شناسایی آتش با پردازش تصویر روشی است که در آن تصاویر و ویدیوی دوربین‌های نظارتی با الگوریتمهای بینایی ماشین و هوش مصنوعی تحلیل می‌شود تا شعله و دود در همان مراحل اولیه تشخیص داده شود. سیستم‌های سنتی مبتنی بر سنسور فقط وقتی هشدار می‌دهند که گرما، دود یا فشار به حد آستانه برسد؛ اما سیستم‌های مبتنی بر تصویر آتش را مستقیماً «می‌بینند» و به همین دلیل در ساختمان‌ها، انبارها، کارخانه‌ها و فضاهای باز رو به گسترش‌اند.
در این مقاله می‌خوانید تشخیص آتش با دوربین چگونه کار می‌کند، چه مراحلی دارد، چه الگوریتم‌هایی پشت آن است، چه مزایا و چالش‌هایی دارد و در چه محیط‌هایی کاربرد دارد.
مطالب مرتبط :
چرا سنسورهای سنتی کافی نیستند؟
سیستم‌های سنتی تشخیص حریق با سنسورهایی کار می‌کنند که گرما، دود یا فشار را اندازه می‌گیرند. این روش چند محدودیت مهم دارد:
- تأخیر در تشخیص: سنسور تنها زمانی واکنش نشان میدهد که شرایط محیط (دما یا غلظت دود) به حد مشخصی برسد. یعنی آتش باید تا اندازه‌ای رشد کرده باشد.
- وابستگی به سلامت و تنظیم: سنسور آسیب‌دیده یا کالیبره‌نشده ممکن است اصلاً هشدار ندهد و خسارت جبران‌ناپذیری به بار بیاید.
- هشدار اشتباه: برای مثال دود سیگار یا بخار در یک اتاق میتواند هشدار آتش‌سوزی را فعال کند.
- پوشش محدود: برای پوشش یک فضای بزرگ باید تعداد زیادی سنسور در نقاط مختلف نصب شود، و در فضاهای باز یا سقف‌های بلند عملکرد سنسور ضعیف می‌شود.
این محدودیت‌ها باعث شده نظارت با دوربین و پردازش تصویر به‌عنوان راهکار تکمیلی یا جایگزین مطرح شود.
تشخیص آتش با دوربین چگونه کار می‌کند؟
در این روش، دوربین تصویر محیط را به‌صورت پیوسته ثبت می‌کند و نرم‌افزار هر فریم را تحلیل می‌کند تا نشانه‌های بصری آتش را پیدا کند. بیشتر روش‌های کلاسیک بر دو ویژگی اصلی تکیه دارند: رنگ و حرکت. فرایند کلی شامل مراحل زیر است.
۱. تشخیص پیکسل آتش با استفاده از رنگ
رنگ آتش عموماً در طیف قرمز، نارنجی و زرد قرار می‌گیرد. در این مرحله رنگ هر پیکسل بررسی می‌شود و پیکسل‌هایی که مؤلفه‌ی قرمز (R) در آن‌ها غالب است، به‌عنوان کاندید آتش علامت‌گذاری می‌شوند. علاوه بر فضای رنگی RGB، بسیاری از سیستم‌ها از فضاهای رنگی دیگر مانند HSV یا YCbCr هم استفاده می‌کنند، چون در برابر تغییرات نور مقاوم‌ترند.
۲. شناسایی پیکسل‌های در حال حرکت
رنگ به‌تنهایی کافی نیست، زیرا اجسام قرمز ثابت (مثل یک لباس یا تابلو) هم ممکن است شبیه آتش دیده شوند. شعله دائماً تغییر شکل میدهد و می‌لرزد. در این مرحله با تکنیک‌های پردازش تصویر مانند تفاضل فریم‌ها یا جداسازی پس‌زمینه، رشد و حرکت پیکسل‌ها بررسی می‌شود تا نواحی متحرک مشخص شوند.
۳. بخش‌بندی (Segmentation)
در این مرحله ناحیه‌ی مرتبط با آتش از پس‌زمینه‌ی تصویر جدا می‌شود. نتیجه، مرز و موقعیت دقیق آتش در تصویر است که برای تحلیل‌های بعدی و ارسال هشدار استفاده می‌شود.
۴. طبقه‌بندی و تصمیم‌گیری
ناحیه‌های جداشده با ویژگی‌هایی مثل شکل، بافت، نوسان لبه‌ها و تغییرات در طول زمان بررسی می‌شوند و در نهایت سیستم تصمیم می‌گیرد که این ناحیه آتش است یا نه. اگر مثبت باشد، هشدار صادر می‌شود.
الگوریتمهای تشخیص آتش
روش‌های تشخیص آتش به دو دسته‌ی اصلی تقسیم می‌شوند:
- روش‌های کلاسیک (مبتنی بر ویژگی‌های دستی): این روش‌ها از قواعد رنگی و حرکتی که در بالا گفته شد استفاده می‌کنند. سریع و سبک‌اند و روی سخت‌افزار ضعیف هم اجرا می‌شوند، اما در شرایط نوری پیچیده خطای بیشتری دارند.
- روش‌های مبتنی بر یادگیری عمیق: در این روش‌ها شبکه‌های عصبی کانولوشنی (CNN) و مدلهای تشخیص شیء مانند خانواده‌ی YOLO با مجموعه‌ی بزرگی از تصاویر آتش و غیرآتش آموزش می‌بینند و ویژگی‌ها را خودشان یاد می‌گیرند. دقت این روش‌ها معمولاً در محیط‌های متنوع بالاتر است و می‌توانند علاوه بر شعله، دود را هم تشخیص دهند.
یکی از مزایای سیستم‌های دوربین‌محور این است که تصاویر و ویدیوهای آتش قابل ذخیره‌اند. با جمع‌آوری این داده‌ها می‌توان مدل را با حالت‌های متنوع‌تری آموزش داد و دقت آن را به‌مرور افزایش داد.
مزایای تشخیص آتش با پردازش تصویر نسبت به سنسور
| ویژگی | سنسور سنتی | پردازش تصویر |
|---|---|---|
| زمان پاسخ | بعد از رسیدن شرایط محیط به حد آستانه | در مراحل اولیه‌ی دیده شدن شعله یا دود |
| پوشش فضا | نیاز به تعداد زیاد سنسور | یک دوربین، منطقه‌ی وسیع |
| فضای باز | محدود | قابل استفاده |
| مدرک تصویری | ندارد | ثبت تصویر و ویدیو |
| بهبود با داده | محدود | قابل آموزش و ارتقا |
| هزینه‌ی نصب | بالا در فضاهای بزرگ | معمولاً کمتر، با استفاده از دوربین‌های موجود |
مزیت دیگر این است که اگر ساختمان یا محوطه از قبل دوربین نظارتی دارد، می‌توان بدون زیرساخت جدید، قابلیت تشخیص آتش را به آن اضافه کرد.
چالش‌ها و محدودیت‌ها
هیچ سیستمی بی‌نقص نیست. مهم‌ترین چالش‌های تشخیص آتش با دوربین عبارت‌اند از:
- هشدار اشتباه: نور خورشید، انعکاس، چراغ‌های قرمز و نارنجی، لباس‌های همرنگ آتش و حتی غروب خورشید ممکن است شبیه آتش دیده شوند.
- شرایط نوری و جوی: مه، باران، شب و نور کم روی کیفیت تصویر اثر می‌گذارد.
- فاصله و کیفیت دوربین: آتش‌های کوچک و دور ممکن است در تصویر به اندازه‌ی کافی بزرگ نباشند.
- نیاز به قدرت پردازشی: تحلیل ویدیوی زنده، بهخصوص با مدلهای یادگیری عمیق، به سخت‌افزار مناسب نیاز دارد.
راهکار معمول، ترکیب چند ویژگی (رنگ، حرکت، شکل و بافت)، آموزش مدل با داده‌های متنوع و استفادهی مکمل از سنسورها و تصویر است.
کاربردهای تشخیص آتش با پردازش تصویر
- ساختمان‌های اداری، تجاری و مراکز خرید
- کارخانه‌ها و سالن‌های تولید
- انبارها و مراکز لجستیک
- پارکینگ‌ها و تونل‌ها
- جنگل‌ها و مراتع (با دوربین‌های دیدبانی)
- پمپ‌بنزین‌ها و مراکز ذخیره‌ی سوخت
- فضاهای عمومی و حمل‌ونقل
- تشخیص آتش در نرم‌افزار نظارت تصویری رایمانو
تشخیص آتش و دود در نرم‌افزار نظارت تصویری رایمانو
رایمانو یک نرم‌افزار نظارت تصویری است که با تحلیل تصویر دوربین‌های حرارتی، آتش و دود را شناسایی می‌کند و در صورت مشاهده، بلافاصله هشدار میدهد.
قابلیت‌های تشخیص آتش در رایمانو:
- تشخیص آتش و دود: هر دو رویداد توسط سیستم شناسایی می‌شوند.
- هشدار آنی: به محض مشاهده‌ی آتش یا دود، آلارم فعال می‌شود.
- روش ارسال هشدار قابل انتخاب: هشدار میتواند به‌صورت پیامک، اعلان یا آلارم صوتی/تصویری ارسال شود و بسته به نیاز سازمان تنظیم می‌شود.
- ذخیره‌سازی کامل: تصویر و ویدیوی رویداد بهطور کامل ذخیره می‌شود.
- گزارش‌گیری: از رویدادهای ثبت‌شده می‌توان گزارش تهیه کرد.
نکته‌ی مهم درباره‌ی دوربین: تشخیص آتش و دود در رایمانو با دوربین‌های حرارتی انجام می‌شود. دوربین حرارتی به‌جای نور مرئی، گرمای اجسام را ثبت می‌کند. به همین دلیل در تاریکی کامل هم کار می‌کند و تحت تأثیر نور خورشید، انعکاس یا اجسام همرنگ آتش قرار نمی‌گیرد.
جمع‌بندی
شناسایی آتش با پردازش تصویر به‌جای انتظار برای رسیدن گرما یا دود به حد آستانه‌ی سنسور، آتش و دود را مستقیماً از روی تصویر دوربین تشخیص میدهد. به همین دلیل در محیط‌های بزرگ و باز، انبارها، کارخانه‌ها و مراکز ذخیره‌ی سوخت، هشدار سریع‌تر و پوشش وسیع‌تری نسبت به سیستم‌های سنتی فراهم می‌کند. این روش از تحلیل رنگ و حرکت تا الگوریتمهای یادگیری عمیق پیشرفت کرده و علاوه بر هشدار زودهنگام، امکان ذخیره‌ی تصویر و ویدیوی رویداد را هم میدهد.
با این حال، هیچ روشی بی‌نقص نیست. نور محیط، کیفیت دوربین و اجسام شبیه آتش می‌توانند دقت را کاهش دهند و بهترین نتیجه معمولاً با ترکیب پردازش تصویر و سنسورها به دست می‌آید. استفاده از دوربین حرارتی بسیاری از این چالش‌ها را کاهش میدهد، چون به نور مرئی وابسته نیست و در تاریکی هم کار می‌کند.
سوالات متداول
تحلیل تصویر و ویدیوی دوربینها با الگوریتمهای بینایی ماشین یا هوش مصنوعی برای تشخیص شعله و دود، پیش از آنکه سنسورها واکنش نشان دهند.
در بسیاری از محیطها، بهخصوص فضاهای بزرگ و باز، عملکرد بهتری دارد. اما بهترین رویکرد معمولاً استفادهی مکمل از هر دو روش و رعایت الزامات ایمنی و استانداردهای محل است.
ممکن است در شرایطی مثل نور شدید یا اجسام همرنگ آتش خطا رخ دهد، اما با مدلهای یادگیری عمیق و ترکیب رنگ و حرکت، این خطا بهطور قابلتوجهی کاهش مییابد.
