نهج تعلم عميق خفيف الوزن لاكتشاف الحريق في أنفاق الطرق السريعة: تعزيز القدرة والفورية والموثوقية

تعد أنفاق الطرق السريعة أصول نقل حيوية يمكن أن تتسبب فيها الحرائق في فشل تسلسلي، وإصابات جماعية، وانقطاع طويل في الخدمة. غالبًا ما تفشل أنظمة الاستشعار النقطية التقليدية وأنظمة الفيديو في تقديم تحذيرات مبكرة في الوقت المناسب، لأنها تفتقر إلى الحساسية المطلوبة لاكتشاف الحرائق الناشئة تحت ظروف الإضاءة والرؤية المعقدة في الأنفاق الحضرية. تطور هذه الدراسة وحدة تحذير تعتمد على الرؤية في الوقت الحقيقي باستخدام شبكتين عصبيتين التفافية خفيفتين مدربتين على مجموعة بيانات مختلطة تتألف من 281 صورة لحريق أنفاق من الإنترنت، و1552 صورة لحريق مركبات من مصادر مفتوحة، و592 صورة تجريبية لحريق أنفاق بمقياس صغير تم جمعها بالتعاون مع Jiandun Fire Technology Co., Ltd. تنقسم مجموعة البيانات إلى مجموعات تدريب، تحقق، واختبار بنسبة تقريبية 8:1:1، وتقتصر عينات الاختبار الإيجابية على صور حريق الأنفاق لتقييم التعميم الخاص بالأنفاق. تُقارن النماذج الخفيفة مع نماذج CNN أعمق من حيث الأداء التنبؤي والتكلفة الحسابية. على مجموعة اختبار موجهة للأنفاق، يحقق أفضل نموذج دقة 98.75%، واستدعاء 98.0%، وزمن استجابة 8.24 مللي ثانية على وحدة معالجة رسومات Tesla T4، مما يدل على إمكانية النشر في الوقت الحقيقي دون فقدان ملحوظ في الموثوقية. تختبر اختبارات الصلابة باستخدام ضوضاء Gaussian وsalt-and-pepper الحساسية للصور المتدهورة وتبرز القيمة العملية لتنقية الضوضاء والسيطرة على جودة الصورة. توضح تصورات Grad-CAM أيضًا أن النموذج يركز على مناطق اللهب والدخان ذات المعنى الفيزيائي، مما يدعم قابلية التفسير والقبول الهندسي في تطبيقات سلامة الأنفاق.