بازاندیشی در قابلیت اعتماد سامانه های بینایی ماشین تشخیص حریق؛ تحلیل نقش کالیبراسیون عدم قطعیت، هوش مصنوعی توضیح پذیر و خطاهای ادراکی در شرایط دید محدود

بهکارگیری بینایی ماشین در شناسایی زودهنگام شعله و دود، ظرفیت توسعه هشدارهای تصویری حریق را افزایش داده است؛ بااینحال، دقت مطلوب در مجموعهدادههای آزمایشگاهی لزوما به قابلیت اعتماد در محیط عملیاتی منجر نمیشود. دود متراکم، بازتاب نور، نورپردازی نامتوازن، پوشیدگی اجسام و تغییر ویژگی دوربین میتوانند ادراک سامانه را مختل کنند و در عین حال خروجی مدل با اطمینان ظاهری زیاد نمایش داده شود. هدف پژوهش حاضر، بازاندیشی در مفهوم قابلیت اعتماد سامانههای تشخیص حریق و ارائه چارچوبی مفهومی برای ارزیابی همزمان عملکرد ادراکی، کالیبراسیون عدمقطعیت و توضیحپذیری تحت شرایط دید محدود است. روش پژوهش مروری تحلیلی و مبتنی بر تلفیق انتقادی مطالعات تشخیص تصویری حریق، سنجش اطمینان مدلهای یادگیری عمیق، تبیین پیشبینی و مدیریت ریسک هوش مصنوعی است. حاصل تحلیل، مدل پنجلایهای مشتمل بر پایش کیفیت ورودی، تشخیص چندوجهی و زمانی، برآورد و کالیبراسیون اطمینان، سنجش اعتبار توضیح و تصمیمگیری ایمن با امکان امتناع است. در این مدل، میان احتمال پیشبینیشده، کیفیت داده و اعتبار عملیاتی هشدار تمایز گذاشته میشود و ارزیابی مبتنی بر طبقات شدت دود، روشنایی، پوشیدگی و جابهجایی دامنه پیشنهاد میگردد. همچنین شاخصهای مکمل شامل حساسیت به حریق، هشدار کاذب بر ساعت، خطای کالیبراسیون، خطرپوشش و تاخیر هشدار معرفی میشوند. نتایج ارائهشده جنبه مفهومی دارند؛ در این مقاله هیچ مدل جدیدی آموزش ندیده و آزمایش میدانی یا مقایسه عددی انجام نشده است. نتیجه آنکه اعتمادپذیری باید ویژگی کل سامانه انسان فناوری تلقی شود و نه صرفا حاصل دقت یک شبکه عصبی؛ استفاده عملیاتی نیز نیازمند اعتبارسنجی بومی و نظارت انسانی است.

کلیدواژه ها:

تشخیص حریق ، بینایی ماشین ، کالیبراسیون عدم قطعیت ، هوش مصنوعی توضیحپذیر ، دید محدود