اگر تا به حال از یک پالایشگاه نفت، کارخانه فرآوری شیمیایی یا سکوی حفاری خارج از ساحل عبور کرده باشید، می دانید که ایمنی چقدر حیاتی است. این محیط ها با گازهای انفجاری، گرد و غبار و بخار تعریف می شوند که حتی یک جرقه کوچک را به یک خطر فاجعه بار تبدیل می کند. اینجاست که دوربینهای ضد انفجار درون دستگاههایی قرار میگیرند که حاوی جرقههای داخلی یا گرما هستند تا خطرات اطراف را مشتعل نکنند. اما برای سالها، این دوربینها به ضبط اولیه محدود میشدند: آنها فیلم میگرفتند، اما نمیتوانستند آن را تجزیه و تحلیل کنند تا رویدادهای خطرناک را در زمان واقعی نشان دهند. اکنون دوربینهای هوش مصنوعی ضد انفجار آن را تغییر دادهاند و تشخیص اشیا، هشدارهای نقض محیطی و نظارت بر خطای تجهیزات را ارائه میدهند. اما واقعاً عملکرد هوش مصنوعی آنها چقدر دقیق است؟ من بهعنوان تامینکننده این دوربینهای تخصصی، سالها را صرف آزمایش، اصلاح و نصب این سیستمها در محیطهای پرخطر کردهام، و پاسخ آن به سادگی یک درصد نیست. این به عواملی بستگی دارد که اکثر مردم در نظر نمی گیرند: سخت افزار دوربین، داده های آموزشی، شرایط محیطی، و میزان کالیبره شدن آن برای خطرات دقیق محل آن.
ابتدا، بیایید خودمان را به این موضوع بپردازیم که یک دوربین ضد انفجار را از یک دوربین امنیتی استاندارد متمایز می کند. دوربینهای استاندارد برای مکانهای خطرناک رتبهبندی نمیشوند - اجزای داخلی آنها میتوانند بیش از حد گرم شوند یا قوس شوند و مواد قابل اشتعال را مشتعل کنند. دوربین های ضد انفجار در موادی مانند فولاد ضد زنگ یا آلومینیوم قرار گرفته اند که برای مقاومت در برابر انفجار داخلی بدون خروج جرقه طراحی شده اند. این بدنه ناهموار برای ایمنی ضروری است، اما محدودیتهای منحصر به فردی ایجاد میکند که بر دقت هوش مصنوعی تأثیر میگذارد. برای مثال، لنز دوربین های ضد انفجار باید ضخیم و مقاوم در برابر خش باشد تا در برابر گرد و غبار، ضربه و مواد شیمیایی خورنده محافظت شود. این می تواند نور را کمی تحریف کند و منجر به مشکلاتی در تشخیص اشیا شود. آن را با یک دوربین مصرفی مقایسه کنید که از یک لنز نازک و شفاف استفاده می کند که برای تصاویر واضح و بدون تغییر بهینه شده است. تیم ما سه نسل دوربین ضد انفجار Ir را در پالایشگاههای تگزاس آزمایش کرده است و متوجه شدیم که دقت هوش مصنوعی اولیه در مدلهایی با لنزهای شیشهای استاندارد 7 درصد کاهش یافته است، در مقایسه با لنزهای تخصصی ضد انعکاس و مقاوم در برابر مواد شیمیایی ما، که اعوجاج را تا کمتر از 2 درصد نگه میدارد. به همین دلیل است که ما روی پوششهای لنز سفارشی برای دوربینهایمان سرمایهگذاری میکنیم - ترفندهای کوچکی که مستقیماً عملکرد هوش مصنوعی را افزایش میدهند.
یکی دیگر از اجزای سخت افزاری کلیدی سنسور است. اکثر دوربینهای هوش مصنوعی خارج از قفسه از حسگرهای CMOS با وضوح بالا استفاده میکنند که اشیاء متحرک سریع را به وضوح ثبت میکنند، اما این حسگرها میتوانند در شرایط کم نور که در بسیاری از محیطهای خطرناک رایج است، مبارزه کنند. کارخانه های شیمیایی اغلب در شب با حداقل نور کار می کنند و سکوهای خارج از ساحل به چراغ های ناوبری کم تکیه می کنند. اینجاست که فناوری مادون قرمز (IR) وارد میشود. وقتی خط دوربین مادون قرمز ایمن ذاتی خود را ساختیم، با سازندگان حسگر کار کردیم تا آرایههای IR را طراحی کنیم که بیش از حد گرم نمیشوند - یک جزئیات مهم، زیرا گرما خطر آتش سوزی در مناطق انفجاری است. سپس مدلهای هوش مصنوعی خود را بر روی فیلمهای IR از پالایشگاهها و سیلوهای غلات، نه فقط دادههای استاندارد روزانه از آزمایشگاهها، آموزش دادیم. در آزمایشهای جانبی، دوربینهای ضد انفجار مجهز به IR ما در مقایسه با مدلهای هوش مصنوعی که فقط با فیلمهای رنگی در روز آموزش دیدهاند، 12 درصد دقت بالاتری برای تشخیص کارگران بدون PPE مناسب در نور کم داشتند. نکته ای که در اینجا وجود دارد این است که فیلم IR تک رنگ است، بنابراین مدل های هوش مصنوعی باید یاد بگیرند که اشیاء را بر اساس شکل و امضای گرما شناسایی کنند، نه فقط چیزی که معمولاً زمانی که تامین کنندگان داده های آموزشی را نادیده می گیرند، نادیده گرفته می شود.
وقتی صحبت از داده های آموزشی شد، اینجاست که اکثر دوربین های هوش مصنوعی به خصوص در مدل های ضد انفجار کوتاه می آیند. بسیاری از دوربینهای هوش مصنوعی عمومی از مجموعه دادههای عمومی مانند COCO یا ImageNet استفاده میکنند که مملو از صحنههای روزمره هستند: سگها، ماشینها، مردم در پارکها. اما محیط های خطرناک دارای اشیاء منحصر به فردی هستند: شیرهای صنعتی، لیفتراک ها، لوله های نشت گاز، PPE مانند لباس های مقاوم در برابر شعله و کلاه های سخت. چند سال پیش، پالایشگاهی در لوئیزیانا یک دوربین هوش مصنوعی ضد انفجار مقرون به صرفه را از یک رقیب آزمایش کرد و نتوانست کارگری را که دقیقاً در کنار یک نشتی ایستاده بود شناسایی کند، زیرا این مدل بر روی فیلمهای پیادهروی حومه شهر آموزش دیده بود، نه فضای داخلی پالایشگاه. ما بارها و بارها این اشتباه را دیدهایم: تامینکنندگان هوش مصنوعی ضد انفجار را به عنوان یک فکر بعدی در نظر میگیرند و از مدلهای عمومی به جای مدلهای آموزشدیده سفارشی برای مکانهای خطرناک استفاده میکنند. دوربین هوش مصنوعی ضد انفجار ما بر روی بیش از 50000 ساعت فیلم از سایتهای واقعی نفت و گاز، مواد شیمیایی و معدن آموزش دیده است که توسط تیم ما طی 10 سال نصب جمعآوری شده است. این دادهها شامل رویدادهای نادری میشود: یک لیفتراک با سرعت زیاد در یک راهرو باریک، یک سوپاپ که بخار نشت میکند، یک کارگر در حال بالا رفتن از مخزن محدود. هنگامی که ما این مدل را در برابر یک مدل عمومی در یک سایت معدنی در استرالیا آزمایش کردیم، مدل ما 96.8٪ دقت برای تشخیص حرکت تجهیزات غیرمجاز داشت، در حالی که مدل عمومی فقط 82.3٪ بود. تفاوت؟ داده های آموزشی مربوط به زمینه که خطرات واقعی دوربین را منعکس می کند.
اما دقت فقط مربوط به آموزش داده ها نیست، بلکه در مورد پردازش لبه نیز هست. بسیاری از مردم تصور میکنند هوش مصنوعی روی یک سرور ابری اجرا میشود، اما برای دوربینهای ضد انفجار، ارسال فیلم به ابر برای تجزیه و تحلیل ایده بدی است. در مکانهای دور با اینترنت محدود، تأخیر ابری میتواند هشدارها را به تأخیر بیندازد و انتقال فیلم از سایتهای خطرناک خطرات حریم خصوصی و امنیت دادهها را افزایش میدهد. مهمتر از آن، در شرایط اضطراری واقعی، شما فوراً به یک هشدار نیاز دارید، نه پس از 10 ثانیه تاخیر. به همین دلیل است که تمام پردازشهای هوش مصنوعی ما روی خود دوربین، روی سختافزار لبهای که برای کار در بدنه ضد انفجار طراحی شده است، انجام میشود. پردازش لبه محدودیتهای خاص خود را دارد: سختافزار نمیتواند به اندازه یک GPU رومیزی قدرتمند باشد، زیرا نمیتواند گرمای بیش از حد تولید کند یا انرژی زیادی مصرف کند (هر دو خطر آتشسوزی دارند). ما با تولیدکنندگان نیمه هادی برای طراحی یک تراشه لبه سفارشی که قدرت پردازش و ایمنی را متعادل می کند، شریک شدیم: این تراشه از مدل هوش مصنوعی ما با توان 5 وات استفاده می کند که بسیار کمتر از آستانه 10 وات است که به گواهی های ایمنی اضافی نیاز دارد. در آزمایشی در سال 2022، هوش مصنوعی لبه ما 99.1 درصد به دقت نسخه ابری همان مدل بود و هشدارها 8 ثانیه سریعتر فعال میشدند. برای پالایشگاهی که نشت گاز می تواند در 15 ثانیه مشتعل شود، این اختلاف 8 ثانیه نجات دهنده است.
البته هیچ سیستم هوش مصنوعی 100% دقیق نیست و عواملی وجود دارند که حتی بهترین سخت افزار و آموزش نیز نمی توانند بر آنها غلبه کنند. شرایط محیطی در سایتهای خطرناک بسیار شدید است: هوای نمک خورنده در سکوهای خارج از ساحل، گرد و غبار غلیظ در تأسیسات غلات، باران شدید در جنگلهای بارانی که در آن استخراج معدن انجام میشود. اینها می توانند لنز دوربین را کثیف کنند و منجر به تار شدن فیلم شوند یا با سنسورهای IR تداخل کنند. ما دوربینهایی را در یک معدن مس با گرد و غبار در آریزونا داشتهایم که گرد و غبار روی لنز جمع میشود و دقت برش را از 96 درصد به 88 درصد در تنها دو هفته کاهش میدهد. راه حل در اینجا بهتر نیست هوش مصنوعی، تعمیر و نگهداری منظم است: تیم ما توصیه می کند که پوشش لنزها را به صورت ماهانه تمیز کنید و مدل هوش مصنوعی را هر سه ماه یکبار کالیبره کنید تا برای هر گونه سایش تنظیم شود. همچنین توجه به این نکته مهم است که در هنگام رویدادهای نادر و پیش بینی نشده دقت کاهش می یابد: آتش سوزی کوچک چمن در نزدیکی یک پالایشگاه، یا یک بانک مه که دید دوربین را تار می کند. اما حتی در این صورت، هوش مصنوعی ما به گونهای طراحی شده است که «فعالیت غیرمعمول» را هنگامی که نمیتواند یک شی خاص را شناسایی کند، علامتگذاری میکند، بنابراین به اپراتورها هشدار داده میشود که به جای از دست دادن یک خطر بالقوه، بررسی کنند.
یکی دیگر از تصورات غلط رایج این است که همه دوربین های هوش مصنوعی ضد انفجار یکسان هستند. چند سال پیش، یک کارخانه شیمیایی کوچک در اوهایو، یک دوربین رنگی فشرده ضد انفجار ارزان قیمت را از یک خردهفروش آنلاین خریداری کرد و فکر میکرد که برای امنیت محیطی آنها کار میکند. در عرض یک ماه، هوش مصنوعی دوربین نتوانست مزاحمان را شناسایی کند، زیرا محفظه فشرده فضای کمی برای لنز و سنسور با کیفیت بالا باقی میگذاشت. ما به آنها توصیه کردیم دوربین ضد انفجار دیجیتال خود را ارتقا دهند که دارای محفظه داخلی بزرگتر برای حسگر بهتر است و دقت تشخیص نفوذگر آنها از 78 درصد به 95 درصد افزایش یافته است. اندازه در اینجا مهم است، اما گواهینامه نیز اهمیت دارد: دوربینی که «ضد انفجار» است اما استانداردهایی مانند ATEX، IECEx یا NEC را برآورده نمیکند نه تنها ناامن است، بلکه احتمالاً سختافزاری دارد که نمیتواند از هوش مصنوعی پیشرفته پشتیبانی کند. ما مدلهای غیرمجاز را آزمایش کردهایم که ادعا میکنند قابلیتهای هوش مصنوعی دارند، اما مدارهای داخلی آنها هنگام اجرای هوش مصنوعی بیش از حد گرم میشوند و کل کارخانه را در معرض خطر قرار میدهند.


من هم نمیخواهم دقت را اغراق کنم. حتی بهترین دوربین هوش مصنوعی ضد انفجار ما دارای ضریب خطای 3 تا 5 درصد است، بیشتر برای اجسام با کنتراست کم مانند یک دریچه کوچک در کنار یک لوله تیره، یا کارگری که لباسی می پوشد که با پس زمینه ترکیب می شود. به همین دلیل است که ما تنها به هوش مصنوعی متکی نیستیم: سیستمهای ما با نظارت انسانی همراه هستند و هشدارهایی برای اپراتورهای محل ارسال میشود که میتوانند رویدادها را تأیید کنند. برای مثال، اگر هوش مصنوعی یک نقض محیطی را علامتگذاری کند، اپراتور خوراک زنده را بالا میبرد تا تأیید کند که یک کارگر یا حیوان است، سپس اقدام میکند. این مدل انسان در حلقه، موارد مثبت کاذب را کاهش می دهد، که یک شکایت بزرگ برای سیستم های امنیتی هوش مصنوعی است. چند سال پیش، یک پالایشگاه در تگزاس گزارش داد که هوش مصنوعی رقیب 20 آلارم کاذب در هفته تولید میکند، عمدتاً از سایهها یا پرندگان، که اپراتورها را به نادیده گرفتن هشدارها سوق میدهد. سیستم ما کمتر از 2 آلارم کاذب در هفته تولید می کند، زیرا ما آن را آموزش داده ایم تا بین خطرات واقعی و حرکت بی ضرر پس زمینه تمایز قائل شود.
بنابراین، عملکرد هوش مصنوعی یک دوربین هوش مصنوعی ضد انفجار چقدر دقیق است؟ پاسخ کوتاه این است: زمانی که برای محیط خاص خود به درستی طراحی، آموزش و نصب شود، می تواند 95-97٪ دقیق باشد. اما این دقت به انتخابهایی بستگی دارد که اکثر تامینکنندگان انجام نمیدهند: لنزهای سفارشی برای شرایط خطرناک، دادههای آموزشی خاص از سایتهای پرخطر واقعی، پردازش روی لبه برای سرعت و ایمنی، و تعمیر و نگهداری منظم برای حفظ عملکرد سختافزار. این یک راه حل برای همه نیست. دوربینی که در یک پالایشگاه نفت به خوبی کار می کند ممکن است در یک سیلو غلات مشکل داشته باشد، زیرا گرد و غبار، نور و اشیاء متفاوت هستند. به همین دلیل است که ما با هر مشتری وقت میگذاریم تا قبل از توصیه یک دوربین، محیط آنها را ارزیابی کنیم - خواه این دوربین ضد انفجار ما برای مکانهای حفاری در نور کم، دوربین مادون قرمز ذاتا ایمن ما برای کارخانههای شیمیایی، یا مدلهای جمعوجور ما برای راهروهای باریک باشد.
اگر در حال ارزیابی دوربین های هوش مصنوعی ضد انفجار برای سایت خطرناک خود هستید، فقط به درصد دقت هوش مصنوعی در برگه مشخصات نگاه نکنید. مدرک بخواهید: فیلم را از محیطهای مشابه آزمایش کنید، میزان خطا از نصبهای واقعی، و اینکه آیا هوش مصنوعی بر روی دادههای خاص صنعت آموزش دیده است یا خیر. و به یاد داشته باشید، وظیفه اصلی دوربین ایمنی است، نه هوش مصنوعی کامل، بنابراین سیستمی که کمی دقت کمتری داشته باشد اما تمام گواهیهای ضد انفجار را داشته باشد، به مراتب بهتر از یک مدل با دقت بالا است که میتواند باعث انفجار شود.
اگر میخواهید گزینههای دوربین هوش مصنوعی ضد انفجار متناسب با امکانات خود را بررسی کنید، یا میخواهید درباره دقت برای محیط خاص خود بحث کنید، تیم ما اینجاست تا به شما کمک کند. با تیم فروش ما تماس بگیرید تا ارزیابی سایت را درخواست کنید، سیستم های ما را در شرایط واقعی آزمایش کنید و راه حلی سفارشی دریافت کنید که عملکرد و ایمنی هوش مصنوعی را متعادل می کند.




