YOLO v8 الكشف المبكر عن حرائق الغابات بالاعتماد على نموذج
DOI:
https://doi.org/10.65422/loujas.v2i2.446الكلمات المفتاحية:
كشف حرائق الغابات، ، الشبكات العصبية التلافيفية خفيفة الوزن ، الحوسبة الطرفية ، التصنيف الثنائي، تحليل الأخطاء، التكيّف المجالي، الاستدلال في الزمن الحقيقيالملخص
نظرًا للتكرار والشدة المتزايدَين لحرائق الغابات، أصبح تطوير تقنيات كشف مبكر سريعة ومحمولة أمرًا ضروريًا. تقترح هذه الورقة، من أجل الكشف عن حرائق الغابات، إطار عمل خفيف الوزن للتصنيف الثنائي قائم على YOLOv8 microcls مخصص للأجهزة الطرفية ذات الموارد المحدودة. يحقق النموذج دقة إجمالية بلغت 96.02% على مجموعة اختبار مكوّنة من 402 صورة (156 صورة حريق و246 صورة بلا حريق)، مع درجات F1 لكل فئة بلغت 94.84% (للحريق) و96.76% (لعدم الحريق)، وذلك بعد التدريب على مجموعة بيانات الإصدار 2 لمدة 30 حقبة تدريبية بدقة 320×320 بكسل.
حدد تحليل دقيق للأخطاء، أُجري على العينات الست عشرة المصنَّفة تصنيفًا خاطئًا، ثلاثة أنماط رئيسية للفشل، وهي: سوء قراءة الحرائق الصغيرة البعيدة، والألسنة النارية المحجوبة بالدخان (44.4% من الحالات السلبية الخاطئة)، والالتباس اللوني الناتج عن غروب/شروق الشمس (42.9% من الحالات الإيجابية الخاطئة).
كما أن تحليل بيانات عامة لكل من YOLOv5n وEfficientNet B0 وResNet 50 وMobileNetV2 — حيث قُيِّم كل نموذج على مجموعة بياناته الأصلية الخاصة به — يضع نموذج YOLOv8n cls في موقع مُفضَّل من حيث التوازن بين الدقة والكفاءة. ونظرًا لامتلاكه 3.9 مليون معلمة فقط، وسرعات استدلال تتجاوز 100 إطار في الثانية على وحدة معالجة الرسوميات (GPU)، فإن النظام المقترح مناسب من الناحية المعمارية للنشر في الزمن الحقيقي على أجهزة Raspberry Pi وشبكات كاميرات IP، وذلك ريثما يتم التحقق المباشر من أدائه على العتاد الطرفي.
وأخيرًا، تُقترح استراتيجيات تخفيف مستهدفة، من بينها العتبة الديناميكية ، والاتساق الزمني متعدد الإطارات ، والتكيّف المجالي الموسمي ، من أجل خفض معدل الحالات السلبية الخاطئة إلى أقل من 3%، ومعدل الحالات الإيجابية الخاطئة إلى أقل من 2%.
