استخدام تقنية Computer Vision لقياس كثافة الدخان وتحديد اتجاه انتشاره بالذكاء الاصطناعي 2026
Computer Vision for Smoke Density Measurement & Spread Direction Prediction
لم تعد كاميرات المراقبة في أنظمة السلامة الحديثة مجرد وسيلة لتسجيل الحوادث بعد وقوعها؛ إذ يمكن، عند دمجها مع الرؤية الحاسوبية Computer Vision والذكاء الاصطناعي والتحليل الزمني للفيديو، تحويل الصورة إلى مصدر معلومات يساعد على اكتشاف الدخان، تحديد المناطق المتأثرة بصريًا، تتبع حركته، وتقدير تغير كثافته واتجاه انتشاره.
وتدعم الأدبيات العلمية استخدام خصائص مثل الحركة، اللون، الملمس، الشفافية والتحليل الزمني المكاني وOptical Flow في كشف الدخان وتحليل سلوكه، كما أصبحت تقنيات التعلم العميق والكاميرات الذكية الطرفية جزءًا مهمًا من هذا المجال.
وبالنسبة إلى FirePro One، يمكن تطوير هذا المفهوم إلى منظومة مقترحة باسم:
FirePro Smoke Vision AI™
نظام ذكي لتحليل كثافة الدخان المرئية واتجاه الحركة ومناطق الانتشار من الفيديو.
لماذا تحليل الدخان بالرؤية الحاسوبية مهم؟
في كثير من سيناريوهات الحريق قد يصبح الدخان علامة مرئية مبكرة قبل ظهور اللهب بوضوح، ولذلك تركز أبحاث عديدة على Video Smoke Detection كوسيلة للإنذار المبكر.
لكن القيمة الأكبر لا تكمن فقط في الإجابة عن سؤال:
هل يوجد دخان؟
بل في الانتقال إلى مجموعة أعمق من الأسئلة:
أين يوجد الدخان؟ ما مساحة المنطقة التي يغطيها؟ هل يزداد أم يتناقص؟ وفي أي اتجاه يتحرك؟ وما المناطق التي قد تتأثر لاحقًا؟
وهنا تتحول الكاميرا من أداة مراقبة إلى مستشعر بصري ذكي.
1. ما المقصود بقياس كثافة الدخان باستخدام Computer Vision؟
من الضروري التفريق بين مفهومين.
الأول هو الكثافة البصرية أو مستوى حجب الرؤية الظاهر في الصورة، والثاني هو التركيز الفيزيائي الفعلي للدخان في الهواء.
يمكن للكاميرا والنموذج الحاسوبي تقدير تغير الشفافية والتباين والحجب والخصائص البصرية للدخان، لكن لا ينبغي تحويل قيمة مستخرجة من فيديو عادي مباشرة إلى تركيز فيزيائي مثل mg/m³ من دون معايرة واختبار ومرجع قياس مناسب.
لذلك فإن المصطلح الأدق للنظام المقترح هو:
Visual Smoke Density Index – VSDI™
أي مؤشر كثافة الدخان المرئية.
2. كيف يرى الذكاء الاصطناعي الدخان؟
تدخل إطارات الفيديو إلى النظام بشكل مستمر، ثم تبدأ سلسلة معالجة متعددة المراحل.
يمكن تمثيلها كالتالي:
Camera → Frame Processing → Smoke Detection → Smoke Segmentation → Visual Density Analysis → Motion Analysis → Direction Vector → Risk Map → Dashboard
وتعتمد خوارزميات كشف الدخان المرئي على مجموعة من الخصائص، منها اللون والحركة والملمس والتغير عبر الزمن والشفافية. كما أن الأبحاث الحديثة تجمع بين الخصائص العميقة المستخرجة بواسطة CNN وبين خصائص الحركة والتحليل الزمني المكاني.
3. المرحلة الأولى: اكتشاف الدخان
يستقبل النظام الفيديو من:
CCTV / IP Camera / Thermal Camera / Firefighter Camera / Drone / Robot
ثم يقوم نموذج الرؤية الحاسوبية بتحديد ما إذا كانت الصورة تحتوي على منطقة يُحتمل أنها دخان.
بدل الاعتماد على إطار واحد فقط، يفضل تحليل سلسلة من الإطارات؛ لأن الدخان ظاهرة ديناميكية.
وقد أظهرت الأبحاث أن تحليل الفيديو يمكن أن يجمع خصائص المظهر والحركة لتحديد الدخان، بينما تستطيع نماذج CNN الحديثة تعلم خصائص أكثر تعقيدًا من الصور.
4. Smoke Segmentation — تحديد حدود الدخان
بعد اكتشاف الدخان، نحتاج إلى معرفة:
أي بكسلات في الصورة تمثل الدخان؟
هنا تأتي مرحلة Segmentation.
ينتج النموذج قناعًا رقميًا مثل:
Smoke Mask
بحيث يصبح بالإمكان معرفة:
- مساحة الدخان في الصورة.
- حدوده.
- تغير المساحة مع الزمن.
- مناطق تراكمه.
- اتجاه تمدده.
- نسبة المشهد المتأثرة.
وهذه المرحلة مهمة جدًا، لأن اكتشاف صندوق حول الدخان فقط لا يوفر الدقة المكانية نفسها التي يوفرها Pixel-Level Segmentation.
5. حساب Visual Smoke Density Index™
بعد عزل منطقة الدخان، يبدأ محرك التحليل البصري.
يمكن للنظام دراسة مجموعة من المؤشرات مثل:
Contrast Loss + Transparency + Texture Change + Luminance Change + Smoke Coverage + Temporal Persistence
ثم إنتاج مؤشر تطبيقي من:
0 – 100
مثلًا:
| VSDI | التفسير المرئي المقترح |
|---|---|
| 0–20 | دخان مرئي محدود |
| 21–40 | منخفض |
| 41–60 | متوسط |
| 61–80 | مرتفع |
| 81–100 | حجب بصري شديد |
هذه الحدود تصنيف تصميمي مقترح وليست حدودًا معيارية أو قياسات معتمدة لتركيز الدخان.
وهذا التفريق مهم جدًا عند نشر الأداة.
6. كيف نحدد اتجاه انتشار الدخان؟
هنا ندخل إلى أحد أقوى أجزاء النظام:
Optical Flow
يقارن Optical Flow حركة العناصر المرئية بين إطارات الفيديو المتتابعة، ويقدر اتجاه الحركة وسرعتها في مستوى الصورة.
وقد استخدمت أبحاث كشف الدخان Optical Flow وخصائص اتجاه الحركة لتمييز سلوك الدخان؛ كما استُخدم تراكم اتجاه الحركة لتحسين اكتشافه.
يمكن تمثيل كل منطقة دخان بمتجه:
V = (Vx, Vy)
حيث يصف المتجه حركة الدخان في الصورة.
فتظهر على لوحة التحكم أسهم مثل:
↑ ↗ → ↘ ↓
بدل مجرد عبارة "Smoke Detected".
7. Smoke Direction Vector™
أقترح لفاير برو ون تطوير مكوّن باسم:
FirePro Smoke Direction Vector™
وظيفته دمج نتائج Optical Flow عبر آلاف البكسلات الموجودة داخل Smoke Mask.
وبدل عرض مئات الأسهم الصغيرة، يقوم النظام باستخراج:
Dominant Smoke Direction
أي الاتجاه الغالب لحركة الدخان.
مثل:
Direction: North-East ↗
Visual Motion: Increasing
Confidence: 91%
على أن تكون الثقة مرتبطة بجودة البيانات والنموذج، وليست يقينًا بشأن المسار الفيزيائي الفعلي للدخان.
8. لماذا لا يكفي اتجاه الحركة في الصورة؟
هذه نقطة تقنية مهمة جدًا.
إذا أظهرت الكاميرا أن الدخان يتحرك إلى اليمين، فهذا لا يعني بالضرورة أن الدخان يتحرك شرقًا داخل المبنى.
لتحويل حركة البكسلات إلى اتجاه مكاني حقيقي نحتاج إلى معلومات إضافية مثل:
Camera Calibration + Camera Orientation + Building Map + Depth Information
وعند دمجها مع BIM أو Digital Twin يمكن تحويل:
Image Coordinates → Building Coordinates
فتصبح النتيجة مثلًا:
Smoke moving from Room 204 toward Corridor C.
وهنا تصبح التقنية أكثر قيمة لقيادة الحوادث.
9. من اتجاه الدخان إلى توقع الانتشار
مع تحليل سلسلة زمنية، يمكن بناء:
Smoke Spread Forecast™
بحيث يحتفظ النظام بخرائط الدخان السابقة:
T₀ → T₁ → T₂ → T₃
ثم يحلل:
- اتجاه الحركة.
- معدل توسع المنطقة المرئية.
- نقاط تراكم الدخان.
- الممرات المفتوحة.
- هندسة المكان.
- حالة الأبواب.
- تشغيل HVAC.
- اتجاه الرياح في التطبيقات الخارجية.
لكن Computer Vision وحدها لا تكفي لتقديم تنبؤ فيزيائي موثوق طويل الأمد؛ فانتشار الدخان يعتمد على الحرارة والطفو والتهوية والضغط والهندسة ومصدر الحريق وغيرها.
لذلك الأفضل أن يكون النظام Decision Support لا بديلًا عن النمذجة الهندسية أو أنظمة الكشف المعتمدة.
10. دمج الكاميرات الحرارية
إضافة Thermal Vision ترفع مستوى المنظومة.
الكاميرا المرئية تقدم:
Smoke Appearance + Motion + Coverage
بينما التصوير الحراري قد يضيف:
Thermal Anomaly + Heat Location + Temperature Pattern
وبذلك يصبح لدينا:
RGB + Thermal + Computer Vision
ويمكن للذكاء الاصطناعي مقارنة منطقة ارتفاع الحرارة مع منطقة الدخان المرئي.
11. Sensor Fusion
المستوى الأكثر احترافية هو عدم الاعتماد على الكاميرا وحدها.
يمكن لـFirePro Smoke Vision AI™ دمج:
RGB Camera + Thermal + Smoke Detector + CO/CO₂/Gas Sensors + Temperature + HVAC + Airflow + LiDAR + Building Data
ثم تمر البيانات إلى:
Multi-Modal Fire Intelligence Engine™
فتصبح الكاميرا جزءًا من منظومة معلومات حريق متكاملة.
12. Smoke Heatmap
من أفضل الإضافات البصرية إنشاء:
Smoke Density Heatmap™
وتلوين المشهد وفق مؤشر الدخان المرئي.
مثلًا:
Low → Moderate → High → Very High
ثم تحديث الخريطة باستمرار.
وبذلك يستطيع قائد الحادث رؤية أين تتزايد عتامة الدخان وأين تتراجع بدل الاعتماد فقط على صورة الفيديو الخام.
13. اتجاهات متعددة للدخان
الدخان ليس دائمًا كتلة تتحرك في اتجاه واحد.
قد يحدث:
- تصاعد رأسي.
- تدفق أفقي.
- ارتداد.
- دوران.
- انقسام بين ممرين.
- تراكم في السقف.
- خروج من فتحة.
- انتقال بين الطوابق.
لذلك ينبغي ألا يكتفي النظام بسهم واحد.
يمكن إنشاء:
Smoke Vector Field™
وهو حقل متجهات يوضح الحركة المحلية داخل أجزاء الصورة المختلفة.
14. اكتشاف التغير المفاجئ في سلوك الدخان
يمكن للنظام مراقبة:
Smoke Dynamics
واكتشاف تغيرات مثل:
- زيادة سريعة في المساحة.
- تغير مفاجئ في الاتجاه.
- زيادة معدل الحركة.
- انتقال الدخان إلى منطقة جديدة.
- انخفاض الرؤية.
- ظهور دخان كثيف في مسار إخلاء.
عندها يظهر:
⚠️ RAPID SMOKE BEHAVIOR CHANGE
لكن يجب ألا تُفسر هذه العلامة وحدها على أنها تشخيص لظاهرة حريق محددة دون أدلة إضافية.
15. حماية مسارات الإخلاء
أحد أهم التطبيقات هو ربط Smoke Vision بخريطة المبنى.
إذا دخل الدخان إلى ممر إخلاء، يستطيع النظام إصدار:
EVACUATION ROUTE A — SMOKE IMPACT DETECTED
ثم يستطيع نظام دعم القرار البحث عن المسارات البديلة التي تشير البيانات إلى أنها أقل تأثرًا.
وهذا يمكن دمجه مع:
FirePro Smart Evacuation AI™
16. دعم رجال الإطفاء
يمكن أيضًا ربط النظام بـ:
Firefighter Safety Twin™
لتظهر على الخريطة:
- موقع رجل الإطفاء.
- منطقة الدخان.
- اتجاه حركته المرئية.
- المسار الحالي.
- المناطق عالية الخطورة.
- المخارج.
- بيانات SCBA إن توفرت.
- PASS / Man-Down.
وهكذا يستطيع قائد الحادث مقارنة مسار الفريق مع مسار انتشار الدخان.
17. الدرون والروبوتات
في المستودعات والمنشآت الصناعية وحرائق الغابات يمكن استخدام:
Drone + Camera + Thermal + AI
أو:
Firefighting Robot + Computer Vision
لإنشاء صورة أوسع للموقف.
وهذا مفيد خصوصًا عندما تكون الكاميرات الثابتة محجوبة أو لا تغطي المنطقة بالكامل.
18. Edge AI
بدل إرسال الفيديو كاملًا إلى Cloud، يمكن معالجة الصور محليًا باستخدام:
FirePro Vision Edge Node™
بحيث يقوم الجهاز القريب من الكاميرا بتنفيذ:
Detection → Segmentation → Optical Flow → Density Index → Alert
ثم يرسل النتائج المهمة فقط إلى مركز القيادة.
المراجعة العلمية المنشورة في 2024 تشير إلى أن تطور التعلم العميق والكاميرات الذكية القادرة على تشغيل الخوارزميات على الحافة فتح المجال لأنظمة أكثر تطورًا، مع بقاء تحديات كبيرة في البيانات والموثوقية والتعميم.
19. ماذا تعرض لوحة FirePro Smoke Vision AI™؟
أقترح أن تحتوي لوحة التحكم على بيانات مثل:
SMOKE STATUS: DETECTED
AI CONFIDENCE: 93%
VISUAL DENSITY INDEX: 67/100
DOMINANT DIRECTION: NORTH-EAST ↗
SMOKE COVERAGE: 38%
VISUAL MOTION: INCREASING
AFFECTED ZONES: 3
EVACUATION ROUTES AT RISK: 1
CAMERAS ONLINE: 12/12
SENSOR HEALTH: 96%
وتحتها فيديو مباشر يحتوي على:
Smoke Mask + Heatmap + Vector Arrows + Zone Boundaries + Route Overlay
فتصبح اللوحة قوية بصريًا جدًا.
20. Explainable AI
لا أريد أن تعرض أداة FirePro One مجرد:
HIGH RISK
بل تشرح السبب، مثل:
ارتفاع مساحة الدخان المرئية بنسبة ملحوظة خلال الفترة الأخيرة.
اتجاه الحركة الغالب نحو الممر C.
انخفاض التباين المرئي في منطقة الإخلاء.
الكاميرا الحرارية تشير إلى تغير حراري متزامن.
جودة الصورة 88% والثقة الحالية 91%.
وهذا هو:
Explainable Smoke Intelligence™
21. التعامل مع عدم اليقين
إذا كانت الكاميرا مغطاة بالدخان أو الصورة ضعيفة أو العدسة متسخة، يجب ألا يخترع الذكاء الاصطناعي نتيجة.
بل يعرض:
INSUFFICIENT VISUAL DATA
أو:
CAMERA VISIBILITY DEGRADED
أو:
DIRECTION CONFIDENCE LOW
وهذه ميزة احترافية مهمة جدًا.
22. أهم أسباب الإنذارات الكاذبة
Computer Vision قد يخلط الدخان مع:
البخار، الضباب، الغبار، السحب، عوادم المركبات، الإضاءة المتغيرة، الانعكاسات، عمليات اللحام وبعض الأجسام المتحركة.
وتؤكد مراجعات المجال أن التشابه البصري والخلفيات المعقدة والحركة تمثل تحديات حقيقية لأنظمة كشف الدخان المرئية.
ولهذا فإن Sensor Fusion + Temporal Analysis أفضل من اتخاذ القرار اعتمادًا على إطار منفرد.
23. ظروف يجب اختبار النظام فيها
قبل التفكير في الاستخدام التشغيلي يجب اختباره في بيئات تشمل:
دخان أبيض وأسود ورمادي، إضاءة ضعيفة، ظلام، ضوء شمس مباشر، بخار، ضباب، غبار، انعكاسات، حركة أشخاص ومركبات، زوايا تصوير مختلفة، مسافات مختلفة، كاميرات مختلفة، ومعدلات تدفق دخان مختلفة.
والهدف ليس الحصول على رقم Accuracy مرتفع داخل المختبر فقط، بل إثبات قدرة النظام على التعميم في البيئة الحقيقية.
24. المعمارية المقترحة لـFirePro One
يمكن بناء المنظومة بهذه الصورة:
CCTV / Thermal / Drone / Robot
↓
FirePro Vision Edge Node™
↓
Smoke Detection AI
↓
Smoke Segmentation Engine
↓
Visual Smoke Density Index™
↓
Optical Flow + Smoke Vector Field™
↓
Smoke Spread Intelligence™
↓
Digital Twin / BIM
↓
Incident Command Dashboard
ثم ربطها مع منظومة FirePro One الأوسع:
Fire Spread Forecast AI™ + Firefighter Safety Twin™ + Smart Evacuation AI™ + Structural Fire Guardian AI™ + FirePro Spatial Fire Intelligence AI™
لتتجمع النتائج في:
FirePro One AI Command Center™
25. التطبيقات العملية
هذه التقنية مناسبة خصوصًا للمساحات التي توفر فيها الكاميرات رؤية واسعة، مثل المستودعات والمصانع والمطارات ومحطات الطاقة ومراكز البيانات ومواقف السيارات والأنفاق والمباني الشاهقة والمنشآت النفطية والبتروكيماوية، وكذلك المراقبة الخارجية وحرائق الغابات.
وفي الأماكن الكبيرة أو المفتوحة، يمكن أن تقدم الرؤية الحاسوبية قيمة إضافية لأنها تراقب مساحة من المشهد بدل انتظار وصول نواتج الحريق إلى نقطة استشعار بعينها؛ لكن الأداء يعتمد بشدة على ظروف المشهد والكاميرا والنموذج.
26. المرحلة المستقبلية: Smoke Digital Twin™
المرحلة المتقدمة التي أقترح تطويرها لفاير برو ون هي:
FirePro Smoke Digital Twin™
حيث يتم تحويل الفيديو والبيانات الحسية إلى تمثيل حي داخل النموذج الرقمي للمبنى.
فيظهر مثلًا:
Floor 03 → Smoke detected → Density increasing → Corridor B affected → Movement toward Stair 2 → Route requires verification
ومع وصول بيانات جديدة تتحدث الخريطة تلقائيًا.
وهذا ينقل التقنية من Video Analytics إلى:
Fireground Visual Intelligence
الخلاصة :
استخدام Computer Vision في الحرائق يمكن أن يتجاوز مجرد اكتشاف وجود الدخان. فالتحليل الزمني للفيديو وتقنيات Segmentation وOptical Flow والتعلم العميق يمكن أن توفر تقديرات لحركة الدخان ومساحته وخصائصه المرئية واتجاه انتشاره في الصورة، وقد تناولت الأبحاث هذه الخصائص بالفعل في أنظمة الكشف المرئي عن الدخان.
أما التطوير الأقوى لفاير برو ون فهو الجمع بين:
Computer Vision + Thermal + Optical Flow + Edge AI + Sensor Fusion + Digital Twin + Firefighter Tracking
ضمن FirePro Smoke Vision AI™.
لكن يجب أن يبقى النظام أداة دعم قرار، وألا تُقدَّم كثافة الدخان المستنتجة من الصورة كتركيز فيزيائي معتمد دون معايرة، وألا يحل النظام محل أنظمة كشف وإنذار الحريق المعتمدة أو تقييم قائد الحادث.
شعار التقنية المقترح
See the Smoke. Track the Flow. Predict the Risk.
شاهد الدخان • تتبّع حركته • افهم الخطر
عنوان SEO:
استخدام Computer Vision لقياس كثافة الدخان وتحديد اتجاه انتشاره بالذكاء الاصطناعي 2026 | FirePro One
Meta Description:
دليل تقني شامل من FirePro One حول استخدام الرؤية الحاسوبية والذكاء الاصطناعي لتحليل كثافة الدخان المرئية، تحديد اتجاه انتشاره باستخدام Optical Flow، وإنشاء خرائط Smoke Heatmap وDigital Twin لدعم السلامة وقيادة الحوادث.
الكلمات المفتاحية:
Computer Vision Fire Detection، Smoke Detection AI، Smoke Density، Optical Flow Smoke، اتجاه انتشار الدخان، كشف الدخان بالذكاء الاصطناعي، Fire AI، Edge AI Fire Detection، Smoke Heatmap، Fire Digital Twin، FirePro One، الرؤية الحاسوبية للحرائق.
FirePro Smoke Vision AI™
Computer Vision for Smoke Density Measurement & Spread Direction
Density: 67
Direction: NE ↗
Confidence: 93%
VSDI™ مؤشر بصري توضيحي خاص بالمحاكاة، ولا يمثل قياسًا مباشرًا لتركيز الدخان الفيزيائي مثل mg/m³.
اختر حالة لتشاهد كيف تتغير كثافة الدخان المرئية، اتجاه الحركة، التغطية، مستوى الثقة والمناطق المتأثرة.
تم رصد دخان مرئي متزايد مع اتجاه حركة غالب نحو الشمال الشرقي. تستمر مراقبة مناطق الإخلاء ومصادر الاستشعار الأخرى.
CCTV / Thermal
Frame Processing
Smoke Detection
Segmentation
VSDI™
Optical Flow
Smoke Forecast
Decision Support
ليست هناك تعليقات:
إرسال تعليق