تشخیص دود و آتش با دوربین در فضاهای بزرگ و سقف بلند

در انبار بلند، سالن تولید، محوطه باز یا فضایی که سقفش ده متر بالاتر از محل احتمالی آتش است، دتکتور نقطه ای دیر عمل می کند. دلیلش ساده است: باید صبر کند تا دود بالا برود و به آن برسد. تشخیص تصویری برای پر کردن همین فاصله به کار می آید. در ادامه می بینیم چطور کار می کند، کجا واقعا مفید است و کجا نباید به آن تکیه کرد.

تفاوت بنیادی با دتکتور سنتی

دتکتور دودی یک حسگر نقطه ای است: چیزی را تشخیص می دهد که به آن رسیده باشد. در یک اتاق با سقف سه متری، این کار خوب انجام می شود. در سالنی با سقف دوازده متری، دود پیش از رسیدن به سقف پخش و رقیق می شود و ممکن است هرگز به غلظت لازم نرسد. در فضای باز که باد وجود دارد، عملا کار نمی کند.

دوربین از سمت دیگر به مسئله نگاه می کند: به جای انتظار برای رسیدن دود، محدوده را نگاه می کند و تغییر بصری را در همان محل تشخیص می دهد. برای فضاهای بزرگ و باز، این تفاوت تعیین کننده است.

الگوریتم چطور کار می کند

تشخیص تصویری دود و آتش روی چند نشانه کار می کند که هیچ کدام به تنهایی کافی نیستند و تصمیم از ترکیب آن ها گرفته می شود.

الگوی حرکت. دود مثل یک جسم جامد حرکت نمی کند؛ گسترش می یابد، بالا می رود و شکلش پیوسته عوض می شود. این الگو با حرکت یک فرد یا خودرو تفاوت روشنی دارد.

بافت و شفافیت. دود پشت خودش را تا حدی نشان می دهد و لبه های مشخصی ندارد. این ویژگی، آن را از یک جسم سفید ساکن جدا می کند.

رنگ و نوسان در آتش. شعله محدوده رنگی مشخصی دارد و مهم تر از رنگ، نوسان مداوم آن است. آتش هیچ گاه کاملا ثابت نمی ماند.

پایداری در زمان. مهم ترین فیلتر همین است. چیزی که یک ثانیه دیده می شود و می رود، رویداد نیست. الگوریتم باید چند ثانیه پایداری ببیند تا هشدار بدهد، و همین تنظیم بیشترین اثر را روی نرخ هشدار کاذب دارد.

هشدار کاذب، مسئله اصلی

سامانه ای که مدام هشدار اشتباه می دهد، بعد از مدتی دیگر جدی گرفته نمی شود و عملا انگار وجود ندارد. در تشخیص دود و آتش این خطر بیشتر است چون چند پدیده عادی، شبیه دود دیده می شوند.

منابع رایج هشدار کاذب: بخار از دیگ و شست وشو، گرد و غبار که با عبور خودرو بلند می شود، نور مستقیم خورشید در ساعات خاص و بازتابش از سطوح براق، چراغ های چرخان نارنجی و جرقه جوشکاری در محیط صنعتی.

برای کنترل این وضع سه راه دارید. اول، محدود کردن ناحیه تحلیل به همان بخشی که اهمیت دارد؛ اگر پنجره ای در کادر است که آفتاب مستقیم از آن می تابد، همان را از ناحیه تحلیل خارج کنید. دوم، افزایش مدت پایداری، به بهای چند ثانیه تاخیر بیشتر در تشخیص. سوم، زمان بندی؛ اگر جوشکاری فقط در شیفت روز انجام می شود، حساسیت آن ناحیه در همان بازه متفاوت تنظیم شود.

اینجا هم بهتر است از تنظیم محافظه کارانه شروع کنید و حساسیت را کم کم بالا ببرید. عکس این مسیر تقریبا همیشه باعث می شود تیم در همان هفته اول به سامانه بی اعتماد شود.

کجا کار می کند و کجا نه

مناسب: انبارهای بلند، سالن های تولید، محوطه های باز، انبار مواد اولیه، پارکینگ های بزرگ و هر فضای سرباز یا با سقف بلند. جاهایی هم که نصب دتکتور در آن ها دشوار است در همین دسته اند. کاربردهای صنعتی این تحلیل را در نظارت تصویری کارخانه و نظارت تصویری نیروگاه بررسی کرده ایم.

نامناسب: اتاق های کوچک و بسته که دتکتور نقطه ای در آنها ارزان تر و قابل اتکاتر است؛ فضاهایی با نور بسیار کم و بدون روشنایی مکمل؛ محیط هایی که دائما بخار یا گرد و غبار دارند و تفکیک آنها از دود عملا ممکن نیست.

یک محدودیت مهم دیگر: تشخیص تصویری به خط دید نیاز دارد. آتشی که پشت قفسه یا داخل محفظه ای شروع شود، تا وقتی دودش وارد کادر دوربین نشود دیده نمی شود. دتکتور دودی چنین محدودیتی ندارد و همین یکی از دلایلی است که این دو مکمل یکدیگرند نه جایگزین.

یکپارچه سازی با سامانه اعلام حریق

ارزش واقعی وقتی ظاهر می شود که این دو کنار هم کار کنند، نه جدا. دو مسیر یکپارچه سازی معنا دارد.

از تصویر به اعلام حریق: هشدار تصویری به عنوان یک ورودی به سامانه اعلام حریق فرستاده می شود. این معمولا به عنوان هشدار اولیه یا نیازمند تایید تعریف می شود، نه به عنوان فرمان تخلیه.

از اعلام حریق به تصویر: این جهت اغلب ارزشمندتر است. وقتی دتکتوری در سامانه اعلام حریق فعال می شود، سامانه نظارت تصویری بلافاصله تصویر دوربین های همان ناحیه را روی صفحه اپراتور می آورد. اپراتور در چند ثانیه می بیند که آتش واقعی است یا هشدار کاذب، و این تفاوت میان تخلیه بی مورد یک ساختمان و واکنش درست است.

هر دو مسیر به سامانه ای نیاز دارند که رابط برنامه نویسی باز داشته باشد و بتواند رویداد بگیرد و رویداد بفرستد. جزئیاتش در چارچوب پلاگین و SDK آمده است.

نصب دوربین برای این کار چه فرقی دارد

دوربینی که برای پایش عمومی نصب شده، لزوما برای تشخیص دود مناسب نیست. چند نکته در نصب، بیشترین اثر را روی نتیجه دارد.

کادر باید فضای بالای محل خطر را ببیند. دود بالا می رود؛ اگر دوربین فقط کف را می بیند، ستون دود ممکن است اصلا وارد کادر نشود. برای انبار بلند، دوربینی که از ارتفاع متوسط و با زاویه افقی تر نصب شده، معمولا بهتر از دوربین سقفی رو به پایین عمل می کند.

پس زمینه ساده کمک می کند. صحنه ای که پس زمینه اش شلوغ، براق یا پر از حرکت است، تفکیک دود را سخت می کند. دیوار ساده یا فضای یکدست، بهترین پس زمینه است.

فاصله را واقع بینانه ببینید. هرچه فاصله بیشتر شود، دود باید بزرگ تر شود تا دیده شود، یعنی تشخیص دیرتر اتفاق می افتد. برای نقاط پرخطر، دوربین نزدیک تر با کادر محدودتر بهتر از یک دوربین دور با دید وسیع است.

لرزش دوربین را حذف کنید. پایه ای که با باد یا ارتعاش ماشین آلات می لرزد، کل کادر را متحرک نشان می دهد و تحلیل را بی معنا می کند. در محیط صنعتی این نکته را جدی بگیرید.

این تحلیل کجا اجرا می شود

پرسش عملی بعدی این است که پردازش روی چه چیزی انجام می شود و چه هزینه ای دارد. سه گزینه رایج است.

روی خود دوربین. بعضی دوربین ها این تحلیل را خودشان انجام می دهند و فقط رویداد را می فرستند. بار پردازشی روی سرور صفر است ولی تنظیم پذیری محدود و وابسته به همان مدل دوربین است.

روی سرور نظارت تصویری. انعطاف بیشتری دارد و تنظیماتش یکجا مدیریت می شود، ولی هر جریان تحلیل شده منابع پردازشی مصرف می کند. به همین دلیل باید فقط روی دوربین های لازم فعال شود.

روی نودی که همان دوربین را ضبط می کند. در سامانه های خوشه ای، منطقی ترین حالت این است که تحلیل روی همان نودی اجرا شود که جریان دوربین از قبل به آن می رسد؛ اینطور جریان دو بار در شبکه جابه جا نمی شود. آریسا هم همین الگو را به کار می برد و جزئیاتش در صفحه هوش مصنوعی و تحلیل آمده است.

مرور کلی سایر ماژول های تحلیل و نحوه کارشان در هوش مصنوعی در نظارت تصویری آمده است.

در هر سه حالت، اصل ثابت است: تحلیل روی نقاط پرخطر، نه روی همه دوربین ها. بودجه پردازشی محدود است و بهتر است صرف ده دوربین درست شود تا صد دوربین بی ربط.

پیش از تعهد، آزمایش کنید

هیچ ادعایی درباره دقت این تحلیل، جای آزمایش در محیط خودتان را نمی گیرد. نتیجه به صحنه، نور، فاصله و زاویه بستگی دارد و در دو انبار مشابه هم می تواند متفاوت باشد.

روش عملی: تحلیل را روی دو یا سه دوربین در نقاط نماینده فعال کنید و دو هفته بگذارید کار کند. در این مدت هشدارها را ثبت کنید و ببینید چند تا واقعی بودند و چند تا نه، و منبع هشدارهای کاذب چه بوده است. با همین داده، تنظیم ناحیه و آستانه را اصلاح کنید و بعد به کل پروژه تعمیم دهید.

این دو هفته، بهترین سرمایه گذاری این بخش از پروژه است. تعمیم دادن یک پیکربندی آزمایش نشده به صد دوربین، معمولا به سامانه ای ختم می شود که همه هشدارهایش نادیده گرفته می شوند.

سوالات متداول درباره تشخیص دود و آتش با دوربین

آیا تشخیص تصویری جایگزین دتکتور دود می شود؟

خیر و نباید هم بشود. این دو مکمل یکدیگرند: دتکتور در فضای بسته و کوچک قابل اتکاتر و ارزان تر است، و تشخیص تصویری در سقف بلند و فضای باز که دتکتور ضعیف عمل می کند مزیت دارد. مهم تر اینکه تشخیص تصویری به خط دید نیاز دارد و آتشی را که پشت مانع شروع شود نمی بیند.

چقدر سریع تر از دتکتور سنتی تشخیص می دهد؟

عدد کلی نمی توان داد چون کاملا به فضا بستگی دارد. در اتاق کوچک با سقف کوتاه، دتکتور معمولا سریع تر است. در سالن با سقف بلند یا فضای باز، تشخیص تصویری می تواند به مراتب زودتر عمل کند چون منتظر رسیدن دود به سقف نمی ماند. برای فضای خودتان، تنها راه پاسخ دقیق آزمایش است.

هشدار کاذب چقدر مسئله است؟

مسئله اصلی همین است و بیشتر از الگوریتم، به پیکربندی برمی گردد. بخار، گرد و غبار، آفتاب مستقیم و جرقه جوشکاری منابع رایج آن هستند. با محدود کردن ناحیه تحلیل، افزایش مدت پایداری لازم و زمان بندی متفاوت برای شیفت ها، می توان آن را به سطح قابل قبول رساند. توصیه ما شروع محافظه کارانه و افزایش تدریجی حساسیت است.

آیا در تاریکی هم کار می کند؟

تشخیص دود به نور نیاز دارد و در تاریکی کامل کار نمی کند؛ تشخیص شعله به دلیل نور خود آتش وضعیت بهتری دارد. اگر فضایی شبانه بدون روشنایی است و پوشش شبانه اهمیت دارد، این محدودیت را در طراحی لحاظ کنید و روی روشنایی مکمل یا راهکار دیگری حساب کنید.

روی چند دوربین باید فعالش کنیم؟

فقط روی دوربین هایی که واقعا نقاط پرخطر را می بینند، نه روی همه. فعال کردن روی همه دوربین ها هم منابع پردازشی را هدر می دهد و هم حجم هشدار کاذب را تا جایی بالا می برد که کل سامانه نادیده گرفته می شود.