמה הכלב השמירה הדו‑שלבי עובד, החוקרים אימנו והעריכו אותו על יותר מ‑7,700 תמונות מתויגות בקפידה שנלקחו משתי מאגרי־מידע ציבוריים גדולים הכוללים רחובות עירוניים, מבנים ואזורים מיוערים בתנאי תאורה ומזג אוויר שונים. הם הגבירו את המגוון על ידי סיבוב, היפוך ובהארת תמונות כדי לחקות סצנות יום ולילה וזוויות צפייה שונות. בתמונות לא נראות בעבר, המערכת זיהתה נכון עשן ואש ביותר מ‑99% מהמקרים ושילבה היטב בין אירועים שפוספסו לאזעקות שווא. היא גם עיבדה כל פריים בכ‑45 מילישניות — סביב 22 פריימים לשנייה — מהירות מספקת למעקב בזמן אמת בחדרי בקרה או במכשירים מחוברים.

מה מייחד את הגישה הזו

בהשוואה לשיטות מתקדמות אחרות, כולל גרסאות קודמות של אותה משפחת גלאים ומגוון אנסמבלים של למידה עמוקה, המסגרת החדשה מספקת דיוק גבוה יותר ומיקום טוב יותר של אזורים מסוכנים. על ידי שילוב מודל שמבין את הסצנה הרחבה עם מודל המצטיין בסימון מהיר ומדויק של אובייקטים, היא מפחיתה בלבול ממקבילים חזותיים כמו ערפל, בגדים בצבע עשן או תמונות של אש על מסכים. במקביל, גודלה המתון ועיצובה היעיל עושים אותה מעשית יותר לפריסה במערכות עיר חכמות אמיתיות, שבהן משאבי חישוב ורוחב פס מוגבלים.

מה זה אומר לבטיחות היומיומית

עבור הלא‑מומחים, המסקנה היא שמצלמות בערים חכמות יכולות לעשות הרבה יותר מרק להקליט חומר לצפייה מאוחרת — הן יכולות לסייע למניעת אסונות תוך כדי אירוע. המערכת המוצעת מראה שדרך איחוד הבנה ויזואלית רחבה עם זיהוי מהיר, ניתן לזהות שריפות בשלבים המוקדמים ביותר, לצמצם אזעקות שווא ולתמוך בתגובות חירום מהירות וממוקדות יותר. בעבודה נוספת לטיפול במזג אוויר קיצוני, בסצנות ליליות ובשילוב נתוני חיישנים נוספים, כלים דומים עשויים להפוך לחלק מרכזי מרשתות הבטיחות העירוניות, צופים בשתיקה על בתים, יערות ומרחבים ציבוריים כדי למנוע ניצוץ קטן מלהפוך לאסון גדול.

ציטוט: Abozeid, A., Alanazi, R. An intelligent approach for early smoke/fire detection using vision sensors in smart cities. Sci Rep 16, 11387 (2026). https://doi.org/10.1038/s41598-026-42762-y

מילות מפתח: זיהוי אש, זיהוי עשן, ערים חכמות, ראייה ממוחשבת, למידה עמוקה