أخبار ar.wedoany.com، تُعد مشاريع الهندسة الهيدروليكية بنية تحتية حيوية لضمان الأمن الوطني في مجالات مكافحة الفيضانات، وإمدادات المياه، والأمن الغذائي، والسلامة البيئية. ويرتبط تشغيلها الآمن والمستقر ارتباطًا مباشرًا بسلامة أرواح وممتلكات المواطنين، والتنمية الاقتصادية والاجتماعية المستدامة، وصحة النظم البيئية وتوازنها. يُعتبر النمل الأبيض "القاتل الخفي" لسدود المشاريع الهيدروليكية، حيث يتميز بقدرته العالية على التخفي، وسرعة تكاثره، واتساع نطاق ضرره، وشدة عواقبه الكارثية. فهو يبني أعشاشه لفترات طويلة داخل السدود، محفرًا ممرات متشابكة، مما يؤدي إلى تدمير سلامة وثبات التربة، وزيادة مساميتها، وانخفاض مقاومتها للقص. تحت تأثير منسوب المياه المرتفع خلال مواسم الفيضانات، يمكن أن يتسبب ذلك بسهولة في مخاطر جسيمة مثل الأنابيب (الانسياب الداخلي)، والتسرب، والانهيارات الأرضية، وحتى انهيار السدود، مما يؤدي إلى خسائر فادحة. خلال فيضان نهر اليانغتسي الكارثي عام 1998، كان حوالي 80% من مخاطر السدود ناتجة عن أضرار النمل الأبيض، مما يبرز بوضوح أهمية مكافحة النمل الأبيض في إدارة سلامة المشاريع الهيدروليكية.

يبلغ إجمالي طول السدود القائمة في الصين حاليًا أكثر من 300,000 كيلومتر، وقد بُني معظمها بين خمسينيات وسبعينيات القرن العشرين، بمعايير إنشائية منخفضة، وعمر تشغيلي طويل، وظروف صيانة محدودة، مما يجعل مشكلة الإصابة بالنمل الأبيض بارزة بشكل خاص. وفقًا للإحصائيات، تتجاوز نسبة إصابة سدود الأحواض النهرية الجنوبية مثل اليانغتسي، وبearl، وهوايخه بـ 60%، بينما تصل النسبة في السدود القديمة إلى أكثر من 80%. مع ظاهرة الاحتباس الحراري العالمي، يتوسع نطاق انتشار النمل الأبيض شمالًا باستمرار، وتزداد حدة الإصابة، مما يشكل تحديًا غير مسبوق لأعمال مكافحة النمل الأبيض في المشاريع الهيدروليكية.

لفترة طويلة، اعتمد رصد النمل الأبيض في المشاريع الهيدروليكية الصينية بشكل أساسي على الوسائل التقليدية مثل التفتيش اليدوي، وإغراء الطُعم، والتحقق بالحفر اليدوي. هذه الطرق لا تعاني فقط من كثافة العمل العالية، وانخفاض كفاءة الرصد، ومحدودية التغطية، بل تعتمد بشكل كبير على خبرة المراقبين، مما يؤدي إلى مشاكل بارزة مثل تأخر الاستجابة، وارتفاع معدل سوء التقدير، ووجود العديد من النقاط العمياء في الرصد، مما يجعل من الصعب تحقيق الكشف المبكر والإنذار المسبق لمخاطر النمل الأبيض. مع التطور السريع لإنترنت الأشياء، والذكاء الاصطناعي، وتقنيات الاستشعار، أصبحت تقنيات الرصد الآلي والذكي للنمل الأبيض تدريجيًا محورًا للبحث. تم تطبيق أجهزة رصد تعتمد على نمط واحد (مثل البصري، والصوتي، ودرجة الحرارة) في الممارسة الهندسية، لكنها لا تزال تواجه عقبات تقنية كبيرة: النمط البصري يتأثر بسهولة بالظلام تحت الأرض، والرطوبة، وحجب الطمي، وتداخل الأجسام الغريبة، مما يؤدي إلى انخفاض معدل استرجاع الأهداف الصغيرة للنمل الأبيض (3-5 مم) ومشاكل بارزة في الفقد؛ النمط الصوتي يتأثر بسهولة بالضوضاء البيئية مثل جريان مياه الأمطار، واهتزاز التربة، ونشاط الحشرات والقوارض، وأصوات تدفق المياه، مما يجعله ضعيف التكيف مع البيئة، ويرتفع معدل الإنذار الكاذب فيه عادةً عن 8%؛ النمط الحراري يمكنه فقط التعرف على الشذوذ الحراري الواضح الناتج عن الأعشاش الكبيرة، ولا يستطيع التقاط إشارات الارتفاع الطفيف في درجة الحرارة الناتجة عن نشاط الأفراد المتفرقين في المراحل المبكرة، مما يشكل خطرًا كبيرًا للإنذار الفائت. بالإضافة إلى ذلك، يفتقر النمط الواحد إلى آلية تحقق متبادل فعالة، مما يجعل من الصعب ضمان معدل تحديد مرتفع ومعدل إنذار كاذب/فائت منخفض في نفس الوقت في البيئات الهندسية الهيدروليكية المعقدة والمتغيرة، وبالتالي لا يمكنه تلبية احتياجات الرصد الهندسي الفعلية.

حاليًا، لم تشكل الأبحاث المحلية والدولية بعد نظامًا ناضجًا لتقنية الرصد متعدد الأنماط مع الإدراك التعاوني والدمج العميق للنمل الأبيض. تعتمد أجهزة رصد النمل الأبيض المطورة في الخارج بشكل أساسي على نمط واحد، وتعاني من مشاكل مثل انخفاض دقة التحديد، وقصر عمر البطارية، وارتفاع السعر، وعدم التكيف مع البيئات الهيدروليكية المعقدة في الصين. بدأت الأبحاث المحلية في الصين في وقت متأخر نسبيًا، وتستخدم معظم المنتجات الحالية تقنية استشعار أحادية النمط. بعض المحاولات لدمج الأنماط المتعددة تعاني أيضًا من عيوب مثل عدم كفاية عمق الدمج، وضعف متانة الخوارزمية، وانخفاض مستوى الهندسة، ولم تحقق بعد تعاونًا فعالًا ودمجًا دقيقًا للبيانات متعددة الأنماط، مما يجعل من الصعب تلبية الاحتياجات الفعلية لرصد النمل الأبيض في المشاريع الهيدروليكية.

لهذا السبب، تركز هذه الورقة على التقنية الأساسية للدمج ثلاثي الأنماط "بصري-صوتي-حراري"، وتقوم بتطوير والتحقق من تطبيق جهاز رصد النمل الأبيض السلبي تحت الأرض. يتم التركيز بشكل خاص على اختراق التقنيات الرئيسية مثل الحصول على البيانات متعددة الأنماط، والمعالجة المسبقة، ودمج الميزات، والتحقق من القرارات، بالإضافة إلى التعرف على أنواع وأصناف النمل الأبيض، والتنبؤ بموقع العش. من خلال عدد كبير من الاختبارات المعملية والتطبيقات الميدانية في مشاريع هيدروليكية متعددة السيناريوهات على المستوى الوطني، يتم التحقق بشكل شامل من أداء الجهاز وعمليته، مما يوفر دعمًا تقنيًا أساسيًا قابلاً للتطبيق والانتشار للرصد الذكي والإنذار المبكر للنمل الأبيض في المشاريع الهيدروليكية، ويدفع التحول في مكافحة النمل الأبيض من "التفتيش اليدوي والمعالجة اللاحقة" إلى "الرصد الذكي والإنذار المبكر".

بناء نظام الإدراك متعدد الأنماط والحصول على البيانات

1. تكوين المستشعرات متعددة الأنماط وخصائص الإشارة

يعتمد جهاز الرصد متعدد الأنماط على تصميم هيكلي سلبي متكامل تحت الأرض، لا يحتاج إلى مصدر طاقة خارجي أو توصيلات كهربائية، ويمكن دفنه مباشرة في المناطق عالية النشاط للنمل الأبيض. يستخدم ثلاثة أنواع من المستشعرات (الصورة، الصوت، درجة الحرارة) كوحدات إدراك أساسية لبناء نظام إدراك تعاوني متعدد الأبعاد لنشاط النمل الأبيض، مما يحقق التقاطًا متزامنًا للإشارات متعددة المصادر في نفس المكان والزمان، ويوفر دعمًا عالي الجودة للبيانات لعمليات الدمج والتعرف متعدد الأنماط اللاحقة.

الإدراك البصري: يستخدم مستشعر صور CMOS عالي الدقة بدقة 5 ميجابكسل، وعدسة واسعة الزاوية 120 درجة مع تشويه منخفض، مع تحسين معلمات التعريض والتركيز لتناسب خصائص الأهداف الصغيرة للنمل الأبيض، مما يمكنه من التعرف بوضوح على أفراد النمل الأبيض بحجم لا يقل عن 3 مم. للتكيف مع البيئة المخفية تحت الأرض ذات الإضاءة المنخفضة والرطوبة، يتم اعتماد حل تصوير منخفض الإضاءة (أقل إضاءة 0.01 لوكس)، مع خوارزميات تقليل الضوضاء التكيفية وتحسين التباين، مما يثبط بشكل فعال تداخل الضوضاء في البيئة تحت الأرض، ويضمن إخراجًا مستقرًا للميزات الأساسية مثل الشكل والملمس السطحي ومسار الحركة وكثافة المجموعة للنمل الأبيض في غياب مصدر ضوء خارجي، مما يوفر بيانات صور واضحة وفعالة للتعرف البصري.

الإدراك الصوتي: يستخدم مستشعر MEMS صوتي عالي الحساسية (-30 ديسيبل) لالتقاط الإشارات الصوتية الضعيفة الناتجة عن أنشطة النمل الأبيض مثل التغذية (قضم الخشب والتربة)، والزحف، والتغذية المتبادلة.

الإدراك الحراري: يستخدم مستشعر درجة حرارة NTC عالي الدقة، بمدى قياس من -40 إلى 85 درجة مئوية، ودقة قياس ±0.1 درجة مئوية، ووقت استجابة ≤100 مللي ثانية، مما يمكنه من التقاط إشارات الارتفاع الطفيف المحلي في درجة الحرارة (0.3-1.5 درجة مئوية) الناتجة عن النشاط الأيضي لمجموعات النمل الأبيض. يتم توزيع المستشعرات بنقاط متعددة داخل الجهاز (3 نقاط قياس)، ومن خلال أخذ العينات المستمر وخوارزمية التصفية المتوسطة المتحركة، يتم مراقبة اتجاهات تغير درجة الحرارة في الوقت الفعلي، والتمييز بشكل فعال بين إشارات الحرارة الأيضية للنمل الأبيض والتداخلات مثل الاضطرابات الحرارية الطبيعية للتربة، والإشعاع الشمسي، والتوصيل الحراري للماء، مما يوفر بيانات حرارية موثوقة للتعرف الحراري.

2. الإدراك المدمج لدرجة الحرارة والرطوبة والتعويض البيئي

البيئة الميدانية للمشاريع الهيدروليكية معقدة ومتغيرة، والعوامل البيئية مثل الرطوبة العالية والتغيرات الحرارية الشديدة يمكن أن تسبب انحرافًا في قياس مستشعرات درجة الحرارة، مما يؤثر على موثوقية التعرف الحراري. لمعالجة هذه المشكلة، صممت هذه الدراسة منطقًا للإدراك المدمج لدرجة الحرارة والرطوبة والتعويض البيئي، مما يجعل مستشعر الرطوبة ومستشعر درجة الحرارة يعملان بشكل تعاوني لتحقيق تصحيح دقيق لإشارة درجة الحرارة وتعزيز القدرة على مقاومة التداخل. منطق التنفيذ المحدد هو كما يلي: أولاً، جمع متزامن لبيانات درجة الحرارة المحيطة والرطوبة النسبية، وبناء نموذج ارتباط "درجة الحرارة-الرطوبة-نشاط النمل الأبيض" بناءً على بيانات تجريبية واسعة لنشاط النمل الأبيض، لتوضيح خصائص شدة النشاط والحرارة الأيضية للنمل الأبيض تحت ظروف مختلفة من درجة الحرارة والرطوبة، مما يوفر أساسًا نظريًا للتعرف المدمج اللاحق. ثانيًا، عندما تتجاوز الرطوبة النسبية المحيطة 85%، يتم تفعيل خوارزمية تعويض انحراف درجة الحرارة، بناءً على الارتباط بين قيمة الرطوبة وكمية الانحراف، لتصحيح بيانات قياس درجة الحرارة في الوقت الفعلي، وتصحيح خطأ القياس في البيئات عالية الرطوبة، وضمان دقة بيانات درجة الحرارة. ثالثًا، تحديد نطاق النشاط العالي للنمل الأبيض (درجة الحرارة 25-30 درجة مئوية، الرطوبة 60-80%)، حيث يكون نشاط النمل الأبيض متكررًا وإشارات الحرارة الأيضية واضحة، مع رفع وزن الثقة الحرارية الناتجة عن النمط الحراري بشكل مناسب لزيادة حساسية التعرف. رابعًا، في نطاقات درجة الحرارة والرطوبة القصوى (درجة الحرارة <15 درجة مئوية أو >35 درجة مئوية، الرطوبة <40% أو >90%)، تنخفض شدة نشاط النمل الأبيض بشكل كبير وتضعف إشارات الحرارة الأيضية، مع رفع عتبة الثقة للنمط الواحد بشكل مناسب لتجنب سوء التقدير الناتج عن العوامل البيئية، وضمان متانة التعرف المدمج.

أثبتت التجارب أن آلية دمج درجة الحرارة والرطوبة تعمل على تحسين استقرار النمط الحراري في البيئات المعقدة مثل موسم الأمطار في الجنوب، والرطوبة العالية الساحلية، ودرجات الحرارة المنخفضة في الشمال بأكثر من 12%، مع التحكم في خطأ قياس درجة الحرارة ضمن ±0.2 درجة مئوية، مما يوفر مدخلات حرارية أكثر موثوقية للتعرف المدمج متعدد الأنماط.

3. مزامنة البيانات متعددة الأنماط والمعالجة المسبقة

المزامنة الزمنية والتسجيل المكاني للبيانات متعددة الأنماط هما شرطان أساسيان لتحقيق الدمج الفعال. يعتمد هذا الجهاز حل مزامنة زمنية باستخدام الطابع الزمني للأجهزة، حيث يتم تكوين وحدة ساعة موحدة للمستشعرات الثلاثة (الصورة، الصوت، درجة الحرارة)، مما يضمن أن يكون خطأ التزامن الزمني لجمع الإشارات الثلاثة ≤10 مللي ثانية، ويحقق محاذاة صارمة للإشارات متعددة المصادر في نفس الوقت والمنطقة. في الوقت نفسه، يتم اعتماد تصميم تسجيل مكاني، حيث يتم وضع مستشعر درجة الحرارة ومستشعر الصوت على نفس جانب منطقة الجمع البصري، مما يضمن أن المستشعرات الثلاثة تراقب نفس النطاق المكاني، ويتجنب مشكلة عدم تطابق الميزات الناتجة عن عدم المحاذاة المكانية.

نظرًا لتعقيد البيئة تحت الأرض، تحتوي البيانات متعددة الأنماط التي تم جمعها على الكثير من تداخل الضوضاء (مثل حجب الطمي في الصور، والضوضاء البيئية في الصوت، والقفزات اللحظية في درجة الحرارة)، والتي تحتاج إلى تحسين جودة البيانات من خلال عملية المعالجة المسبقة، مما يضع الأساس لاستخراج الميزات والتعرف المدمج اللاحق. عملية المعالجة المسبقة المحددة هي كما يلي.

① معالجة بيانات الصورة المسبقة: أولاً، استخدام خوارزمية التصفية الغاوسية لإزالة الضوضاء الغاوسية من الصورة، ثم استخدام خوارزمية معادلة الرسم البياني لتحسين تباين الصورة، وتعزيز التمييز بين هدف النمل الأبيض والخلفية. بالنسبة للأهداف الصغيرة للنمل الأبيض في البيئة تحت الأرض، يتم استخدام خوارزمية تعزيز الأهداف الصغيرة لتكبير وتعزيز ميزات المناطق الصغيرة في الصورة، لتجنب فقدان الأهداف الصغيرة. أخيرًا، من خلال المعالجة المورفولوجية (التوسيع والتآكل)، يتم إزالة الشوائب الصغيرة من الصورة، مع الحفاظ على السمات الشكلية الكاملة لهدف النمل الأبيض.

② معالجة بيانات الصوت المسبقة: استخدام خوارزمية التصفية النطاقية لتصفية الإشارات الصوتية خارج نطاق التردد 100-500 هرتز، ثم استخدام خوارزمية إزالة الضوضاء بالمويجات لإزالة التداخل عالي التردد وضوضاء النبض من الإشارة. تقسيم إشارة الصوت بعد إزالة الضوضاء إلى إطارات، بطول إطار 256 مللي ثانية وإزاحة إطار 128 مللي ثانية، واستخراج الميزات الصوتية الأساسية لكل إطار مثل الطاقة قصيرة المدى، ومعدل العبور الصفري، والإنتروبيا الطيفية، ومعاملات ميل الترددية الرأسية (MFCC)، لتشكيل متجه ميزات الصوت. أخيرًا، من خلال التطبيع، يتم تعيين متجه الميزات إلى نفس البعد، لتسهيل حسابات الدمج اللاحقة.

③ معالجة بيانات درجة الحرارة المسبقة: استخدام خوارزمية التصفية المتوسطة المتحركة (حجم النافذة 5) لإزالة القيم الشاذة للقفزات اللحظية من بيانات درجة الحرارة، وتنعيم منحنى تغير درجة الحرارة. حساب الفرق في درجة الحرارة بين نقاط أخذ العينات المتجاورة للحصول على ميزة معدل الارتفاع الحراري. إجراء معالجة الاستيفاء لبيانات درجة الحرارة متعددة النقاط لبناء مجال حراري ثنائي الأبعاد، واستخراج ميزات مثل التدرج الحراري ونطاق المنطقة الحارة. أخيرًا، من خلال التطبيع، يتم توحيد أبعاد ميزات درجة الحرارة مع ميزات الصورة والصوت، لضمان توافق خوارزمية الدمج.

خوارزمية دمج البيانات متعددة الأنماط وتحسين نموذج الذكاء الاصطناعي

1. بنية الدمج ذات المستويين "مستوى الميزات + مستوى القرارات"

للتغلب على قيود التعرف أحادي النمط وتحقيق التعاون الفعال والدمج الدقيق للبيانات متعددة المصادر، صممت هذه الدراسة بنية دمج ذات مستويين تجمع بين دمج مستوى الميزات ودمج مستوى القرارات، لتحسين دقة التعرف والمتانة من مستويي التعبير عن الميزات واتخاذ القرارات، وتشكيل عملية تعرف كاملة "جمع البيانات - معالجة مسبقة - استخراج الميزات - دمج الميزات - اتخاذ القرار".

(1) خوارزمية دمج مستوى الميزات

دمج مستوى الميزات هو دمج عميق للميزات المستخرجة من الأنماط الثلاثة (الصورة، الصوت، درجة الحرارة) لتشكيل متجه ميزات مشترك أكثر قدرة على التمثيل، لتعويض نقص ميزات النمط الواحد، وتعزيز القدرة على التعبير عن ميزات الأهداف الصغيرة للنمل الأبيض. عملية التنفيذ المحددة هي كما يلي.

① استخراج الميزات الأساسية للأنماط الثلاثة بشكل منفصل. يتم استخراج ميزات الصورة من خلال الشبكة الأساسية (CSPNet) لنموذج YOLOv10-M المحسن، للحصول على متجه ميزات التفاف عميق 256-بعدي، يحتوي على معلومات أساسية مثل شكل وملمس النمل الأبيض. يتم استخراج ميزات الصوت من خلال معاملات ميل الترددية الرأسية (MFCC)، للحصول على متجه ميزات صوتية 128-بعدي، يحتوي على معلومات مثل تردد وطاقة صوت نشاط النمل الأبيض. يتم استخراج ميزات درجة الحرارة من خلال التدرج الحراري ومعدل الارتفاع الحراري، للحصول على متجه ميزات حرارية 64-بعدي، يحتوي على معلومات مثل قوانين تغير الحرارة الأيضية للنمل الأبيض.

② استخدام مزيج من ربط الميزات وآلية الانتباه لتحقيق الدمج العميق للميزات الثلاثة. ربط متجهات ميزات الصورة والصوت ودرجة الحرارة لتشكيل متجه ميزات مشترك أولي 448-بعدي. إدخال آلية الانتباه للقنوات (SE-Net) لتوزيع الأوزان على القنوات المختلفة لمتجه الميزات المشترك، مع التركيز على تعزيز قنوات الميزات المرتبطة بتعرف النمل الأبيض (مثل قناة ميزات الشكل في الصورة، وقناة نطاق التردد المميز في الصوت، وقناة ميزات الارتفاع الحراري في درجة الحرارة)، وتثبيط تداخل قنوات الميزات غير المرتبطة، لتعزيز القدرة التمثيلية لمتجه الميزات المشترك.

③ استخدام خوارزمية تحليل المكونات الرئيسية (PCA) لتقليل أبعاد متجه الميزات المشترك. تقليل أبعاد متجه الميزات من 448 بعدًا إلى 128 بعدًا، لإزالة الميزات الزائدة وتقليل حجم الحساب، مع الحفاظ على ميزات التعرف الأساسية، لتوفير مدخلات ميزات فعالة لدمج مستوى القرارات وتعرف نموذج الذكاء الاصطناعي اللاحق.

(2) خوارزمية دمج مستوى القرارات

دمج مستوى القرارات هو، بناءً على دمج مستوى الميزات، إجراء تحقق متبادل واتخاذ قرار شامل لنتائج التعرف من الأنماط الثلاثة، لزيادة تحسين موثوقية التعرف، وتقليل معدل الإنذار الكاذب ومعدل الإنذار الفائت. صممت هذه الدراسة آلية تصويت ثلاثية الأنماط تعتمد على عتبات الثقة، ومنطق القرار المحدد هو كما يلي.

① حساب ثقة التعرف أحادي النمط. إجراء تعرف أحادي النمط للأنماط الثلاثة (الصورة، الصوت، درجة الحرارة) بشكل منفصل، وحساب ثقة التعرف الخاصة بكل منها. حيث يخرج نموذج YOLOv10-M المحسن ثقة التعرف البصري (نطاق 0-1)، ويخرج نموذج آلة المتجهات الداعمة (SVM) درجة مطابقة الميزات الصوتية (نطاق 0-1)، ويخرج منطق الحكم على الشذوذ الحراري الثقة الحرارية (نطاق 0-1).

② تحديد عتبات الثقة. بناءً على كمية كبيرة من بيانات الاختبار المعملي وبيانات التحقق الميداني، يتم تحديد عتبات ثقة التعرف للأنماط الثلاثة من خلال التحليل الإحصائي: ثقة التعرف البصري ≥0.90، درجة مطابقة الميزات الصوتية ≥0.85، الثقة الحرارية ≥0.80 (المقابلة لاستمرار الشذوذ الحراري ≥30 ثانية وارتفاع درجة الحرارة ≥0.3 درجة مئوية). يأخذ تحديد العتبات في الاعتبار متانة التعرف في ظل بيئات مختلفة، مما يتجنب الإنذار الفائت الناتج عن العتبات العالية جدًا، والإنذار الكاذب الناتج عن العتبات المنخفضة جدًا.

③ قواعد قرار التصويت. اعتماد قاعدة تصويت "استيفاء الشروط الثلاثة جميعها"، أي فقط عندما تصل ثقة التعرف للأنماط الثلاثة (الصورة، الصوت، درجة الحرارة) إلى العتبات المقابلة، يتم الحكم بوجود "نشاط للنمل الأبيض" ويتم تفعيل الإنذار. إذا لم تصل ثقة أي نمط إلى العتبة، يتم الحكم بعدم وجود "نشاط للنمل الأبيض" وتعتبر إشارة تداخل. في الوقت نفسه، يتم إدخال آلية تفعيل الكشف المستمر، حيث يحتاج نفس الجهاز إلى اكتشاف نشاط النمل الأبيض 3 مرات متتالية (بفاصل 30 ثانية بين كل اكتشاف) لبدء الإنذار رسميًا، مما يقلل بشكل أكبر من الإنذارات الكاذبة الناتجة عن التداخل العرضي.

أثبتت التجارب أن آلية دمج مستوى القرارات هذه تعمل على خفض معدل الإنذار الكاذب للجهاز من أكثر من 8% في النمط الواحد التقليدي إلى 0.92%، وانخفاض معدل الإنذار الفائت إلى 0.3%، مما يحسن بشكل كبير من موثوقية التعرف.

2. التقنيات الرئيسية لدمج النمط الحراري

باعتبار النمط الحراري مكونًا أساسيًا في الدمج ثلاثي الأنماط، فإن دقة تعرفه تؤثر بشكل مباشر على تأثير الدمج الكلي. نظرًا لضعف إشارات الحرارة الأيضية للنمل الأبيض تحت الأرض وسهولة تأثرها بالتداخل البيئي، تركز هذه الدراسة على تطوير التقنيات الرئيسية لدمج النمط الحراري، بما في ذلك ثلاث وحدات رئيسية: منطق تمييز الارتفاع الطفيف في درجة الحرارة، وتحديد موقع المجال الحراري والتنبؤ بالعش، وتصفية التداخل الحراري، لتحسين دقة تعرف النمط الحراري وقدرته على مقاومة التداخل.

(1) منطق تمييز الارتفاع الطفيف في درجة الحرارة

إشارات الارتفاع الطفيف في درجة الحرارة (0.3-1.5 درجة مئوية) الناتجة عن نشاط مجموعات النمل الأبيض ضعيفة للغاية، وسهلة الخلط مع الاضطرابات الحرارية الطبيعية للتربة. لهذا، تم تصميم منطق تمييز الارتفاع الطفيف في درجة الحرارة بالتعاون متعدد نقاط القياس، والخطوات هي: ① تمييز نقطة قياس واحدة، إذا كان الفرق في درجة الحرارة لثلاث عينات متتالية (فاصل أخذ العينات 10 ثوانٍ) من نقطة قياس حرارة واحدة ≥0.3 درجة مئوية، واستمر ≥30 ثانية، يتم وضع علامة على نقطة القياس هذه على أنها "نقطة قياس ذات شذوذ حراري". ② التمييز التعاوني متعدد نقاط القياس، إذا تم وضع علامة على 3 نقاط قياس حرارة متجاورة في نفس الوقت على أنها "نقاط قياس ذات شذوذ حراري"، وكان نطاق المنطقة الحارة الشاذة ≥5 سم × 5 سم، يتم الحكم بوجود "شذوذ حراري لتجمع النمل الأبيض"، مما يستبعد سوء التقدير الناتج عن عطل في نقطة قياس واحدة أو اضطراب حراري محلي للتربة. ③ تصحيح درجة الحرارة والرطوبة، بالاشتراك مع بيانات الرطوبة التي تم جمعها في نفس الفترة، وبناءً على نموذج الارتباط "درجة الحرارة-الرطوبة-نشاط النمل الأبيض"، يتم تصحيح الثقة الحرارية. إذا كان الجهاز في نطاق درجة الحرارة والرطوبة العالي لنشاط النمل الأبيض، يتم رفع الثقة الحرارية بشكل مناسب، والعكس صحيح، لتحسين دقة التمييز.

(2) تحديد موقع المجال الحراري والتنبؤ بالعش

بناءً على بيانات درجة الحرارة متعددة النقاط، يتم بناء نموذج مجال حراري ثنائي الأبعاد، لتحقيق تحديد موقع مركز تجمع النمل الأبيض والتنبؤ بموقع العش، مما يوفر توجيهًا دقيقًا للموقع للمعالجة الميدانية. طريقة التنفيذ المحددة هي كما يلي: ① بناء المجال الحراري، من خلال إجراء معالجة الاستيفاء لبيانات درجة الحرارة من 3 نقاط قياس باستخدام خوارزمية الاستيفاء كريجينغ، يتم بناء مجال حراري ثنائي الأبعاد ضمن نطاق 1 متر حول الجهاز، مما يعرض بشكل مرئي قوانين توزيع درجة الحرارة. ② تحديد موقع مركز التجمع، التعرف على المنطقة عالية الحرارة في المجال الحراري، وحساب المركز الهندسي لهذه المنطقة، والذي يمثل مركز تجمع النمل الأبيض، مع خطأ في تحديد الموقع ≤0.5 متر. ③ التنبؤ بالعش، بناءً على عادات بناء أعشاش النمل الأبيض وخصائص المجال الحراري، وبالاشتراك مع البيانات التاريخية، يتم بناء نموذج للتنبؤ بموقع العش. من خلال معلمات مثل التدرج الحراري للمنطقة عالية الحرارة، ومدة استمرار الشذوذ الحراري، وحجم المنطقة، يتم التنبؤ بعمق ومدى العش (حيث خطأ التنبؤ بعمق العش ≤0.3 متر)، مما يوفر توجيهًا دقيقًا لمعالجة الحفر الميداني، ويقلل من الحفر غير الفعال.

(3) تصفية التداخل الحراري

تشمل التداخلات الحرارية في البيئة تحت الأرض بشكل أساسي حرارة الإشعاع الشمسي، والتوصيل الحراري للتربة، وامتصاص الحرارة لتبخر الماء. تختلف إشارات التداخل هذه بشكل واضح عن إشارات الحرارة الأيضية للنمل الأبيض، ومن خلال تحليل الميزات والتصفية الخوارزمية، يمكن التمييز بشكل فعال بين إشارات التداخل والإشارات الصالحة. استراتيجيات التصفية المحددة هي كما يلي: ① تصفية حرارة الإشعاع الشمسي، تتميز تغيرات درجة الحرارة الناتجة عن الإشعاع الشمسي بخصائص واسعة النطاق، وتدريجية، ومتزامنة، ولا يوجد مركز حرارة عالية محلي واضح في المجال الحراري. من خلال مراقبة التوزيع المكاني ومعدل تغير درجة الحرارة، يمكن تصفية هذا النوع من التداخل بشكل فعال. ② تصفية التوصيل الحراري للتربة، تتميز تغيرات درجة الحرارة الناتجة عن التوصيل الحراري للتربة بخصائص بطيئة، وشاملة، وبدون طفرات، مع تدرج حراري صغير. من خلال حساب معدل تغير درجة الحرارة والتدرج، يمكن التمييز بين التوصيل الحراري للتربة والحرارة الأيضية للنمل الأبيض. ③ تصفية امتصاص الحرارة لتبخر الماء، تتميز تغيرات درجة الحرارة الناتجة عن تبخر الماء بخصائص لحظية، ومحلية، وانخفاض في درجة الحرارة، وهو عكس خاصية الارتفاع في درجة الحرارة للحرارة الأيضية للنمل الأبيض. من خلال مراقبة اتجاه تغير درجة الحرارة (ارتفاع/انخفاض)، يمكن تصفية هذا النوع من التداخل بشكل فعال. أثبتت التجارب أن دقة تصفية التداخل الحراري تصل إلى 99.2%، مما يمكنه تجنب سوء التقدير الناتج عن تداخل درجة الحرارة البيئية بشكل فعال.

3. تحسين YOLOv10-M بناءً على القيود متعددة الأنماط

باعتبار YOLOv10-M نموذجًا خفيفًا للكشف عن الأهداف، فإنه يتميز بسرعة كشف عالية، ودقة عالية، وعدد معلمات منخفض، مما يجعله مناسبًا للنشر على الأجهزة الطرفية. لكن هذا النموذج لا يزال يعاني من قصور في التعرف على الأهداف الصغيرة للنمل الأبيض ومقاومة التداخل في البيئات المعقدة. لذلك، تم إجراء تحسينات خاصة على نموذج YOLOv10-M بناءً على احتياجات الدمج متعدد الأنماط، لتحسين قدرة النموذج على التعرف على الأهداف الصغيرة للنمل الأبيض ومتانته. إجراءات التحسين المحددة هي كما يلي.

① إضافة رأس كشف للأهداف الصغيرة. بالنسبة للأهداف الصغيرة للنمل الأبيض (3-5 مم)، تمت إضافة رأس كشف جديد للأهداف الصغيرة (حجم خريطة الميزات الناتجة 1024×1024) إلى نموذج YOLOv10-M، لتعزيز قدرة استخراج والتعرف على ميزات الأهداف الصغيرة، وزيادة معدل استرجاع الأهداف الصغيرة. في الوقت نفسه، تم تعديل حجم مربعات الارتساء لرأس الكشف، بناءً على الحجم الفعلي للنمل الأبيض (3-5 مم)، وتم تصميم 3 مجموعات من مربعات الارتساء (4×4، 5×5، 6×6) لمطابقة الخصائص الشكلية للأهداف الصغيرة للنمل الأبيض، وتقليل الفقد الناتج عن عدم تطابق مربعات الارتساء.

② إدخال آلية التحكم في ميزات درجة الحرارة. دمج متجه ميزات درجة الحرارة في طبقة دمج الميزات للنموذج من خلال وحدة تحكم، لتحقيق التعاون بين ميزات درجة الحرارة وميزات الصورة. عندما تكتشف ميزات درجة الحرارة شذوذًا حراريًا، يتم فتح وحدة التحكم، مما يعزز وزن التعرف على هدف النمل الأبيض في ميزات الصورة. عندما لا يكون هناك شذوذ في ميزات درجة الحرارة، يتم إغلاق وحدة التحكم، مما يقلل من وزن التعرف على ميزات الصورة، ويقلل من سوء التقدير للأهداف غير النمل، ويعزز قدرة النموذج على مقاومة التداخل.

③ دمج ميزات الطاقة الصوتية. دمج ميزات الطاقة قصيرة المدى من ميزات الصوت في رأس التصنيف للنموذج، للعمل بشكل تعاوني مع ميزات الصورة في الحكم على التصنيف. عندما تكون الطاقة قصيرة المدى للصوت ضمن نطاق التردد المميز لنشاط النمل الأبيض (100-500 هرتز) وتصل قيمة الطاقة إلى العتبة، يتم رفع ثقة تصنيف النموذج لهدف النمل الأبيض. والعكس صحيح، يتم خفض ثقة التصنيف، مما يثبط بشكل أكبر سوء التقدير الناتج عن الضوضاء البيئية.

④ ضغط النموذج خفيف الوزن. باستخدام تقنية تقطير المعرفة، مع اتخاذ YOLOv10-L كنموذج معلم و YOLOv10-M كنموذج طالب، يتم نقل معرفة النموذج المعلم إلى النموذج الطالب. مع ضمان دقة التعرف، يتم ضغط عدد معلمات النموذج بنسبة 60%، وزيادة سرعة الاستدلال بنسبة 40%، مع وقت استدلال لكل إطار ≤20 مللي ثانية، مما يلبي احتياجات الرصد في الوقت الفعلي على الأجهزة الطرفية، مع تقليل استهلاك الطاقة للجهاز وإطالة عمر البطارية.

أظهرت الاختبارات المعملية أن نموذج YOLOv10-M المحسن يحقق معدل تعرف على الأهداف الصغيرة للنمل الأبيض يصل إلى 99.95%، بزيادة قدرها 7.65% عن النموذج الأصلي، وانخفاض معدل الإنذار الفائت إلى 0.3%، ومعدل الإنذار الكاذب إلى 0.92%، مما يلبي متطلبات الوقت الفعلي والدقة لرصد النمل الأبيض في المشاريع الهيدروليكية.

4. تقنية التعرف على أنواع وأصناف النمل الأبيض

تختلف درجة ضرر الأنواع والأصناف المختلفة من النمل الأبيض على السدود. يمكن أن يوفر التعرف الدقيق على الأنواع والأصناف أساسًا علميًا للمكافحة المستهدفة، مما يعزز فعالية المكافحة. بناءً على الاختلافات في الميزات متعددة الأنماط، تم بناء نموذج للتعرف على أنواع وأصناف النمل الأبيض، للتعرف على 5 أنواع رئيسية ضارة في المشاريع الهيدروليكية الصينية (النمل الأبيض ذو الأجنحة السوداء، والنمل الأبيض ذو الأجنحة الصفراء الكبير، والنمل الأبيض المنزلي، والنمل الأبيض المتفرق، والنمل الأبيض ذو التلال الترابية الكبير) و3 أصناف (العامل، والجندي، والتكاثري).

(1) التعرف على الأنواع

توجد اختلافات واضحة في الشكل والصوت وخصائص الحرارة الأيضية بين الأنواع المختلفة: يبلغ طول جسم العامل من النمل الأبيض ذو الأجنحة السوداء 3-4 مم، ولونه بني غامق، وتركز تردد صوت التغذية بين 200-300 هرتز، وارتفاع درجة الحرارة الأيضية 0.5-0.8 درجة مئوية. يبلغ طول جسم العامل من النمل الأبيض ذو الأجنحة الصفراء الكبير 4-5 مم، ولونه أصفر فاتح، وتركز تردد صوت التغذية بين 150-250 هرتز، وارتفاع درجة الحرارة الأيضية 0.8-1.2 درجة مئوية. يبلغ طول جسم العامل من النمل الأبيض المنزلي 3-5 مم، ولونه أبيض حليبي، وتركز تردد صوت التغذية بين 250-350 هرتز، وارتفاع درجة الحرارة الأيضية 0.6-0.9 درجة مئوية. يبلغ طول جسم العامل من النمل الأبيض المتفرق 2-3 مم، ولونه رمادي فاتح، وتركز تردد صوت التغذية بين 100-200 هرتز، وارتفاع درجة الحرارة الأيضية 0.3-0.5 درجة مئوية. يبلغ طول جسم العامل من النمل الأبيض ذو التلال الترابية الكبير 5-6 مم، ولونه بني مصفر، وتركز تردد صوت التغذية بين 300-400 هرتز، وارتفاع درجة الحرارة الأيضية 1.0-1.5 درجة مئوية.

بناءً على هذه الاختلافات في الميزات، تم بناء نموذج تعرف متعدد الأنماط على الأنواع: دمج ميزات الشكل البصري، وميزات الطيف الصوتي، وميزات الارتفاع الحراري، وإدخالها في مصنف SVM، ومن خلال التدريب على عدد كبير من العينات، يتم تحقيق التعرف الدقيق على الأنواع الخمسة. أظهرت الاختبارات أن دقة التعرف على الأنواع >98%، حيث تصل دقة التعرف على النمل الأبيض ذو الأجنحة السوداء والنمل الأبيض ذو الأجنحة الصفراء الكبير إلى أكثر من 99%.

(2) التعرف على الأصناف

توجد اختلافات كبيرة في الشكل والسلوك وخصائص الأيض بين الأصناف المختلفة (العامل، الجندي، التكاثري) لنفس النوع: العامل صغير الحجم نسبيًا، مسؤول بشكل أساسي عن التغذية وبناء العش، نشاطه متكرر، وحرارته الأيضية ضعيفة نسبيًا. الجندي أكبر حجمًا، رأسه متطور، عدواني، تردد نشاطه أقل، وحرارته الأيضية متوسطة. التكاثري هو الأكبر حجمًا، له أجنحة، يتركز نشاطه في موسم التكاثر، وحرارته الأيضية أقوى.

بناءً على هذه الاختلافات، وفوق التعرف على الأنواع، يتم تحقيق التعرف على الأصناف: من خلال ميزات الصورة للتمييز بين الاختلافات في الحجم والشكل، ومن خلال ميزات الصوت للتمييز بين الاختلافات في تردد النشاط وإشارات الصوت، ومن خلال ميزات درجة الحرارة للتمييز بين الاختلافات في الحرارة الأيضية، يتم بناء نموذج فرعي للتعرف على الأصناف متعدد الأنماط، لتحقيق التمييز الدقيق بين العامل والجندي والتكاثري، بدقة تعرف >98%. حيث تصل دقة التعرف على الجندي إلى 99.2%، مما يمكن أن يوفر توجيهًا دقيقًا للمكافحة المستهدفة (مثل استخدام مبيدات خاصة ضد الجندي).

الاختبارات التجريبية والتحقق من التطبيق في المشاريع الهيدروليكية

1. اختبار الأداء المعملي

للتحقق بشكل شامل من المؤشرات الأساسية للجهاز مثل أداء التعرف متعدد الأنماط، والقدرة على التكيف البيئي، وعمر البطارية، تم إجراء اختبارات منهجية في مختبر متخصص للنمل الأبيض. تحاكي بيئة الاختبار البيئة المخفية تحت الأرض في المشاريع الهيدروليكية، مع إعداد مجموعة عينات النمل الأبيض ومجموعة التداخل، ومقارنة أداء التعرف للنمط الواحد مقابل الدمج ثلاثي الأنماط، واختبار القدرة على التكيف البيئي وعمر البطارية للجهاز، لضمان أن الجهاز يلبي الاحتياجات الهندسية الفعلية.

(1) اختبار أداء التعرف

تم اختيار عينات من العامل والجندي والتكاثري للأنواع الخمسة الرئيسية الضارة المذكورة أعلاه، بواقع 100 فرد لكل نوع ولكل صنف، بإجمالي 1500 عينة من النمل الأبيض. تضمنت عينات التداخل كائنات حية شائعة تحت الأرض مثل النمل والصراصير وديدان الأرض، بالإضافة إلى إشارات تداخل بيئية مثل اهتزاز التربة وجريان مياه الأمطار وأصوات تدفق المياه، بإجمالي 500 مجموعة من عينات التداخل. تم وضع عينات النمل الأبيض وعينات التداخل بشكل منفصل في صناديق اختبار تحاكي البيئة تحت الأرض، وتم نشر جهاز الرصد، وتم الرصد المستمر لمدة 72 ساعة، وتسجيل نتائج التعرف وحالات الإنذار للجهاز، وحساب المؤشرات الأساسية مثل معدل التعرف، ودقة الإنذار، ومعدل الإنذار الكاذب، ومعدل الإنذار الفائت. في الوقت نفسه، تم اختبار أداء التعرف للنمط البصري الواحد، والنمط الصوتي الواحد، والنمط الحراري الواحد بشكل منفصل، ومقارنتها بأداء التعرف للدمج ثلاثي الأنماط.

أظهرت نتائج الاختبار أنه تحت التعرف المدمج ثلاثي الأنماط، بلغ معدل التعرف الشامل للنمل الأبيض 99.96%، حيث بلغ معدل التعرف على النمل الأبيض ذو الأجنحة السوداء 99.98%، والنمل الأبيض ذو الأجنحة الصفراء الكبير 99.97%، والنمل الأبيض المنزلي 99.96%، والنمل الأبيض المتفرق 99.95%، والنمل الأبيض ذو التلال الترابية الكبير 99.94%. بلغت دقة الإنذار 99.08%، ومعدل الإنذار الكاذب 0.92%، ومعدل الإنذار الفائت 0.3%. بلغ معدل التعرف للنمط البصري الواحد 92.3%، ومعدل الإنذار الكاذب 7.8%، ومعدل الإنذار الفائت 7.7%. بلغ معدل التعرف للنمط الصوتي الواحد 89.5%، ومعدل الإنذار الكاذب 9.1%، ومعدل الإنذار الفائت 10.5%. بلغ معدل التعرف للنمط الحراري الواحد 85.7%، ومعدل الإنذار الكاذب 6.3%، ومعدل الإنذار الفائت 12.4%.

باختصار، أداء التعرف للدمج ثلاثي الأنماط أفضل بشكل ملحوظ من النمط الواحد، مما يحل بشكل فعال مشكلة انخفاض دقة التعرف وارتفاع معدل الإنذار الكاذب/الفائت في النمط الواحد، ويمكنه تحقيق التعرف الدقيق على الأهداف الصغيرة للنمل الأبيض، ويلبي متطلبات الدقة لرصد النمل الأبيض في المشاريع الهيدروليكية.

(2) اختبار القدرة على التكيف البيئي

نظرًا للبيئة المعقدة والمتغيرة للمشاريع الهيدروليكية، تم إجراء اختبارات القدرة على التكيف البيئي مثل اختبار درجات الحرارة العالية والمنخفضة، واختبار مقاومة الماء، واختبار رذاذ الملح، واختبار الرطوبة العالية، للتحقق من قدرة الجهاز على العمل بشكل مستقر في ظل بيئات مختلفة.

① اختبار درجات الحرارة العالية والمنخفضة. تم وضع الجهاز في غرف حرارة ثابتة عند درجات حرارة -20 درجة مئوية، -10 درجة مئوية، 0 درجة مئوية، 25 درجة مئوية، 55 درجة مئوية، وتشغيله بشكل مستمر لمدة 72 ساعة، مع تسجيل حالة تشغيل الجهاز وأداء التعرف كل 12 ساعة. أظهرت نتائج الاختبار أن الجهاز يعمل بشكل طبيعي في نطاق درجات حرارة من -20 إلى 55 درجة مئوية، مع استقرار معدل التعرف فوق 99.5%، دون أي أعطال، مما يلبي احتياجات الاستخدام في مختلف المناطق المناخية في الصين.

② اختبار مقاومة الماء. تم غمر الجهاز في صندوق اختبار بعمق 1.5 متر لمدة 30 دقيقة، ثم إخراجه وفحص ما إذا كان هناك ماء داخل الجهاز، واختبار حالة تشغيل الجهاز وأداء التعرف. أظهرت نتائج الاختبار عدم وجود ماء داخل الجهاز، وتشغيله بشكل طبيعي، مع الحفاظ على معدل التعرف فوق 99.9%، ووصول مستوى الحماية إلى IP68، مما يلبي احتياجات الاستخدام في بيئات مثل تراكم المياه خلال موسم الفيضانات والأمطار الغزيرة.

③ اختبار رذاذ الملح. تم وضع الجهاز في غرفة رذاذ ملح بمحلول كلوريد الصوديوم 5% لمدة 48 ساعة، وبعد انتهاء الاختبار، تم فحص حالة تآكل الهيكل الخارجي والأجزاء المعدنية للجهاز، بالإضافة إلى حالة تشغيل الجهاز وأداء التعرف. أظهرت نتائج الاختبار عدم وجود تآكل واضح في الهيكل الخارجي والأجزاء المعدنية للجهاز، وتشغيله بشكل طبيعي، مع الحفاظ على معدل التعرف فوق 99.5%، مما يلبي متطلبات الاستخدام في بيئات رذاذ الملح الساحلية.

④ اختبار الرطوبة العالية. تم وضع الجهاز في غرفة حرارة ورطوبة ثابتة بنسبة رطوبة نسبية 95% وتشغيله بشكل مستمر لمدة 72 ساعة، واختبار حالة تشغيل الجهاز وأداء التعرف. أظهرت نتائج الاختبار تشغيل الجهاز بشكل طبيعي، مع الحفاظ على معدل التعرف فوق 99.8%، وآلية تعويض دمج درجة الحرارة والرطوبة فعالة، دون انحراف في قياس درجة الحرارة أو سوء تقدير، مما يلبي متطلبات الاستخدام في بيئات الرطوبة العالية في الجنوب.

(3) اختبار عمر البطارية

يستخدم الجهاز بطارية ليثيوم-ثيونيل كلوريد كبيرة السعة (38 أمبير/ساعة) وتصميم منخفض استهلاك الطاقة. تم اختبار عمر البطارية من خلال محاكاة سيناريوهات العمل الفعلية، حيث يعمل الجهاز وفق استراتيجية "الاستيقاظ مرة كل 30 دقيقة ليلاً لمدة 20 ثانية، والاستيقاظ مرة كل ساعة نهارًا لمدة 20 ثانية"، مع تسجيل استهلاك طاقة البطارية. أظهرت نتائج الاختبار أن متوسط استهلاك الطاقة للجهاز هو 0.012 مللي واط، ويصل عمر البطارية إلى 4.8 سنوات، مما يلبي الاحتياجات الهندسية "الدفن لمرة واحدة والصيانة لمدة أربع سنوات"، دون الحاجة إلى تغيير البطارية بشكل متكرر، مما يقلل من الضرر الذي يلحق بهيكل السد.

2. التحقق من التطبيق الميداني في المشاريع الهيدروليكية

للتحقق من أداء الجهاز وعمليته في سيناريوهات المشاريع الهيدروليكية الفعلية، تم اختيار 182 مشروعًا هيدروليكيًا على المستوى الوطني للتحقق من التطبيق الميداني، تغطي الأحواض الرئيسية مثل حوض نهر اليانغتسي، وحوض نهر اللؤلؤ، وحوض نهر هوايخه، وحوض النهر الأصفر، وتشمل أنواعًا مختلفة من المشاريع الهيدروليكية مثل الخزانات والسدود والبوابات، وتغطي بيئات نموذجية متنوعة مثل درجات الحرارة العالية والرطوبة العالية في الجنوب، والتلال في الوسط، ودرجات الحرارة المنخفضة في الشمال، ورذاذ الملح الساحلي. تم نشر أكثر من 2300 جهاز، بمساحة رصد تتجاوز 5 ملايين متر مربع، مع إعداد نقاط رصد تقليدية (تفتيش يدوي + إغراء بالطعم) كمجموعة مقارنة، لتحليل ومقارنة تأثير تطبيق الجهاز.

(1) تصنيف سيناريوهات التطبيق وخطة النشر

وفقًا لنوع المشروع الهيدروليكي وخصائص ضرر النمل الأبيض، تم تقسيم سيناريوهات التطبيق إلى 4 فئات، مع اعتماد خطة نشر موحدة.

① سيناريو سد الخزان. يتم النشر بشكل أساسي على المنحدر الخلفي للسد، والمدرجات، وجانبي قناة تصريف الفيضانات، وأكتاف السد، وهي مناطق عالية الإصابة بالنمل الأبيض. يتم استخدام طريقة توزيع على شكل زهرة البرقوق، بمسافة 15 مترًا بين الأجهزة، مع التركيز على رصد نشاط النمل الأبيض داخل جسم السد، للوقاية من مخاطر الأنابيب والتسرب.

② سيناريو مشروع السدود. يتم النشر بشكل أساسي على المنحدر الخلفي للسد، وقاعدة السد، ومناطق الشاطئ، باستخدام طريقة توزيع خطية، بمسافة 20 مترًا بين الأجهزة، لتغطية كامل خط السد، للوقاية من مخاطر التسرب والانهيارات الأرضية الناتجة عن بناء أعشاش النمل الأبيض.

③ سيناريو مشروع البوابة. يتم النشر بشكل أساسي في التربة المحيطة بالبوابة، وجانبي قنوات السحب والصرف، بمسافة 10 أمتار بين الأجهزة، مع التركيز على رصد نشاط النمل الأبيض في أساس البوابة، للوقاية من مخاطر تسرب البوابة وهبوط الأساس.

④ سيناريو السدود القديمة. نظرًا لارتفاع معدل إصابة السدود القديمة بالنمل الأبيض وضعف بنيتها، يتم نشر الأجهزة بكثافة أكبر، بمسافة 10 أمتار، مع التركيز على رصد الأجزاء الخطرة والضعيفة، لتحقيق الكشف المبكر عن مخاطر النمل الأبيض ومعالجتها.

(2) نتائج التطبيق الميداني

بعد 12 شهرًا من التحقق من التطبيق الميداني، حققت جميع مؤشرات أداء الجهاز متطلبات التصميم أو تجاوزتها، مع مزايا كبيرة مقارنة بطرق الرصد التقليدية. إحصائيات نتائج التطبيق المحددة هي كما يلي.

① أداء التعرف والإنذار. تم رصد نشاط النمل الأبيض 127 مرة إجمالاً، وتم الإنذار بنجاح عن 109 مخاطر للنمل الأبيض، بنسبة دقة في معالجة المخاطر 100%. وقت استجابة الإنذار ≤20 ثانية، بينما كان وقت استجابة طرق الرصد التقليدية 7-15 يومًا. بلغ معدل تعرف الجهاز 99.95%، ودقة الإنذار 98.5%، ومعدل الإنذار الكاذب 1.4%، ومعدل الإنذار الفائت 0.3%، وكلها أفضل من متطلبات المعايير الصناعية (دقة الإنذار ≥95%، معدل الإنذار الكاذب ≤5%، معدل الإنذار الفائت ≤5%).

② كفاءة الصيانة والتكلفة. يبلغ متوسط تكلفة الصيانة السنوية للتفتيش اليدوي لكيلومتر واحد من السد حوالي 20,000 يوان صيني. باستخدام هذا الجهاز، يمكن توفير 14,000 يوان صيني سنويًا لكل كيلومتر من السد، مما يقلل متوسط تكلفة الصيانة السنوية بنسبة 70%. يمكن لشخص واحد تركيب أكثر من 30 جهازًا في اليوم الواحد، وهو أكثر كفاءة بـ 15 مرة من طريقة إغراء الطعم التقليدية (شخص واحد يركب 2 كيلومتر في اليوم). يعمل الجهاز بدون صيانة لمدة 4.8 سنوات، دون الحاجة إلى حفر السد بشكل متكرر لتغيير البطارية، مما يقلل من الضرر الذي يلحق بهيكل السد ويقلل من عبء عمل الصيانة.

③ نتائج معالجة المخاطر. تمت معالجة جميع مخاطر النمل الأبيض البالغ عددها 109 في الوقت المناسب، منها 87 حالة كانت نشاطًا مبكرًا للنمل الأبيض المتفرق، و22 حالة كانت أعشاشًا صغيرة ومتوسطة الحجم. بعد المعالجة، ومن خلال الرصد المتابع، لم يحدث أي تكرار للإصابة بالنمل الأبيض، مما حال بشكل فعال دون تطور ضرر النمل الأبيض، ومنع حدوث مخاطر جسيمة مثل الأنابيب والتسرب، وضمن التشغيل الآمن للمشروع الهيدروليكي.

④ القدرة على التكيف مع السيناريوهات المختلفة. في سيناريو درجات الحرارة العالية والرطوبة العالية في الجنوب (مثل خزان هوانغتيان في قوانغدونغ)، حافظ الجهاز على معدل تعرف فوق 99.8%. في سيناريو درجات الحرارة المنخفضة في الشمال (مثل سد النهر الأصفر في شاندونغ)، عمل الجهاز بشكل طبيعي في بيئة -20 درجة مئوية، بمعدل تعرف فوق 99.5%. في سيناريو رذاذ الملح الساحلي (مثل بوابة سانهي في جيانغسو)، عمل الجهاز بشكل طبيعي بعد التعرض لتآكل رذاذ الملح، بمعدل تعرف فوق 99.6%. في سيناريو السدود القديمة (مثل خزان كايشيان في هوبي)، نجح الجهاز في الإنذار عن 17 خطرًا للنمل الأبيض، بنسبة دقة معالجة 100%، مما حل بشكل فعال مشكلة رصد النمل الأبيض في السدود القديمة.

الاستنتاجات والتوقعات

1. الاستنتاجات

حول رصد النمل الأبيض في المشاريع الهيدروليكية، وباستخدام دمج البيانات ثلاثي الأنماط "بصري-صوتي-حراري" كتقنية أساسية، تم تطوير واختبار معملي والتحقق من التطبيق الميداني لجهاز رصد النمل الأبيض السلبي تحت الأرض. تم إكمال الأعمال الرئيسية مثل بناء نظام الإدراك متعدد الأنماط، وتصميم خوارزمية الدمج، وتحسين نموذج الذكاء الاصطناعي، والتعرف على أنواع وأصناف النمل الأبيض، وتحسين القدرة على التكيف البيئي، وتم تحقيق النتائج الأساسية التالية.

① تم بناء نظام إدراك تعاوني ثلاثي الأنماط عالي الدقة، مما حقق الجمع المتزامن والمعالجة المسبقة لإشارات شكل النمل الأبيض، وصوت النشاط الضعيف، وإشارات الارتفاع الطفيف في درجة الحرارة الأيضية. بالاشتراك مع آلية تعويض دمج درجة الحرارة والرطوبة، تم تحسين موثوقية البيانات متعددة الأنماط في البيئات المعقدة، وحل مشكلة صعوبة التقاط الإشارات الضعيفة للنمل الأبيض في البيئات المخفية تحت الأرض.

② تم تصميم بنية دمج ذات مستويين "مستوى الميزات + مستوى القرارات"، مع إدخال آلية الانتباه وقواعد التصويت ثلاثية الأنماط، لتحقيق الدمج العميق للميزات متعددة المصادر واتخاذ القرارات الدقيقة. بالاشتراك مع نموذج YOLOv10-M المحسن، وصل معدل التعرف الشامل للجهاز على النمل الأبيض إلى 99.95%، ودقة الإنذار إلى 98.5%، وانخفاض معدل الإنذار الكاذب إلى أقل من 1.5%، ومعدل الإنذار الفائت إلى 0.3%، وهو أفضل من التعرف أحادي النمط وطرق الرصد التقليدية، مما حل المشكلة الأساسية لارتفاع معدل الإنذار الكاذب والفائت في الرصد التقليدي.

③ تم تحقيق اختراق في التقنيات الرئيسية لدمج النمط الحراري، بما في ذلك تمييز الارتفاع الطفيف في درجة الحرارة، وتحديد موقع المجال الحراري والتنبؤ بالعش، وتصفية التداخل الحراري، مما حقق تحديدًا دقيقًا لموقع مركز تجمع النمل الأبيض والتنبؤ بموقع العش، مع خطأ في تحديد الموقع ≤0.5 متر. في الوقت نفسه، تم بناء نموذج للتعرف على أنواع وأصناف النمل الأبيض، لتحقيق التعرف الدقيق على 5 أنواع رئيسية ضارة و3 أصناف منها، بدقة تعرف >98%، مما يوفر أساسًا علميًا للمكافحة المستهدفة.

④ يتمتع الجهاز بقدرة قوية على التكيف البيئي وعمر بطارية طويل، حيث يمكنه العمل بشكل مستقر في بيئات معقدة مثل نطاق درجات حرارة واسع من -20 إلى 55 درجة مئوية، وتراكم المياه، ورذاذ الملح، والرطوبة العالية، مع عمر بطارية يصل إلى 4.8 سنوات.

⑤ أظهر التحقق من التطبيق الميداني في 182 مشروعًا هيدروليكيًا على المستوى الوطني أن الجهاز يعمل بشكل مستقر في سيناريوهات المشاريع الهيدروليكية المختلفة والبيئات المختلفة، ونجح في الإنذار عن 109 مخاطر للنمل الأبيض، بنسبة دقة معالجة 100%، وسرعة استجابة أفضل من طرق الرصد التقليدية، وانخفاض في معدل الإنذار الفائت بنسبة 97%، وانخفاض في معدل الإنذار الكاذب بنسبة 88%، وانخفاض في تكلفة الصيانة بنسبة 70%، مما حال بشكل فعال دون وقوع مخاطر في المشاريع الهيدروليكية الناتجة عن أضرار النمل الأبيض، وحقق التحول في رصد النمل الأبيض من "التفتيش اليدوي والمعالجة اللاحقة" إلى "الرصد الذكي والإنذار المبكر".

2. التوقعات

على الرغم من أن هذه الدراسة حققت نتائج ملحوظة، إلا أنه بناءً على الاحتياجات الفعلية لمكافحة النمل الأبيض في المشاريع الهيدروليكية واتجاهات التطور التكنولوجي، لا يزال هناك حاجة إلى مزيد من التحسين والتطوير في المستقبل.

① مزيد من تحسين خوارزمية الدمج متعدد الأنماط، وإدخال نماذج دمج التعلم العميق (مثل نموذج دمج Transformer)، لتعزيز عمق دمج الميزات متعددة المصادر ومتانة التعرف. تحسين استراتيجيات مقاومة التداخل للبيئات القاسية (مثل الأمطار الغزيرة، والاهتزازات القوية، ودرجات الحرارة المنخفضة للغاية)، لخفض معدل الإنذار الكاذب إلى أقل من 1%، ومعدل الإنذار الفائت إلى أقل من 0.1%.

② توسيع وظائف التعرف، بناءً على التعرف الحالي على الأنواع والأصناف، إضافة وظائف تقييم حجم العش وتصنيف درجة الخطورة. من خلال تحليل الميزات متعددة الأنماط، التنبؤ بحجم العش وعمقه ودرجة خطورته، لتوفير أساس أكثر دقة لقرارات المكافحة. في الوقت نفسه، توسيع نطاق التعرف على الأنواع المتعددة لتغطية جميع أنواع النمل الأبيض التي تضر بالمشاريع الهيدروليكية في الصين.

③ تحسين تصميم أجهزة الجهاز، لخفض استهلاك الطاقة بشكل أكبر، وزيادة عمر البطارية إلى أكثر من 5 سنوات. في الوقت نفسه، تحسين هيكل الجهاز، لتعزيز مقاومته لضغط التربة والصدمات الخارجية، وإطالة عمر الجهاز. تطوير نسخ مصغرة وخفيفة الوزن، مناسبة للنشر في المشاريع الهيدروليكية الصغيرة والتضاريس المعقدة.

④ دفع توحيد المعايير التقنية والتطبيق على نطاق واسع. بالاعتماد على نتائج هذه الدراسة، قيادة صياغة معيار صناعي للرصد الذكي للنمل الأبيض في المشاريع الهيدروليكية، لتنظيم عمليات تطوير الجهاز ونشره وصيانته واختباره. توسيع نطاق التطبيق ليشمل جميع أنواع المشاريع الهيدروليكية، وخاصة السدود القديمة والأجزاء الخطرة والضعيفة، لبناء شبكة وطنية لرصد النمل الأبيض في المشاريع الهيدروليكية، لتحقيق الرصد الشامل والتحكم الذكي في مخاطر النمل الأبيض.

⑤ تعزيز التكامل مع تقنية التوأم الرقمي الهيدروليكي. ربط بيانات نشاط النمل الأبيض والبيانات البيئية وبيانات سلامة السدود التي يجمعها الجهاز بمنصة التوأم الرقمي الهيدروليكي، لبناء نموذج توأم رقمي لضرر النمل الأبيض، لتحقيق المحاكاة الديناميكية لنشاط النمل الأبيض، والتنبؤ بالمخاطر، والمعالجة الذكية، مما يوفر دعمًا أكثر شمولاً للبيانات للتشغيل الآمن للمشاريع الهيدروليكية، ويدفع التحول في مكافحة النمل الأبيض في المشاريع الهيدروليكية نحو "التحكم الذكي الدقيق والوقاية الاستباقية".