استخدام Computer Vision لاكتشاف مخارج الطوارئ المحجوبة ومخالفات السلامة
AI Computer Vision for Blocked Emergency Exits & Safety Violations
FirePro One | الذكاء الاصطناعي والوقاية الذكية من الحريق – 2026
في حالات الحريق والطوارئ، قد تكون الثواني الفاصلة بين اكتشاف الخطر والوصول إلى مخرج آمن حاسمة. ولهذا فإن وجود مخرج طوارئ في المخطط أو تركيب لوحة EXIT لا يكفي وحده؛ بل يجب أن يبقى مسار الخروج متاحًا وقابلًا للاستخدام وفق المتطلبات المعمول بها في المنشأة.
لكن الواقع التشغيلي يتغير باستمرار.
قد تُترك صناديق أمام باب الخروج، أو تتراكم بضائع داخل الممر، أو تُركن عربة في مسار الإخلاء، أو يُحجب مخرج بمواد مؤقتة، أو تصبح لوحة الخروج غير ظاهرة.
وهنا يظهر تطبيق مهم للذكاء الاصطناعي:
AI Computer Vision for Safety Inspection
أي استخدام الرؤية الحاسوبية لتحليل الصور والفيديو واكتشاف الحالات التي قد تمثل مخالفة أو خطرًا يستحق مراجعة مسؤول السلامة.
المشكلة: السلامة ليست حالة ثابتة
قد يجتاز المبنى التفتيش في الصباح، ثم تتغير حالته بعد ساعات.
على سبيل المثال:
08:00
مسار الخروج خالٍ.
11:30
تصل شحنة جديدة.
12:00
توضع صناديق مؤقتًا في الممر.
14:15
تتراكم الصناديق أمام باب الطوارئ.
إذا لم تحدث جولة تفتيش جديدة، فقد يستمر الوضع حتى نهاية اليوم.
لذلك يمكن أن تتحول السلامة من نموذج:
Periodic Inspection
إلى:
Continuous Safety Monitoring
مع إبقاء التحقق والإجراء التصحيحي النهائي تحت مسؤولية الإنسان.
ما هي Computer Vision؟
الرؤية الحاسوبية هي مجموعة تقنيات تمكّن الأنظمة الحاسوبية من تحليل الصور والفيديو واستخراج معلومات منها.
بدل أن يرى النظام الصورة كمجموعة Pixels فقط، يمكن لنموذج مدرّب أن يحاول التعرف على عناصر مثل:
🚪 باب.
📦 صندوق.
🛒 عربة.
🚧 حاجز.
🔥 طفاية.
🟢 لوحة خروج.
👤 شخص.
ثم يدرس العلاقة المكانية بينها.
وهذا مهم لأن السؤال الحقيقي ليس:
هل يوجد صندوق؟
بل:
هل هذا الصندوق يعيق منطقة يجب أن تبقى خالية؟
كيف يكتشف النظام مخرجًا محجوبًا؟
يمكن تقسيم العملية إلى عدة مراحل.
1. التعرف على مخرج الطوارئ
يحلل النموذج الصورة ويحدد:
Emergency Exit
أو:
Exit Door
ثم يرسم منطقة حوله.
2. تحديد منطقة الحماية
يمكن تعريف منطقة افتراضية:
Exit Clearance Zone
حول الباب أو ضمن مسار الوصول إليه.
3. اكتشاف الأجسام
يبحث Computer Vision عن أجسام مثل:
صناديق.
منصات تحميل.
عربات.
أثاث.
حاويات.
معدات.
بضائع.
مركبات، عند ملاءمة الموقع.
4. Spatial Reasoning
يحلل النظام العلاقة بين الجسم ومنطقة الخروج.
5. تقييم الحالة
مثلًا:
EXIT CLEAR
أو:
POSSIBLE OBSTRUCTION
أو:
BLOCKED EXIT — REVIEW REQUIRED
6. التنبيه
يرسل النظام صورة الحدث وموقع الكاميرا والتوقيت إلى مسؤول السلامة للتحقق.
ليس كل جسم أمام الكاميرا مخالفة
هذه نقطة أساسية في تصميم النظام.
وجود صندوق داخل الصورة لا يعني وجود مخالفة.
يجب أن يفهم AI:
Where is the object?
Where is the exit?
Does it overlap the protected zone?
How long has it remained there?
لذلك نحتاج إلى:
Object Detection + Spatial Analysis + Time Analysis
وليس Object Detection فقط.
اكتشاف انسداد مسارات الهروب
يمكن تطبيق المبدأ نفسه على:
Escape Routes
و:
Egress Paths
يقوم النظام بتحديد المسار الذي يجب أن يبقى متاحًا، ثم يراقب وجود عوائق داخله.
مثل:
📦 Storage
🛒 Cart
🪑 Furniture
🚧 Temporary Barrier
ويمكن إنشاء:
Virtual Safety Zone
داخل الفيديو.
إذا دخل جسم إلى المنطقة وبقي مدة محددة:
Object enters restricted zone
↓
Timer starts
↓
Object remains
↓
AI evaluates
↓
Safety alert
وهذا يقلل التنبيهات الناتجة عن مرور جسم بشكل مؤقت.
اكتشاف لوحة EXIT المحجوبة
ليست الأبواب وحدها مهمة.
يمكن للـComputer Vision مراقبة:
Exit Sign Visibility
ويحاول اكتشاف:
لوحة EXIT غير ظاهرة.
لوحة محجوبة ببضائع.
إعلان يغطيها.
جسم يحجب خط الرؤية.
تغير واضح في حالة الإضاءة، إذا كانت الصورة تسمح بتقييم ذلك.
يمكن أن يظهر:
EXIT SIGN VISIBILITY: 34%
ثم:
VISIBILITY BELOW CONFIGURED THRESHOLD
↓
INSPECTION REQUIRED
لكن قياس المطابقة الفعلية للمتطلبات يجب أن يعتمد على المعايير المعمول بها، ونوع اللوحة، وظروف الموقع، والتحقق البشري.
هل يمكن اكتشاف باب خروج مغلق أو غير قابل للاستخدام؟
يمكن للرؤية الحاسوبية اكتشاف بعض المؤشرات البصرية، لكن يجب توخي الحذر.
قد يحاول النظام اكتشاف:
🔒 قفل ظاهر.
⛓️ سلسلة.
📦 جسم يمنع فتح الباب.
🚧 حاجز أمام الباب.
لكن الصورة وحدها قد لا تثبت أن الباب قابل للفتح تشغيليًا.
لذلك الأفضل أن يصنف النظام الحالة:
Potential Exit Access Issue
بدل إصدار حكم نهائي.
اكتشاف الطفايات المحجوبة
يمكن توسيع النظام ليشمل:
Fire Extinguisher Accessibility
يتعرف AI على:
🧯 الطفاية.
ثم يحدد منطقة الوصول إليها.
إذا وضعت بضائع أو معدات أمامها:
Extinguisher Detected
↓
Access Zone Defined
↓
Obstruction Detected
↓
Accessibility Alert
وبذلك تصبح الكاميرا أداة مساعدة للتفتيش المستمر.
اكتشاف معدات الحريق الأخرى
يمكن تدريب النظام — وفق البيئة والبيانات المتاحة — لمحاولة مراقبة عناصر إضافية مثل:
Fire Hose Cabinet
Manual Call Point
Fire Alarm Panel
Emergency Equipment
Fire Department Connection
Hydrant Area
لكن كل عنصر يحتاج إلى قواعد مختلفة.
فالهدف ليس إنشاء نموذج يقول:
Object present / absent
فقط.
بل:
هل العنصر موجود، ظاهر، ويمكن الوصول إليه وفق قواعد النظام المحددة؟
تخزين المواد في المواقع غير المناسبة
من الاستخدامات القوية للـAI إنشاء مناطق افتراضية:
No Storage Zone
مثلًا حول معدات أو مناطق يجب إبقاؤها خالية بحسب متطلبات المنشأة.
عند دخول بضائع إلى المنطقة:
STORAGE DETECTED
ثم يبدأ النظام بحساب الزمن.
إذا استمرت الحالة:
SAFETY REVIEW ALERT
ويتم تسجيل الحدث.
الذكاء الاصطناعي وHousekeeping
كثير من مخاطر السلامة اليومية ترتبط بالترتيب والنظافة التشغيلية.
يمكن للـComputer Vision المساعدة في رصد أنماط مثل:
تراكم المواد.
عوائق الممرات.
نفايات متراكمة.
تخزين غير معتاد.
أبواب محجوبة.
معدات سلامة يصعب الوصول إليها.
وبذلك يصبح AI مساعدًا رقميًا لجولات:
Safety Housekeeping Inspection
تحليل الفيديو وليس الصورة فقط
الفيديو يعطي النظام عنصرًا مهمًا:
Time
فمثلًا:
شخص يمر أمام مخرج لمدة ثانيتين.
هذا طبيعي.
لكن:
عربة تُترك أمام الباب لمدة 25 دقيقة.
هذه حالة مختلفة.
لذلك يمكن بناء قاعدة:
Object detected in Exit Zone
↓
Duration > Configured Limit
↓
Persistent Obstruction
↓
Alert
وهذا يسمى:
Temporal Reasoning
اكتشاف التغيرات
يمكن للذكاء الاصطناعي مقارنة المشهد الحالي بصورة مرجعية.
Baseline Image
مقابل:
Current Image
ثم:
Change Detection
مثال:
الحالة المرجعية:
EXIT CLEAR
الحالة الحالية:
4 BOXES DETECTED
CLEARANCE ZONE OCCUPIED
وهذا مفيد في المستودعات والمصانع والمراكز التجارية.
AI Safety Zones
يمكن لمسؤول السلامة رسم مناطق افتراضية داخل الصورة.
مثل:
🟥 EXIT CLEARANCE ZONE
🟨 FIRE EQUIPMENT ACCESS ZONE
🟦 EGRESS PATH
🟩 SAFE AREA
ثم يطبق النظام قواعد مختلفة على كل منطقة.
وهذا يجعل الحل قابلًا للتخصيص حسب الموقع.
نموذج التشغيل المقترح
يمكن أن تعمل المنظومة بالشكل التالي:
CCTV Camera
↓
Video Stream
↓
Edge AI / AI Server
↓
Object Detection
↓
Safety Zone Analysis
↓
Temporal Analysis
↓
Risk Classification
↓
Evidence Capture
↓
Safety Dashboard
↓
Human Verification
↓
Corrective Action
↓
Closure & Documentation
Edge AI
إرسال جميع الفيديوهات إلى Cloud ليس دائمًا الخيار الأفضل.
يمكن تنفيذ التحليل بالقرب من الكاميرات باستخدام:
Edge AI
بحيث:
Camera
↓
Local AI Processor
↓
Event Detected
↓
فقط عند وجود حالة تستحق المراجعة يتم إرسال:
Snapshot.
Event ID.
Camera ID.
Timestamp.
Violation Type.
Confidence Score.
وهذا يمكن أن يقلل حركة البيانات ويحسن سرعة الاستجابة ويعزز خيارات الخصوصية.
Dashboard ذكي لمسؤول السلامة
يمكن تصميم لوحة:
FirePro AI Safety Inspector™
وتعرض:
FACILITY SAFETY STATUS
🟢 Clear Exits: 38
🔴 Possible Blocked Exits: 2
🟠 Obstructed Fire Equipment: 3
🟡 Exit Sign Review: 1
🔵 Active Cameras: 47/48
ثم قائمة:
ALERT #FPO-2026-041
Location: Warehouse B
Camera: CAM-17
Violation: Possible Blocked Exit
AI Confidence: 94%
Duration: 18 min
Status: OPEN
مع صورة للحالة.
خريطة المبنى
يمكن ربط التنبيهات بمخطط المنشأة.
فتظهر:
🟢 المناطق السليمة.
🟡 مناطق تحتاج مراجعة.
🔴 مواقع التنبيهات النشطة.
ويستطيع مسؤول السلامة الضغط على:
Warehouse B
ثم:
Camera 17
ثم مشاهدة الحدث.
AI Risk Score
بدل معاملة جميع الأحداث بالطريقة نفسها، يمكن إنشاء درجة أولوية داخلية.
مثلًا:
Risk Priority = Severity + Duration + Location + Confidence + Repetition
مثال:
صندوق صغير ظهر لمدة دقيقة:
LOW REVIEW PRIORITY
بينما تراكم بضائع أمام مخرج رئيسي لفترة طويلة:
HIGH REVIEW PRIORITY
لكن يجب ألا تُخلط درجة الأولوية الداخلية مع تصنيف قانوني أو اعتماد رسمي للمخالفة.
Computer Vision + Digital Twin
إذا ربطنا النظام بنموذج رقمي للمبنى:
Digital Twin
يمكن ربط كل كاميرا بـ:
الطابق.
القطاع.
المخرج.
المسار.
معدات الحريق.
مناطق التخزين.
نقاط التجمع.
وعند اكتشاف مشكلة:
CAM-17
↓
Exit E-04
↓
Warehouse B
↓
Digital Twin
↓
🔴 Possible Obstruction
فتصبح بيانات السلامة مكانية وليست مجرد قائمة تنبيهات.
دمج النظام مع أنظمة إدارة المبنى
يمكن أيضًا ربط النظام، عند السماح بذلك، مع:
BMS
Fire Alarm System
Access Control
Maintenance System
Safety Management Platform
لكن يجب الفصل بوضوح بين:
Monitoring
و:
Life-Safety Control
فلا ينبغي السماح لنظام AI غير معتمد بإجراء تغييرات تلقائية في وظائف سلامة الحياة لمجرد أنه صنّف صورة على أنها مخالفة.
ماذا يحدث عند اندلاع حريق؟
هنا تظهر فائدة إضافية.
إذا كان النظام يعرف مسبقًا أن:
Exit E-04 — Possible Obstruction
فقد تُعرض هذه المعلومة في مركز القيادة كجزء من الوعي الموقفي.
لكن أثناء الحادث الحقيقي يجب أن تعتمد قرارات الإخلاء والاستجابة على المعلومات الميدانية والأنظمة والإجراءات المعتمدة، لأن حالة المبنى يمكن أن تتغير بسرعة.
Human-in-the-Loop
هذه أهم قاعدة في النظام.
AI يقول:
Potential Blocked Exit
ثم مسؤول السلامة:
Reviews Image
↓
Confirms / Rejects
↓
Assigns Corrective Action
↓
Verifies Closure
فالذكاء الاصطناعي:
Detects
Prioritizes
Documents
والإنسان:
Verifies
Decides
Acts
لماذا لا نعطي AI صلاحية تسجيل مخالفة نهائية تلقائيًا؟
لأن الصورة قد تكون مضللة.
قد يكون الجسم:
بعيدًا عن المخرج رغم زاوية التصوير.
موجودًا مؤقتًا.
خارج منطقة الخلوص الفعلية.
جزءًا من عملية مسموحة ومراقبة.
نتيجة خطأ في النموذج.
ولهذا يجب أن تكون اللغة:
Potential Safety Violation
أو:
Review Required
وليس:
Confirmed Violation
قبل التحقق المناسب.
False Positives
مثال:
يرى AI ظلًا ويعتقد أنه جسم.
أو يخطئ في حدود الباب.
فتظهر حالة غير حقيقية.
هذا:
False Positive
إذا كانت النسبة مرتفعة، سيبدأ الموظفون بتجاهل التنبيهات.
وهذا يقود إلى:
Alert Fatigue
لذلك جودة النظام لا تقاس بعدد التنبيهات.
بل بمدى فائدتها ودقتها.
False Negatives
وهي أخطر في بعض التطبيقات.
يوجد مخرج محجوب بالفعل لكن AI لا يكتشفه.
ولهذا يجب ألا يُستخدم النظام كبديل كامل عن:
Human Inspection
بل كطبقة إضافية:
AI Continuous Monitoring
Scheduled Human Inspection
Safety Management
كيف ندرب النموذج؟
نحتاج إلى صور متنوعة.
حالات سليمة
Exit Clear.
Clear Corridor.
Accessible Extinguisher.
Visible Exit Sign.
حالات غير سليمة أو تحتاج مراجعة
Boxes Blocking Exit.
Pallet Near Exit.
Cart in Egress Path.
Obstructed Extinguisher.
Covered Exit Sign.
ويجب أن تشمل البيانات:
زوايا كاميرا مختلفة.
إضاءة مختلفة.
منشآت مختلفة.
أنواع أبواب مختلفة.
أشكال متعددة للمواد.
ازدحامًا متفاوتًا.
Synthetic Data
يمكن أيضًا استخدام:
Synthetic Training Data
بإنشاء مشاهد افتراضية ثلاثية الأبعاد.
مثل:
Warehouse Digital Twin
ثم تغيير:
مواقع الصناديق.
الإضاءة.
الكاميرا.
زاوية الرؤية.
عدد العوائق.
وتوليد آلاف السيناريوهات.
وهذا قد يساعد في زيادة تنوع بيانات التدريب، مع ضرورة التحقق لاحقًا على بيانات واقعية.
الخصوصية
إذا استخدمت كاميرات CCTV، يجب تصميم النظام مع مراعاة:
Privacy by Design
ومن الأساليب الممكنة:
معالجة الفيديو محليًا.
عدم تخزين الفيديو المستمر عند عدم الحاجة.
حفظ Event Snapshot فقط وفق السياسة.
إخفاء الوجوه عندما لا تكون الهوية مطلوبة.
التحكم في الصلاحيات.
تحديد مدة الاحتفاظ.
تسجيل عمليات الوصول.
الهدف:
Safety Monitoring
وليس مراقبة الأشخاص لأغراض غير مرتبطة بالسلامة.
الأمن السيبراني
كاميرات السلامة وأنظمة AI تصبح جزءًا من البنية الرقمية للمنشأة.
لذلك يجب حماية:
CCTV
Edge Devices
AI Server
Dashboard
APIs
User Accounts
من:
الوصول غير المصرح.
تغيير الفيديو.
تعطيل الكاميرات.
تغيير النموذج.
حذف الأدلة.
تزوير التنبيهات.
ويجب تسجيل:
Audit Logs
للأحداث والتعديلات.
أهم مؤشرات الأداء
لا يكفي القول:
AI Accuracy = 95%
بل ينبغي قياس:
Precision
كم تنبيهًا كان صحيحًا؟
Recall
كم حالة حقيقية اكتشفها النظام؟
False Positive Rate
كم تنبيهًا خاطئًا؟
False Negative Rate
كم حالة خطرة فاتت النظام؟
Detection Latency
كم استغرق الاكتشاف؟
Mean Time to Correct
كم استغرق إغلاق الحالة؟
وهذا الأخير مهم لأن الهدف النهائي ليس اكتشاف المخالفة فقط.
الهدف:
إزالتها.
Predictive Safety
بعد جمع بيانات كافية يمكن الانتقال من:
Detection
إلى:
Prediction
مثلًا يكتشف النظام أن:
Warehouse B
يشهد تكرار عوائق مسارات الخروج بين الساعة:
13:00–15:00
بسبب عمليات الاستلام.
هنا يمكن للنظام أن يقول:
Repeated Obstruction Pattern Detected
ثم يقترح مراجعة العملية التشغيلية.
وهذا ينقلنا من:
Reactive Safety
إلى:
Predictive Safety Management
Root Cause Analysis
إذا تكررت المشكلة، لا يكفي إزالة الصندوق كل مرة.
يجب السؤال:
لماذا يتكرر التخزين هنا؟
قد تكون المشكلة:
نقص مساحة التخزين.
تصميم مسار غير مناسب.
عملية لوجستية سيئة.
نقص التدريب.
عدم وضوح العلامات الأرضية.
وهنا يمكن للبيانات دعم:
Root Cause Analysis
من التنبيه إلى الإغلاق
النظام الاحترافي يجب أن يدير دورة الحالة كاملة:
Detection
↓
Verification
↓
Corrective Action
↓
Responsible Person
↓
Due Time
↓
Reinspection
↓
Closure
↓
Analytics
وبذلك يتحول AI من كاميرا ذكية إلى جزء من:
Safety Management Workflow
نموذج FirePro One المقترح
نقترح تطوير:
FirePro AI Safety Inspector™
الوظائف الرئيسية
AI Exit Guard™
مراقبة مخارج الطوارئ.
AI Egress Watch™
مراقبة مسارات الهروب.
AI Fire Equipment Guard™
مراقبة إمكانية الوصول إلى معدات الحريق.
AI Exit Sign Vision™
مراقبة ظهور لوحات الخروج.
AI Housekeeping Monitor™
اكتشاف أنماط التخزين والعوائق.
AI Safety Heatmap™
عرض المخاطر على مخطط المبنى.
AI Corrective Action Tracker™
متابعة الإجراءات التصحيحية.
المعمارية التقنية المقترحة
CCTV / Smart Cameras
↓
Edge AI
↓
Computer Vision
↓
Object Detection
↓
Safety Zone Engine
↓
Temporal Reasoning
↓
Risk Prioritization
↓
Human Verification
↓
Corrective Action
↓
Digital Twin
↓
Safety Analytics
↓
Predictive Safety
دمجه مع Agentic AI
يمكن تطوير النظام أكثر وربطه بمنصة:
Agentic AI
مثلًا:
Vision Agent
يكتشف الحالة.
↓
Safety Compliance Agent
يربطها بقاعدة القواعد الداخلية والمتطلبات المناسبة.
↓
Risk Agent
يحدد أولوية المراجعة.
↓
Notification Agent
يوجه التنبيه للشخص المسؤول.
↓
Corrective Action Agent
يتابع الحالة.
↓
Human Safety Officer
يعتمد القرار والإغلاق.
وهنا يصبح النظام:
Autonomous Safety Monitoring with Human Governance
أي أتمتة المراقبة والمتابعة مع إبقاء السلطة والمسؤولية البشرية.
التكامل مع FirePro One
يمكن ربط:
FirePro AI Safety Inspector™
مع:
FirePro AI SmokeVision™
FirePro AI Flashover Predictor™
Firefighter Safety Twin™
Fire Spread Forecast AI™
Smart Evacuation AI™
Fire Investigation AI Lab™
و:
Incident Command AI
لتكوين منظومة موحدة:
FirePro One Intelligent Fire Safety Ecosystem™
تغطي:
Prevention
↓
Inspection
↓
Detection
↓
Prediction
↓
Emergency Response
↓
Investigation
↓
Continuous Improvement
مثال عملي
تخيل مستودعًا يحتوي على 20 مخرج طوارئ و60 كاميرا.
في الساعة:
13:42
تكتشف الكاميرا:
CAM-24
وجود عدة صناديق في منطقة الخروج:
EXIT E-07
يبدأ المؤقت.
بعد استمرار الحالة وفق الإعداد المحدد:
AI Confidence: 96%
Event: Possible Exit Obstruction
Location: Warehouse C
Status: REVIEW REQUIRED
يصل التنبيه لمسؤول السلامة.
يفتح الصورة.
يؤكد الحالة.
يُسند الإجراء إلى مشرف المستودع.
تزال الصناديق.
تعيد الكاميرا التحليل:
EXIT CLEAR
ثم يغلق مسؤول السلامة الحالة.
النتيجة ليست مجرد:
AI detected a box.
بل:
Hazard Detected → Verified → Corrected → Documented
وهذه هي القيمة الحقيقية للنظام.
مستقبل التفتيش على السلامة
التفتيش التقليدي لن يختفي.
لكن يمكن أن يصبح أكثر ذكاءً.
المستقبل قد يكون:
Human Safety Inspector
Computer Vision
IoT
Digital Twin
Predictive Analytics
Agentic AI
ليتحول مسؤول السلامة من شخص يحاول رؤية كل شيء بنفسه إلى مدير لمنظومة توفر له:
Continuous Situational Awareness
رؤية FirePro One
ترى FirePro One أن الذكاء الاصطناعي في الوقاية من الحريق يجب ألا يبدأ فقط بعد اشتعال الحريق.
أكبر قيمة قد تتحقق عندما يساعدنا AI على اكتشاف الظروف غير الآمنة قبل أن تتحول إلى حادث.
ولهذا نقترح مفهوم:
FirePro AI Safety Inspector™
See the Violation.
Understand the Risk.
Correct It Before the Emergency.
الخلاصة :
يمكن أن تمثل Computer Vision نقلة مهمة في مراقبة مخارج الطوارئ ومسارات الهروب ومعدات السلامة.
فبدل انتظار الجولة القادمة، تستطيع الكاميرات المدعومة بالذكاء الاصطناعي تحليل المشهد باستمرار واكتشاف التغيرات التي تستحق انتباه مسؤول السلامة.
لكن النظام الناجح لا يقول:
AI replaces the inspector.
بل:
AI Watches Continuously — Humans Verify and Act.
فالذكاء الاصطناعي يستطيع المساعدة في الرصد والتصنيف وترتيب الأولويات والتوثيق.
أما الحكم المهني، والتحقق من المطابقة، واتخاذ الإجراء، فتظل مسؤولية المختصين وفق الأنظمة والمعايير والإجراءات المعتمدة.
FirePro One
من التفتيش الدوري… إلى الوقاية الذكية المستمرة.
From Periodic Inspection to Continuous Intelligent Prevention.
© 2026 FirePro One
تنبيه مهني
المقال تقني وتثقيفي. أنظمة Computer Vision قد تخطئ في اكتشاف الأجسام أو تفسير المشاهد، ولا ينبغي اعتبار نتائجها إثباتًا نهائيًا لمخالفة أو بديلًا عن التفتيش المهني ومتطلبات الجهات المختصة والمعايير والأكواد المطبقة على المنشأة.
FirePro AI Safety Inspector™
اكتشاف مخارج الطوارئ المحجوبة بالذكاء الاصطناعي
Computer Vision for Continuous Fire & Life Safety Monitoring
EXIT CLEAR
لم يتم اكتشاف عائق مستمر داخل منطقة الخروج المحددة.
EXIT CLEAR
منطقة مخرج الطوارئ المحددة خالية في السيناريو الحالي.
ليست هناك تعليقات:
إرسال تعليق