نظام مراقبة السلامة بالذكاء الاصطناعي للرافعة العلوية
كاميرا صناعية + وحدة حوسبة الحافة Jetson لمراقبة السلامة بالذكاء الاصطناعي للرافعة العلوية — كشف لحظي لحالة الحمولة، وتعرّف على دخول الأفراد إلى المنطقة الخطرة، لتحل محل الحواجز التقليدية.
في مراقبة سلامة الرافعات العلوية، أخطر ما يخشاه المشغّلون ليس عطل المعدات، بل دخول شخص إلى منطقة الخطر بينما لا تزال الآلة تعمل — الحلول التقليدية القائمة على الحواجز والمفاتيح الضوئية تعاني من زوايا ميتة، وإنذارات كاذبة، وتكاليف صيانة مرتفعة. أما مراقبة السلامة بالذكاء الاصطناعي البصري، فقد انتقلت في العامين الأخيرين من مرحلة "الصلاحية للاستخدام" إلى "سهولة الاستخدام": كاميرا صناعية واحدة مع وحدة حوسبة الحافة Jetson تكفي للكشف اللحظي عن حالة الحمولة، والتعرّف على دخول الأفراد، وتحديد ارتداء خوذة الأمان، بدقة تعرّف تتجاوز 98%، وبتكلفة لا تتجاوز 5000 يوان للقناة الواحدة.
تصميم نظام مراقبة السلامة بالذكاء الاصطناعي: أربع طبقات
يُقسَّم نظام مراقبة السلامة بالذكاء الاصطناعي البصري وظيفيًا إلى أربع طبقات منطقية، تفصل بينها بروتوكولات قياسية (MQTT/RESTful API/RTSP)، مع دعم النشر المتسلسل لرافعة واحدة أو لعدة رافعات في كامل الورشة.
طبقة الاستشعار
تتكوّن طبقة الاستشعار من كاميرات صناعية مثبّتة أسفل جسر الرافعة العلوية وعلى العربة، وتقوم بجمع بث الفيديو اللحظي لمنطقة الحمولة، والممرات الجانبية على طول السكة، ومناطق عمل العمال. تتصل الكاميرات بعقدة حوسبة الحافة عبر كابل PoE أو شبكة WiFi صناعية، وتنقل بث فيديو بجودة 1080P@30fps بضغط H.265.
طبقة الخوارزميات
تعمل طبقة الخوارزميات على جهاز حوسبة الحافة (NVIDIA Jetson Orin NX)، حيث يُنشر نموذج YOLOv8 لتنفيذ استدلال كشف الأهداف — سبق أن نشرنا مقالًا عن الكشف البصري بالذكاء الاصطناعي لخط اللحام في الرافعات العلوية، ويستعرض تجربة نشر YOLO في هذا السياق. تشمل نتائج الكشف: موقع الأفراد وإطار الحدود، وحالة ارتداء خوذة الأمان، ونوع الحمولة ومنطقة الرفع، وحالة خط التحذير. زمن الاستدلال لا يتجاوز 30ms، ما يلبي متطلبات المراقبة اللحظية.
طبقة التطبيقات
تحوّل طبقة التطبيقات نتائج الكشف من طبقة الخوارزميات إلى أحكام منطقية للسلامة: دخول فرد إلى منطقة الخطر أثناء تشغيل الرافعة يستدعي تفعيل إنذار صوتي ومرئي مع التباطؤ في الحركة؛ وعند خلو منطقة الحمولة من الأفراد يُسمح بالتشغيل الكامل؛ وعدم ارتداء خوذة الأمان يُسجَّل كمخالفة مع التقاط صورة للأرشيف. تتولى طبقة التطبيقات أيضًا التفاعل مع PLC الرافعة، عبر بروتوكول Modbus TCP أو Profinet، لإرسال إشارات السلامة إلى وحدة السلامة في PLC.
طبقة العرض
توفر طبقة العرض شاشة مراقبة كبيرة عبر الويب وإشعارات فورية على الهاتف المحمول، مع عرض لحظي للقطات الكشف لكل رافعة، وسجلات الإنذار، وحالة التشغيل، والبيانات الإحصائية. تُخزَّن البيانات في قاعدة بيانات SQLite محلية، مع دعم استرجاع سجل 90 يومًا.
| المستوى | رئيسيمكون | بروتوكول الاتصال | موقع النشر |
|---|---|---|---|
| طبقة الاستشعار | كاميرا صناعية,ضوء الإضاءة التكميلية,مشفر | RTSP / GigE Vision | رافعة علويةقناة الكابلات/العربةأسفل |
| طبقة الخوارزميات | Jetson Orin NX,YOLOv8النموذج | TensorRTمحرك الاستدلال | لوحة كهربائية للرافعة العلويةداخل |
| طبقة التطبيقات | محرك المنطق الأمني,PLCالواجهةوحدة | Modbus TCP / Profinet | العقدة الطرفية / رافعة علويةPLCالخزانة |
| طبقة العرض | Webالشاشة الكبيرة,هاتف محمولالطرف,قاعدة البيانات | MQTT / RESTful API | ورشةغرفة التحكم المركزية / خادم سحابي |
اختيار طراز YOLOv8 ومقارنة الأداء
يُعد YOLOv8 إطار عمل الكشف عن الأجسام في الوقت الفعلي الذي أصدرته Ultralytics في عام 2023، ويوفّر نماذج مدربة مسبقًا بخمسة مقاسات هي N/S/M/L/X، لتغطية مختلف سيناريوهات النشر بدءًا من التطبيقات خفيفة الوزن وصولًا إلى التطبيقات عالية الدقة. وفي سياق مراقبة سلامة الرافعات العلوية، يتطلب اختيار النموذج الموازنة بين سرعة الاستدلال ودقة الكشف وتكلفة العتاد.
| النموذج | معاملالكمية | mAP50 | FP16زمن الاستجابة(ms) | INT8زمن الاستجابة(ms) | الأجهزة الموصى بها |
|---|---|---|---|---|---|
| YOLOv8n | 3.2M | 37.3 | 4.5 | 2.1 | Jetson Nano |
| YOLOv8s | 11.2M | 44.9 | 8.7 | 3.8 | Jetson Orin Nano |
| YOLOv8m | 25.9M | 50.2 | 16.1 | 7.2 | Jetson Orin NX |
| YOLOv8l | 43.7M | 52.9 | 26.4 | 12.3 | Jetson Orin NX |
| YOLOv8x | 68.2M | 53.9 | 44.8 | 21.5 | Jetson Orin AGX |
الحل الموصى به: استخدام مزيج YOLOv8m + Jetson Orin NX. بعد التكميم بنوع INT8، يبلغ زمن الاستدلال 7.2ms، ويمكن لجهاز حوسبة الحافة الواحد معالجة 4 تدفقات فيديو بدقة 1080P في نفس الوقت، مع إبقاء إجمالي زمن الاستجابة ضمن 30ms، مما يلبي متطلبات الاستجابة الفورية لمراقبة سلامة الرافعة العلوية، وتبلغ تكلفة كل قناة حوالي 4500 يوان.
مقارنة حلول أجهزة الحوسبة الطرفية
يحدد اختيار جهاز حوسبة الحافة أداء الاستدلال وتكلفة النشر للنظام. فيما يلي مقارنة بين ثلاثة حلول رئيسية في سيناريو مراقبة سلامة الرافعة العلوية:
| معامل | Jetson Orin NX | Jetson Orin Nano | حاسوب صناعي(i5+بطاقة رسومات منفصلة) |
|---|---|---|---|
| AIالقدرة الحاسوبية(TOPS) | 100 | 40 | 20~30 |
| استهلاك الطاقة(W) | 15~25 | 7~15 | 65~150 |
| عدد القنوات المعالجة المتزامنة | 4قناة1080P | 2قناة1080P | 2~4قناة1080P |
| درجة حرارة التشغيل(℃) | -25~80 | -25~80 | 0~50 |
| تكلفة القناة الواحدة(يوان) | ~4,500 | ~3,000 | ~6,000 |
| طريقة التركيب | لوحة كهربائية للرافعة العلويةDINسكة التوجيه | لوحة كهربائية للرافعة العلويةDINسكة التوجيه | يتطلب بشكل منفصلصندوق التحكم |
تتفوق Jetson Orin NX على الحاسوب الصناعي من حيث قوة الحوسبة، استهلاك الطاقة، مقاومة الحرارة، وسهولة التركيب، مما يجعلها الخيار الأمثل للنشر الهامشي للذكاء الاصطناعي البصري في الرافعات العلوية.
آلية التعرف على الحمولة بالتفصيل
يُعد التعرف على الحمولة إحدى الوظائف الأساسية للذكاء الاصطناعي البصري في الرافعات العلوية، حيث يتطلب تمييز أنواع متعددة من الحمولات مثل لفائف الصلب، والقضبان الفولاذية، والألواح الفولاذية، والقوالب، والحاويات، مع تتبع موقعها باستمرار أثناء عملية الرفع — وبالتكامل مع منصة المراقبة عن بعد لإنترنت الأشياء للرافعات العلوية، يمكن تحقيق حلقة بيانات كاملة تبدأ من التعرف على الحمولة، مرورًا بتتبعها، وصولًا إلى تسجيل دخولها إلى المستودع.
4.1 جمع البيانات وتوسيمها
يُوصى بجمع ما بين 5000 إلى 10000 صورة ميدانية، تغطي ظروف إضاءة مختلفة (نهارًا/ليلًا/إضاءة خلفية)، وأوضاعًا مختلفة للحمولة (تأرجح أمامي/جانبي/دوران)، وخلفيات متنوعة (نظيفة/مزدحمة/معيقة للرؤية). يتم التوسيم بصيغة YOLO، حيث تُحدد في كل صورة حدود الحمولة وفئتها. باستخدام أداتي LabelImg أو CVAT، تبلغ كفاءة التوسيم الفردي حوالي 100 صورة في الساعة.
4.2 معاملات تدريب النموذج
# YOLOv8m تجهيزات التدريب（المعايير الرئيسية） model = YOLO('yolov8m.pt') results = model.train( data='crane_dataset.yaml', epochs=200, imgsz=640, batch=16, lr0=0.01, lrf=0.01, optimizer='AdamW', augment=True, hsv_h=0.015, # تعزيز درجة اللون hsv_s=0.7, # تعزيز التشبع hsv_v=0.4, # تعزيز السطوع degrees=5.0, # تعزيز الدوران (في مشهد الرافعة العلوية، يكون الحمل مائلًا بزاوية صغيرة) translate=0.1, scale=0.5, fliplr=0.5, mosaic=1.0, mixup=0.3, )يستغرق التدريب على NVIDIA RTX 4090 حوالي 4 إلى 6 ساعات، ويمكن أن يصل مؤشر mAP50 إلى 92-95%. بعد اكتمال التدريب، يُصدَّر النموذج بصيغة ONNX، ثم يُحوَّل باستخدام TensorRT إلى محرك INT8 للنشر الهامشي.
4.3 النشر باستخدام TensorRT
# أمر نشر تكميم TensorRT INT8بعد القياس الكمي باستخدام INT8، ينخفض حجم النموذج من 52MB إلى 15MB، وتنخفض سرعة الاستدلال من 16ms (باستخدام FP16) إلى 7ms، مع التحكم في فقدان الدقة في حدود 1%.
وظيفة كشف سلامة العمال
تشمل وظيفة كشف سلامة العمال ثلاثة أنظمة فرعية: كشف تجاوز حدود المنطقة الآمنة، وكشف ارتداء خوذة الأمان، ووظيفة السياج الإلكتروني. يعمل النظام على تشغيل نموذجين مستقلين من YOLOv8 في وقت واحد — أحدهما مخصص لكشف جسم العامل وتحديد حدوده، والآخر لكشف منطقة الرأس وتصنيف حالة ارتداء خوذة الأمان.
| الوظيفة | الكشفالكائن | إطلاق الإنذار | إجراء الربط |
|---|---|---|---|
| تجاوز المنطقةالكشف | دخول الأفرادرافعة علويةمنطقة الخطر التشغيلي | <=1s | إنذار صوتي ومرئي+رافعة علويةالتباطؤ30% |
| خوذة الأمانالكشف | ارتداء خوذة الأمان لرأس العامل | <=2s | التقاط الصورة+تسجيل المخالفة+التنبيه الصوتي |
| السياج الإلكتروني | دخول الأفراد إلى المنطقة أسفل الحمولة المعلقة | <=0.5s | رفعإيقاف+إنذار صوتي ومرئي |
سادسًا: نقاط تنفيذ المشروع الأساسية
عند الانتقال بنظام الذكاء الاصطناعي البصري للرافعة العلوية من النموذج الأولي إلى الإنتاج واسع النطاق، هناك بعض العقبات التي لا مفر من مواجهتها، ومعرفتها مسبقًا يمكن أن توفر عليك شهورًا من التجربة والخطأ.
① تغيرات الإضاءة — أكبر مصدر لانحراف توزيع البيانات
تتأثر إضاءة منطقة عمل الرافعة العلوية بعدة عوامل مثل اتجاه مبنى المصنع، والطقس، والموسم، وتشغيل وإطفاء الأضواء، وقد يصل فرق السطوع في نفس المشهد إلى 100 ضعف. الحل: استخدام تقوية قوية للبيانات أثناء التدريب (معاملات hsv_h/hsv_s/hsv_v)، وتركيب أضواء LED مساعدة عند النشر (درجة حرارة اللون 5000K، قدرة 30W فأكثر)، لضمان ألا تقل الإضاءة الدنيا للصورة عن 10 لوكس.
② تداخل وتراكم الحمولة — زوايا عمياء في الكشف أحادي الزاوية
قد تتداخل الحمولة أثناء الرفع مع المعدات المحيطة أو حمولات أخرى، مما يؤثر على استمرارية الكشف. يُنصح بتركيب كاميرتين إلى ثلاث كاميرات بزوايا مختلفة لتغطية نفس المنطقة، ودمج نتائج الكشف متعدد الزوايا عبر مرشح كالمان، مع السماح بحد أقصى 5 إطارات (حوالي 170ms@30fps) من الاستقراء التنبؤي عند فقدان الكشف.
③ الاهتزاز والارتجاج — التداخل الميكانيكي أثناء تشغيل الرافعة
عند تحرك جسر الرافعة والعربة، ينتقل الاهتزاز إلى هيكل الرافعة والكاميرات، والاهتزاز منخفض التردد (2~10Hz) يسبب ضبابية في الصورة واهتزازًا في الكشف. يُستخدم لقاعدة الكاميرا حامل تخميد (طبقة مطاط طبيعي بسمك 10mm)، وعلى مستوى الخوارزمية يُفعَّل ترشيح IOU بين الإطارات: إذا تجاوز إزاحة صندوق الكشف بين الإطارات المتجاورة عتبة البكسل، يُعلَّم كإنذار كاذب ويُتجاهل.
④ زمن استجابة الشبكة — عنق الزجاجة الحرج في الحلول اللاسلكية
إذا تم استخدام WiFi صناعي لنقل بث الفيديو إلى غرفة التحكم المركزية للاستدلال المركزي، فقد يصل زمن الاستجابة من طرف إلى طرف إلى 100~200ms، وهو ما لا يفي بمتطلبات الربط الآني للسلامة. الحل: وضع الاستدلال على حافة الرافعة العلوية (محليًا عبر Jetson)، ورفع نتائج الكشف بصيغة JSON فقط (حوالي 200 بايت/إطار) وصور الإنذار (مضغوطة JPEG أقل من 50KB) إلى غرفة التحكم المركزية — وهذا يتماشى مع تصميم طبقة حوسبة الحافة في بنية نظام التحكم في الرافعة العلوية رباعية الطبقات. وبذلك يقل تأثير الشبكة إلى أدنى حد.
الأسئلة الشائعة
الخلاصة
لقد خفض الجمع بين YOLOv8 وJetson Orin NX العوائق الهندسية أمام نظام المراقبة الذكية للسلامة بالذكاء الاصطناعي البصري للرافعة العلوية إلى مستوى يسمح بالتكرار على نطاق واسع. تبلغ تكلفة القناة الواحدة أقل من 5000 يوان، وزمن التعرف أقل من 50ms، ودقة التعرف تتجاوز 95%، وهو ما يفوق مستوى الحماية التقليدي بالأسوار وأجهزة الاستشعار الكهروضوئية. في المقال القادم، سنتناول تطبيق الذكاء الاصطناعي البصري في المحاذاة التلقائية للرافعة العلوية والتقاط الحمولة — حيث يتطلب هذا السيناريو مستوى أعلى بمرتبة كاملة من الدقة وزمن الاستجابة.
