بررسی کاربرد دوربین های مداربسته حرارتی (Thermal) و تشخیص نفوذ در نظارت پیرامونی تحت شرایط جوی نامساعد

سیستم های تشخیص نفوذ پیرامونی (PID) نقش حیاتی و غیر قابل انکاری در تامین امنیت زیر ساخت های حساسی چون راه آهن های پرسرعت، فرودگاه های غیر نظامی و پست های انتقال برق ایفا می کنند. با این حال سیستم های نظارتی مبتنی بر حسگرهای بصری (Optical) سنتی در شرایط جوی نامساعد نظیر مه غلیظ، باران شدید، برف و محیط های کم نور با افت شدید عملکرد روبرو شده و این امر منجر به افزایش نرخ هشدار کاذب و کاهش قابلیت اطمینان سیستم می شود. در این راستا فناوری تصویر برداری حرارتی به دلیل بهره گیری از طول موج بلندتر و استقلال کامل از شرایط نوری محیط به عنوان یک راهکار بسیار مقاوم و کارآمد برای کشف و ردیابی اهداف در تاریکی مطلق و شرایط حاد اتمسفری شناخته می شود. این مقاله به بررسی جامع کاربرد دوربین های مداربسته حرارتی و ادغام آنها با الگوریتم های نوین مبتنی بر یادگیری عمیق نظیر معماری های پیشرفته YOLO جهت شناسایی و طبقه بندی دقیق اهداف متحرک و تشخیص ژست های پیچیده انسانی مانند خزیدن، صعود و خمیده راه رفتن می پردازد. از آنجا که حسگرهای منفرد در پوشش کامل محیط های عملیاتی و آب و هوای متغیر دچار محدودیت هستند، این پژوهش بر اهمیت شبکه های همجوشی چند حسگری (Multi-Sensor Fusion) تاکید ویژه ای دارد. در این ساختار تلفیق داده های دوربین های حرارتی با حسگرهای نوری و رادارهای موج میلیمتری (mmWave) به منظور جبران نقاط ضعف هر سنسور و جلوگیری از انسداد دید هدف تحلیل می گردد. همچنین رویکردهای پیشرفته چون شبکه های دو جریانه مانند چارچوب DN-LSK-EMA-Net و الگوریتم های مبتنی بر مکانیسم توجه (Attention-GRU) جهت ارزیابی پویای قابلیت اطمینان حسگرها و وزن دهی تطبیقی در شرایط متغیر محیطی مورد ارزیابی قرار می گیرند. بررسی ها روی مجموعه داده های مرجع حرارتی نظیر PDIWS و TUVDN اثبات می کند که بهره گیری از ویژگی های مکانی زمانی (Spatio-Temporal) و همجوشی داده ها علاوه بر افزایش چشمگیر دقت تشخیص، شاخص میانگین زمان بین هشدارهای کاذب (MTBFA) را بهینه سازی می کند. نتایج این تحقیق یک نقشه راه فنی منسجم برای استقرار سیستم های امنیتی یکپارچه هوشمند و با پایداری بالا در سناریوهای پیچیده ارائه می دهد.