شرکت تامین‌کننده چوب مقر ایچ کیو پلانتیشن، با پیاده‌سازی فناوری‌های نوآورانه، مدیریت حریق در جنگل‌های صنوبری خود در کویینزلند را نوآورانه میکند. از طریق همکاری با شرکت exci مستقر در خلیج سانشاین کوست، این شرکت از دوربین‌ها، تصاویر ماهواره‌ای و هوش مصنوعی (AI) برای پیش‌بینی و تشخیص آتش‌سوزی در مجموعه بزرگی به مساحت ۲۸۸۰۰۰ هکتار استفاده میکند.
طی یک دوره یک ساله آزمایشی از ابزار مدیریت آتش‌سوزی کمکی AI شرکت exci، HQPlantations توانایی نرم‌افزار در تشخیص حریق را از طریق تشخیص دود بررسی کرد. این دوره آزمایشی موفق، که هم‌زمان با فصل آرام حریق بود، HQPlantations را از قدرت ابزار در تشخیص آتش‌سوزی راضی کرد. نرم‌افزار AI شرکت exci به تشخیص امضای آتش‌ها اکتفا نمیکند، بلکه با استفاده از مدل‌های یادگیری ماشین هم پیش‌بینی میکند که کجا و کی آتش‌سوزی صورت می‌گیرد.
برای آموزش مدل‌های خود، شرکت exci از S3 AWS، سرویس Amazon Elastic Kubernetes و سرویس‌های دیگر AWS استفاده میکند. بیش از ۲.۵ میلیون تصویر دوربین از شرکای استرالیا، شمال آمریکا و جنوب آمریکا، به همراه ۳۰ گیگابایت داده ماهواره‌ای، روزانه پردازش می‌شوند. اگرچه تصاویر ماهواره به تنهایی به‌درستی نمی‌توانند آتش‌سوزی را تشخیص دهند به دلیل پوشش و رزولوشن محدود، اما ترکیب آنها با تصاویر دوربین به بهبود مدل‌های پیش‌بینی آتش‌سوزی شرکت exci کمک میکند.
HQPlantations دوربین‌های ۳۶۰ درجه چرخان را که به exci متصل شده‌اند دسترسی داده‌اند که حدود ۹۰ درصد از جنگل زیر مدیریت آنها را پوشش می‌دهند. این دوربین‌ها اغلب در برج‌های آنتنی قرار دارند و نقش مهمی در تشخیص حریق داشته‌اند و در موارد زیادی نرم‌افزار AI شرکت exci به عنوان منبع اصلی شناسایی حریق عمل کرده‌اند. با این حال،HQPlantations اهمیت دخالت انسانی را به‌ویژه در روزهای با خطر بالای حریق که دید پایینی وجود دارد را تأیید میکند. بنابراین، برج‌های آتشنشانی دارای کارکنان و ناظران دوربین در ساعات کاری همچنان صفحه‌نمایش‌ها را نظارت می‌کنند.
علاوه بر تشخیص حریق، تصاویر تشخیص exci اطلاعات مهمی را برای اهداف تحقیق در مورد حریق فراهم می‌کنند. این تصاویر اطلاعات حیاتیی مانند زمان اشعال، حاشیه اشعال (تکی یا چندتایی) و جزئیات مربوط به رفتار آتش را ارائه می‌دهند.
به منظور بهبود قابلیت‌های مدیریت حریق خود، HQPlantations مجموعه‌ای از 80 دستگاه مبارزه با آتش 4WD حسابرسی و بیش از ۲۵۰ آتش‌نشان و پیمانکار آموزش دیده را تامین میکند. با همکاری با فناوری شرکت exci، این شرکت تضمین میکند که در عرض دو دقیقه از شناسایی دود، هشدارهای فوری به تمام نیروهای برونداد دریافت می‌شود توسط خدمات Amazon Simple Notification و Amazon Simple Email Service.
همانطور که HQPlantations برنامه‌های خود برای گسترش پوشش به ۱۰ درصد باقیمانده جنگل‌های خود را راه‌اندازی میکند، در حال انجام یک تجزیه و تحلیل دقیق است. در حال حاضر ، نواحی اصلی جنگل به خوبی پوشش داده شده‌اند ، اما برای مناطق دورافتاده و مناطق با خطرات حریق افزایشی، امکان نصب دوربین‌های اضافی وجود دارد.
با ترکیب هوش مصنوعی، دوربین‌ها و تصاویر ماهواره‌ای، HQPlantations در حوزه تشخیص و پیشگیری از حریق جدیدی تعیین میکند و ایمنی و حفاظت را برای جنگل‌های مقداری صنوبری ارزشمند خود و جوامع اطراف حداکثر میکند.
سؤالات متداول درباره فناوری‌های مدیریت حریق HQPlantations:
1. HQPlantations از چه تکنولوژی‌های نوآورانه‌ای در مدیریت حریق در جنگل‌های صنوبری خود استفاده میکند؟
HQPlantations با همکاری exci از دوربین‌ها، تصاویر ماهواره‌ای و هوش مصنوعی برای پیش‌بینی و تشخیص حریق استفاده میکند.
2. HQPlantations چگونه اثربخشی ابزار مدیریت حریق کمکی AI شرکت exci را آزمایش کرد؟
HQPlantations در طول یک دوره آزمایشی یکساله در فصل آرام حریق تستی انجام داد. نرم‌افزار با موفقیت حریق‌ها را از طریق تشخیص دود تشخیص داد.
3. نرم‌افزار AI شرکت exci چگونه معکوس از تشخیص حریق استفاده میکند؟
نرم‌افزار AI exci با استفاده از مدل‌های یادگیری ماشین، پیش‌بینی میکند که آتش‌سوزی کجا و کی اتفاق می‌افتد. همچنین امضای آتش‌ها را تجزیه و تحلیل کرده و اطلاعات مهمی را برای تحقیقات حریق فراهم میکند.
4. exci از چه منابعی برای آموزش مدل‌های خود استفاده میکند؟
exci از S3 AWS، سرویس Amazon Elastic Kubernetes و سرویس‌های دیگر AWS استفاده میکند. آنها روزانه بیش از ۲.۵ میلیون تصویر دوربین و ۳۰ گیگابایت داده ماهواره‌ای را پردازش می‌کنند.
5. دوربین‌ها چگونه توسط HQPlantations در تشخیص حریق استفاده می‌شوند؟
HQPlantations دوربین‌های ۳۶۰ درجه، که به exci متصل هستند، دسترسی داده‌اند که حدود ۹۰ درصد از جنگل های تحت مدیریت آنها را پوشش می‌دهد
The source of the article is from the blog cheap-sound.com