Ushbu tadqiqot neftni qayta ishlash zavodi, neft-kimyo majmuasi, rezervuar maydoni va elektr stansiyasi kabi keng sanoat hududlarida uzoqdagi kichik yong‘inlar va past kontrastli tutun bulutlarini real vaqt rejimida aniqlashga qaratilgan bilim distillatsiyasi usulini ishlab chiqadi. Uzoq masofali xavfsizlik kameralarida xavfli hududlar ko‘pincha atigi bir necha pikselni egallaydi; tungi chiroqlar, avtomobil faralari, metall sirt akslari, ho‘l yer yaltirashi va yorqin daraxt qoplami yong‘in yoki tutun bilan adashtirilishi mumkin. Shu sababli yengil obyekt detektorlari ham zaif nishonlarni o‘tkazib yuborishi, ham tez-tez yolg‘on signal berishi mumkin.

Tadqiqotchilar bu muammoni hal qilish uchun yuqori sig‘imli o‘qituvchi model bilimini to‘g‘ridan-to‘g‘ri va zich tarzda nusxalash o‘rniga, ishonchli nishon hududlari va chalg‘ituvchi sanoat naqshlarini alohida prototiplar ko‘rinishida ifodalovchi distillatsiya doirasini taklif qiladilar. O‘qituvchi modelning yong‘in, yengil tutun va quyuq tutun prognozlari nishon ehtimollik xaritalarini; ko‘cha chirog‘i, kuchli aks va yorqin daraxt qoplami prognozlari esa chalg‘ituvchi ehtimollik xaritalarini hosil qiladi. Muzlatilgan CLIP tasvir-til modeli va o‘rganiladigan uzluksiz prompt tokenlari bu xaritalarni semantik jihatdan qayta baholab, haqiqiy xavf tushunchalariga mos hududlarni kuchaytiradi va yoritish manbalaridan kelib chiqadigan chalg‘ituvchi hududlarni bostiradi.

Takomillashtirilgan ehtimollik xaritalari o‘qituvchi modeldan nishon va chalg‘ituvchi prototiplarni ajratib olishda hamda o‘quvchi model xususiyatlaridan o‘rgatuvchi fazoviy tokenlarni tanlashda qo‘llanadi. Niqob bilan yo‘naltirilgan ko‘p masshtabli kontrastiv moslashtirish deb ataluvchi yo‘qotish funksiyasi yengil o‘quvchi modelning haqiqiy yong‘in va tutun naqshlarini o‘rganishi va ko‘rinish jihatidan o‘xshash chalg‘ituvchi hududlarni farqlashini maqsad qiladi. CLIP, o‘qituvchi model, prompt tokenlari va prototip banki faqat trening vaqtida ishlatiladi; maydondagi qo‘llashda esa faqat 8,4 million parametrli o‘quvchi detektor ishlaydi.

11.023 tasvirdan iborat gibrid Fire&Smoke ma’lumotlar to‘plamidagi natijalarga ko‘ra, usul YOLO26-small modelining o‘rtacha AP qiymatini 51,5 dan 63,8 gacha oshirgan va xabar qilingan yolg‘on signal ko‘rsatkichini %14,7 dan %3,4 gacha tushirgan. 625 tungi kadrdan iborat quyi to‘plamda o‘rtacha AP 47,8 dan 59,6 gacha oshgan, yolg‘on signal ko‘rsatkichi esa %22,6 dan %4,6 gacha pasaygan. Shunga qaramay, ma’lumotlar to‘plamining taxminan yarmi xususiy sanoat tasvirlaridan iborat, yolg‘on signal ko‘rsatkichining aniq hisoblash usuli tushuntirilmagan va real o‘rnatilgan chekka qurilmada maydon benchmarki taqdim etilmagan.

Turkiya nuqtai nazaridan ahamiyati

Usul Turkiyadagi neftni qayta ishlash zavodlari, neft-kimyo va kimyo korxonalari, tabiiy gaz saqlash maydonlari, portlar, issiqlik elektr stansiyalari, quyosh va shamol energetika maydonlari, konlar, o‘rmon-sanoat chegaralari va yirik ishlab chiqarish kampuslaridagi erta ogohlantirish tizimlariga moslashtirilishi mumkin. Ayniqsa tungi smenalarda projektorlar, signal chiroqlari, avtomobil faralari, yaltiroq metall uskunalar va yomg‘irdan keyingi akslar klassik kamera asosidagi tizimlarda yong‘inga o‘xshash tasvirlar hosil qilishi mumkin. Tadqiqotning nishon va chalg‘ituvchi prototiplarni alohida modellashtirish yondashuvi bunday ekologik sharoitlar uchun bevosita tegishli muhandislik gipotezasini taklif qiladi.

Turkiyada amaliyotga o‘tishdan oldin turli korxona turlari, kamera balandliklari, linzalar, ob-havo sharoitlari, fasllar va geografik hududlardan yig‘ilgan mahalliy tasvirlar bilan qayta trening va validatsiya o‘tkazilishi kerak. Tuman, bug‘, mo‘ri gazi, payvandlash uchqunlari, mash’ala minoralari, issiq jarayon yaltirashlari va harakatlanuvchi transport chiroqlari alohida chalg‘ituvchi sinflar sifatida baholanishi kerak. Signal samaradorligi faqat har bir tasvir bo‘yicha AP bilan emas; hodisani aniqlash vaqti, soatiga yolg‘on signal, o‘tkazib yuborilgan hodisalar soni, uzluksiz videodagi signal barqarorligi va operator aralashuvi yuki bilan o‘lchanishi lozim.

Ushbu tadqiqot usulning Turkiyadagi real korxonalarda yong‘inni ertaroq aniqlashi yoki hayot va mol-mulk yo‘qotilishini kamaytirishini bevosita isbotlamaydi. Natijalar tasvirga asoslangan aniqlash muvaffaqiyatini qo‘llab-quvvatlaydi; termal kamera, alanga detektori, tutun sensori, gaz sensori va korxona signal tizimi bilan integratsiyalashgan xavfsizlik samaradorligini baholamaydi.

Tadqiqotning asosiy muammosi nima?

Sanoat xavfsizlik kameralari odatda baland ustun, tom yoki minoralarga joylashtirilib, katta hududlarni kuzatadi. Bu tuzilma bitta kamera bilan katta maydonni ko‘rishga imkon bersa-da, yong‘in va tutun nishonlarining tasvirda juda kichik bo‘lib qolishiga olib keladi. Uzoqdagi tutun ko‘pincha osmon, bulut, tuman yoki mo‘ri gazi bilan past kontrast hosil qiladi. Kichik alangalar esa projektor, far, ogohlantirish chirog‘i va metall akslari yonida osongina yo‘qolishi mumkin.

Yengil bir bosqichli obyekt detektorlari past kechikish va cheklangan apparat resurslari talabi tufayli chekka qurilmalarda afzal ko‘riladi. Biroq kichik modellarning reprezentatsiya sig‘imi pastroq. Katta o‘qituvchi modeldan yengil o‘quvchi modelga bilim uzatish bu bo‘shliqni kamaytirishi mumkin; ammo o‘qituvchi modelning noto‘g‘ri javoblari ham to‘g‘ridan-to‘g‘ri uzatilsa, o‘quvchi shu xatolarni o‘rganishi mumkin.

Tadqiqotning asosiy da’vosi shuki: sanoat yong‘in va tutun distillatsiyasida faqat “yuqori ishonchli hudud” va “fon” o‘rtasidagi farq yetarli emas. Yoritish manbalaridan kelib chiqadigan qiyin negativlar oddiy fondan alohida modellashtirilishi kerak. Shu sababli tizim uchta fazoviy namuna turini ajratadi:

• Musbat xavf hududlari: Yengil tutun, quyuq tutun va yong‘in.
• Tuzilmali chalg‘ituvchi hududlar: Ko‘cha chiroqlari, kuchli akslar va yorqin daraxt qoplami.
• Muhit foni: Nishon yoki maxsus chalg‘ituvchi sifatida belgilanmagan boshqa hududlar.

Nima uchun tasvir-til yo‘naltirishi ishlatilgan?

Tadqiqotning 3-sahifasidagi 1-rasm tungi sanoat sahnasida uzoq tutun bulutini qizil musbat hudud, yorqin ko‘cha chirog‘ini esa ko‘k manfiy hudud sifatida ko‘rsatadi. Tutun hududi “ingichka oq tutun”, chiroq hududi esa “to‘q sariq ko‘cha chirog‘i; yong‘in yoki tutun emas” kabi matnli tushunchalar bilan bog‘langan. Rasm ikki hudud tasvir yorqinligi bo‘yicha o‘xshash ko‘rinsa ham, semantik jihatdan farq qiladi degan g‘oyani tushuntiradi.

Tasvir xususiyatlari yoritish, kamera burchagi, kontrast va shovqinga sezgir. Matn reprezentatsiyalari esa “yong‘in”, “tutun”, “chiroq” yoki “aks” kabi yuqori darajadagi tushunchalarni barqarorroq kodlashi mumkin. Biroq umumiy maqsadli CLIP modeli neft-kimyo maydonlaridagi maxsus tasvir sharoitlariga to‘g‘ridan-to‘g‘ri mos bo‘lmasligi mumkin. Tadqiqotchilar bu domen farqini kamaytirish uchun statik jumlalar o‘rniga o‘rganiladigan uzluksiz prompt tokenlaridan foydalanadilar.

Umumiy o‘qituvchi–o‘quvchi arxitekturasi

4-sahifadagi 2-rasm usulning yuqori darajadagi ishlashini ko‘rsatadi. Kamera kadrlari treningda ham kuchli o‘qituvchi model, ham yengil o‘quvchi model uchun kirish bo‘ladi. O‘qituvchi model o‘zining xususiyat piramidasi va semantik moduli orqali yong‘in, tutun va chalg‘ituvchi yoritish naqshlarini prototiplarga aylantiradi. Bu prototiplar o‘quvchi model treningini yo‘naltiradi.

Deploy bosqichida o‘qituvchi model, CLIP komponenti va prototip banki olib tashlanadi. Kamera kadrlari faqat o‘quvchining backbone, neck va detection head qismlaridan o‘tadi. Shu tariqa distillatsiya tizimi trening xarajatini oshirsa-da, maydon arxitekturasiga yangi tasvir-til modelini qo‘shmaydi.

3-rasmdagi batafsil distillatsiya liniyasi

6-sahifadagi 3-rasm butun usulni quyidagi bosqichlarga ajratadi:

1. O‘qituvchi detektorning bashorat qutilari sinfga bog‘liq nishon va chalg‘ituvchi P-xaritalarga aylantiriladi.
2. O‘qituvchi xususiyat piramidasidagi mahalliy xususiyatlar 512 o‘lchamli CLIP semantik fazosiga proyeksiya qilinadi.
3. Oldindan o‘rganilgan matn prototiplari nishon va chalg‘ituvchi tushunchalarga semantik yaqinlikni hisoblaydi.
4. Bu yaqinlik qiymatlari aniqlashga asoslangan P-xaritalarni kuchaytiradi yoki bostiradi.
5. Takomillashtirilgan xaritalardan foydalanib nishon va chalg‘ituvchi prototiplar olinadi.
6. Prototiplar xususiyat piramidasining har bir darajasi uchun alohida navbatlarda saqlanadi.
7. O‘quvchi xususiyatlaridan musbat, chalg‘ituvchi va fon tokenlari namuna olinadi.
8. MMCA yo‘qotishi o‘quvchi tokenlari va o‘qituvchi prototiplarini umumiy fazoda moslashtirishga harakat qiladi.

Dastlabki P-xaritalar qanday yaratiladi?

O‘qituvchi modelning har bir xususiyat piramida darajasi uchun ikkita fazoviy xarita yaratiladi:

\[ P_{\mathrm{target}}^{\ell}\in\mathbb{R}^{1\times H_\ell\times W_\ell} \]

\[ P_{\mathrm{confuse}}^{\ell}\in\mathbb{R}^{1\times H_\ell\times W_\ell} \]

\(\ell\) xususiyat piramidasi darajasini; \(H_\ell\) va \(W_\ell\) esa shu darajadagi fazoviy o‘lchamlarni bildiradi. Yengil tutun, quyuq tutun yoki yong‘in deb belgilangan o‘qituvchi bashoratlari nishon xaritasiga; chiroq, aks yoki yorqin daraxt deb belgilangan bashoratlar chalg‘ituvchi xaritaga qo‘shiladi.

Bashorat qutisining markaziy katagi to‘liq og‘irlik, qo‘shni kataklar qisman og‘irlik oladi. Tasvirdagi barcha bashoratlar yig‘ilgach, xarita o‘zining maksimal qiymatiga bo‘linib, eng katta katak 1 bo‘ladigan qilib normallashtiriladi.

Bu usul turli tasvirlardagi mutlaq ishonch ballarining masshtab farqini kamaytiradi. Biroq barcha bashoratlar past ishonchli bo‘lgan tasvirda ham eng yuqori zaif javob 1 ga masshtablanishi mumkin. Tadqiqot semantik tuzatish bosqichi bu xavfni qay darajada bartaraf etishini alohida ishonch kalibrlash tajribasi bilan o‘lchamagan.

Uzluksiz prompt tokenlari bilan oldindan moslashtirish

Nishon va chalg‘ituvchi kategoriyalarning har biri uchun to‘rtta o‘rganiladigan kontekst tokeni ishlatiladi:

\[ Q_{\mathrm{tar}},Q_{\mathrm{conf}}\in\mathbb{R}^{N\times D_{\mathrm{word}}},\qquad N=4 \]

Kategoriya nomi embeddingi \(e_m\) tegishli kontekst tokenlari bilan birlashtirilib matn ketma-ketligi yaratiladi:

\[ X_m=[Q_{\mathrm{tar/conf}}\parallel e_m] \]

Bu ketma-ketlik og‘irliklari muzlatilgan CLIP matn kodlagichidan o‘tkazilib normallashtirilgan matn prototipiga aylantiriladi:

\[ t_m=\mathrm{Norm}(G(X_m)) \]

Tadqiqotda CLIP ViT-B/16 ishlatilgani va umumiy semantik fazo 512 o‘lchamli ekani ko‘rsatilgan. O‘qituvchining turli kanal sonlariga ega xususiyat piramidasi darajalari ikki qatlamli MLP bilan ayni 512 o‘lchamli fazoga ko‘chiriladi:

\[ h^\ell(f)=W_2^\ell\,\mathrm{GeLU}(W_1^\ell f+b_1^\ell)+b_2^\ell \]

Haqiqiy yorliq qutilaridagi o‘qituvchi xususiyatlari RoIAlign orqali pooling qilinib vizual prototiplarga aylantiriladi. Vizual va matn prototiplarining mosligi multimodal InfoNCE yo‘qotishi bilan optimallashtiriladi:

\[ \mathcal{L}_{\mathrm{pre}}= -\frac{1}{K}\sum_{k=1}^{K} \log \frac{ \sum_{m=1}^{M}y_{k,m}\exp(\langle v_k,t_m\rangle/\tau_{\mathrm{clip}}) }{ \sum_{j=1}^{M}\exp(\langle v_k,t_j\rangle/\tau_{\mathrm{clip}}) } \]

\(v_k\) o‘qituvchi xususiyatlaridan chiqarilgan vizual prototipni; \(t_m\) o‘rganilgan matn prototipini; \(y_{k,m}\) to‘g‘ri semantik moslikni; \(\tau_{\mathrm{clip}}\) esa temperatura koeffitsiyentini bildiradi.

8-sahifadagi 4-rasm haqiqiy yorliq qutilaridan o‘qituvchi FPN xususiyatlari, RoIAlign jarayoni, ikki qatlamli MLP, vizual prototiplar va o‘rganiladigan matn promptlarigacha cho‘zilgan ikki tarmoqli oldindan moslashtirish jarayonini ko‘rsatadi. O‘qituvchi backbone va CLIP matn kodlagichi muzlatilgan holda, proyeksiya MLPsi va uzluksiz prompt tokenlari yangilanadi.

Semantik P-xarita tuzatishi

Oldindan moslashtirishdan so‘ng o‘rganilgan prompt tokenlari muzlatiladi. O‘qituvchi xususiyatlarining har bir fazoviy joylashuvi semantik fazoga proyeksiya qilinadi:

\[ z_{x,y}^{\ell}=\mathrm{Norm}\left(h^\ell(f_{x,y}^{\ell})\right) \]

Mahalliy xususiyatning nishon tushunchasiga yoki chalg‘ituvchi tushunchaga yaqinligi quyidagi farq bilan hisoblanadi:

\[ s^\ell(x,y)= \langle z_{x,y}^{\ell},t_{\mathrm{tar}}\rangle - \langle z_{x,y}^{\ell},t_{\mathrm{conf}}\rangle \]

Musbat qiymat nishon semantikasiga, manfiy qiymat chalg‘ituvchi semantikaga yaqinlikni bildiradi. Semantik ball muayyan \(\theta\) chegarasidan oshganda qirqilgan tuzatish hadi yaratiladi:

\[ \Delta^\ell(x,y)= \gamma\,\mathrm{clip}(s^\ell(x,y),-1,1) \mathbb{I}(|s^\ell(x,y)|\geq\theta) \]

Nishon P-xaritasi quyidagicha yangilanadi:

\[ \widehat{P}_{\mathrm{target}}^\ell= \mathrm{Norm}_{\max} \left( \max(0,P_{\mathrm{target}}^\ell+\Delta^\ell) \right) \]

Semantik jihatdan yong‘in yoki tutunga mos hududlar kuchayadi; chiroq yoki aks tushunchalariga yaqin hududlar zaiflashadi. Matn chalg‘ituvchi xaritaga ham o‘xshash tuzatish qo‘llanishi mumkinligini bildiradi, ammo keyingi bo‘limda ishlatiladigan \(\widehat{P}_{\mathrm{confuse}}^\ell\) xaritasining aniq yangilanish tenglamasini alohida bermaydi.

Prototip banki qanday yaratiladi?

Takomillashtirilgan nishon xaritasi o‘qituvchi xususiyat kanallarining qaysilari xavf hududlarida kuchliroq ekanini hisoblash uchun ishlatiladi. Kanal og‘irliklari softmax bilan normallashtiriladi. Har bir xususiyat piramidasi darajasida eng yuqori javob bergan mahalliy hududlar tanlanadi va kanal og‘irlikli pooling orqali prototip vektorlari hosil qilinadi.

Prototiplar ikki guruhda saqlanadi:

• Nishon prototiplari: Yong‘in va tutun bilan bog‘liq yuqori javobli o‘qituvchi xususiyatlari.
• Chalg‘ituvchi prototiplar: Chiroq, aks, yorqin tuzilma yoki shunga o‘xshash qiyin negativlar bilan bog‘liq xususiyatlar.

Har bir xususiyat darajasi uchun sig‘imi qat’iy bo‘lgan alohida navbatlar ishlatiladi. Navbat to‘lganda eng eski prototip chiqariladi. Standart sozlamada har bir daraja uchun nishon va chalg‘ituvchi navbatlarda 32 tadan prototip saqlanadi.

Navbatlar bo‘sh bo‘lgan holatda normallashtirilgan tasodifiy vektorlar vaqtinchalik prototip sifatida qaytarilishi ko‘rsatilgan. Bu himoya dastur ishlashini davom ettiradi; biroq tasodifiy prototiplar treningga qanchalik tez-tez kirishi va yo‘qotish funksiyasiga qancha shovqin qo‘shishi xabar qilinmagan.

O‘quvchi tokenlarini tanlash

O‘quvchi xususiyat piramidasidagi fazoviy nuqtalar uchta taqsimot bo‘yicha namuna qilinadi:

\[ p^\ell_{\tau}(y,x)= \begin{cases} \dfrac{\widehat{P}^\ell_{\mathrm{target}}(y,x)} {\sum_{y',x'}\widehat{P}^\ell_{\mathrm{target}}(y',x')+\epsilon}, & \tau=\mathrm{pos}\\[8pt] \dfrac{\widehat{P}^\ell_{\mathrm{confuse}}(y,x)} {\sum_{y',x'}\widehat{P}^\ell_{\mathrm{confuse}}(y',x')+\epsilon}, & \tau=\mathrm{neg}\\[8pt] \dfrac{1-\widehat{P}^\ell_{\mathrm{target}}(y,x)} {\sum_{y',x'}(1-\widehat{P}^\ell_{\mathrm{target}}(y',x'))+\epsilon}, & \tau=\mathrm{neg\_bg} \end{cases} \]

Musbat taqsimot haqiqiy xavf hududlariga, manfiy taqsimot maxsus chalg‘ituvchilarga, fon taqsimoti esa nishon ehtimoli past bo‘lgan boshqa hududlarga qaratilgan. Standart bo‘yicha har bir daraja uchun 32 musbat va 64 manfiy token tanlanadi; manfiylarning %60 i chalg‘ituvchi xaritadan olinadi.

Tanlangan o‘quvchi xususiyati darajaga xos chiziqli bosh orqali 512 o‘lchamli umumiy fazoga ko‘chiriladi:

\[ z=\mathrm{Norm}(W_s^\ell h_{\ell,y,x}) \]

Niqob bilan yo‘naltirilgan ko‘p masshtabli kontrastiv moslashtirish

MMCA o‘quvchi tokenlari \(Z\) va o‘qituvchi prototiplari \(P\) o‘rtasidagi o‘xshashlik matritsasini hisoblaydi:

\[ S=\frac{1}{\tau}ZP^\top \]

Chalg‘ituvchi prototiplarni belgilovchi \(c\) vektori yordamida o‘xshashliklarga bias qo‘shiladi:

\[ \widetilde{S}=S+\mathbf{1}c^\top\log(\eta_{\mathrm{conf}}) \]

Standart \(\eta_{\mathrm{conf}}\) qiymati 1,5. Matn bu amal chalg‘ituvchi prototiplarni tuzilmali qiyin negativlarga aylantirib, o‘quvchini ulardan uzoqlashtirishini ta’kidlaydi. Biroq musbat, chalg‘ituvchi va fon tokenlari uchun alohida maqsad yorliq matritsasi berilmagan. Har bir token uchun maksimal o‘xshashlikdagi prototipning maqsad sifatida tanlanishi, ayniqsa manfiy tokenlar qaysi tomonga optimallashtirilayotganini yanada aniqroq belgilashni talab qiladi.

Har bir token yo‘qotishi shu xususiyat piramidasi darajasidagi eng yaqin prototip orqali hisoblanadi:

\[ \ell_i= -\left(\widetilde{S}_{i,j_i^*}-m_i\right) + \log\sum_{j=1}^{N_p} \exp(\widetilde{S}_{ij}-m_i) \]

Fazoviy ishonch og‘irligi musbat namunalarda nishon P-xaritasidan, chalg‘ituvchi namunalarda chalg‘ituvchi P-xaritadan, fonda esa nishon ehtimolining komplementidan olinadi. Umumiy yo‘qotish:

\[ \mathcal{L}_{\mathrm{MMCA}}= \frac{\sum_i w_i\ell_i}{\sum_i w_i+\epsilon} \]

ko‘rinishida aniqlangan. Gradient faqat o‘quvchi xususiyatlari va o‘quvchi proyeksiya boshlariga uzatiladi; prototip bankidagi o‘qituvchi vektorlari muzlatilgan holda ishlatiladi.

Ma’lumotlar to‘plami qanday yaratilgan?

Tadqiqotning gibrid Industrial Fire&Smoke ma’lumotlar to‘plami jami 11.023 ta yorliqlangan tasvirdan iborat:

Xususiy tasvirlar sobit 1080p uzoq masofali kameralar bilan yig‘ilgan va vaqt bo‘yicha takrorlarni kamaytirish uchun har besh soniyada bitta kadr olingan. Ko‘rinadigan tutun yoki alanga hududi 5 × 5 pikseldan katta bo‘lganda, zich chegaralovchi quti bilan yorliqlangan.

Nishon sinflari yengil tutun, quyuq tutun va yong‘indir. O‘qituvchi foydalanadigan chalg‘ituvchi sinflar ko‘cha chirog‘i, kuchli aks va yorqin daraxt qoplamidir.

11-sahifadagi 5-rasm kunduz va tunda olingan mo‘ri tutuni, uzoq tutun ustuni, ochiq alanga, projektor, transport chirog‘i va aks misollarini ko‘rsatadi. Tasvirlar ma’lumotlar to‘plamida turli nishon o‘lchamlari va yoritish sharoitlari mavjudligini ko‘rsatadi. Biroq har bir sinf bo‘yicha tasvir va quti sonlari, har bir kamera bo‘yicha taqsimot, korxona asosidagi bo‘linish va yorliqlovchilar o‘rtasidagi moslik xabar qilinmagan.

PASCAL VOC baholashi

Usul faqat sanoat ma’lumotlar to‘plamiga xos yoki xos emasligini baholash uchun taxminan 5.000 trening va 5.000 validatsiya tasviridan iborat PASCAL VOC sozlamasi ishlatilgan. Maqola bir-biriga vizual jihatdan yaqin kategoriyalarga e’tibor qaratilganini aytadi; biroq tanlangan sinflarning to‘liq ro‘yxati, namuna olish usuli va “person/rider” moslashuvi qanday yaratilgani tushuntirilmagan.

Tadqiqot usuli va natijalari

Model va trening sozlamasi

PASCAL VOC natijalari

Taklif etilgan usul xom o‘quvchiga nisbatan mAP@0,5 ni 5,3 punkt va qat’iyroq mAP@[0,5:0,95] ni 5,2 punkt oshirgan. Bu natija usul faqat yong‘in va tutun kategoriyalarida emas, umumiy obyekt aniqlash vazifasida ham foydali bo‘lishi mumkinligini qo‘llab-quvvatlaydi. Biroq VOC quyi to‘plamining aniq ta’rifi berilmagani sababli tajribani aynan takrorlash qiyin.

Industrial Fire&Smoke asosiy natijalari

Taklif etilgan usul xom YOLO26-small o‘quvchiga nisbatan o‘rtacha APni 12,3 punkt oshirgan va yolg‘on signal ko‘rsatkichini 11,3 foiz punktga kamaytirgan. U o‘qituvchining 67,0 o‘rtacha AP qiymatiga yaqinlashar ekan, parametrlar sonini 31,8 milliondan 8,4 millionga tushiradi.

SSmokeDet qatorida yong‘in AP chiziq bilan ko‘rsatilgan bo‘lsa-da, 61,2 o‘rtacha AP berilgan. Ko‘rsatilgan yengil va quyuq tutun qiymatlaridan bu o‘rtacha qayta hisoblab bo‘lmaydi. Shu sababli usullar orasidagi reytingda tegishli qator ehtiyotkorlik bilan o‘qilishi kerak.

Turli detektor oilalarida umumlashuv

To‘rtta o‘quvchi arxitekturasining barchasida o‘rtacha AP taxminan 12–13 punkt oshgan, yolg‘on signal ko‘rsatkichi sezilarli kamaygan. Bu natija usul faqat muayyan YOLO versiyasiga bog‘liq emasligini qo‘llab-quvvatlaydi. Biroq har bir arxitektura natijalari bitta ma’lumotlar to‘plami va tushuntirilmagan bitta kechikish apparatida olingan.

Tungi sahnalardagi natijalar

Tungi quyi to‘plamda o‘rtacha AP 11,8 punkt oshgan va yolg‘on signal ko‘rsatkichi 18 foiz punktga kamaygan. 15-sahifadagi 7-rasm bazaviy model yorqin chiroq hududida noto‘g‘ri faollashuv yaratishini; taklif etilgan usul esa shu hududni bostirib, haqiqiy nishonga e’tibor qaratishini ko‘rsatadi.

Faollashuv xaritalari

14-sahifadagi 6-rasm yengil tutun, yong‘in va quyuq tutun uchun test tasvirini FGD, PKD, GID, CrossKD va taklif etilgan usulning issiqlik xaritalari bilan taqqoslaydi. Taklif etilgan usulda issiq faollashuv hududlari nishon ustida torroq va zichroq ko‘rinadi, atrofdagi yorqin tuzilmalar esa pastroq javob oladi.

Bu tasvirlar usulning ishlash mexanizmi bilan mos keladi; biroq tanlangan misollar butun test to‘plamini ifodalaydimi yoki yo‘qmi, buni ko‘rsatmaydi. Issiqlik xaritalarining miqdoriy natijasi cheklangan sonli izohlangan hududlarda bajarilgan DSR tahlili bilan qo‘llab-quvvatlangan.

Semantik takomillashtirishning miqdoriy tahlili

SmokeFire–Night quyi to‘plamidagi 80 ta izohlangan qiziqish hududida takomillashtirishdan oldingi va keyingi o‘rtacha P-xarita faolligi o‘lchangan:

\[ V_{\mathrm{avg}}(R)= \frac{1}{N}\sum_{(x,y)\in R}P(x,y) \]

Chalg‘ituvchini bostirish koeffitsiyenti:

\[ \mathrm{DSR}(R)= \frac{V_{\mathrm{avg}}^{\mathrm{refined}}(R)} {V_{\mathrm{avg}}^{\mathrm{orig}}(R)} \]

16-sahifadagi 8-rasm oldindan moslashtirishdan avval nishon va chalg‘ituvchi prototiplar umumiy fazoda bir-biriga aralashganini, keyin esa ikki klaster ajralganini ko‘rsatadi. Xuddi shu rasmning P-xarita misollarida haqiqiy tutun va alanga saqlanib, chiroq va suv akslari zaiflashtirilgani ko‘rinadi.

Bu tahlil mexanizm rejalashtirilganidek ishlayotganini qo‘llab-quvvatlaydi. Biroq 80 hudud qaysi tasvirlardan va qaysi namuna olish usuli bilan tanlangani, baholovchilar ko‘r-ko‘rona ishlaganmi yoki yo‘qmi va noaniqlik intervallari tushuntirilmagan.

Komponentlarni olib tashlash natijalari

Faqat prototip distillatsiyasi o‘quvchiga 8,3 punkt qo‘shgan. Statik matn semantikasi bilan P-xarita takomillashtirilganda natija 61,6 ga, uzluksiz prompt oldindan moslashtirish va chalg‘ituvchi prototiplar birgalikda ishlatilganda esa 63,8 ga chiqqan. Bu natija samaradorlik oshishi bitta komponentdan emas, tuzilmali prototip uzatish bilan semantik ajratishning birlashuvidan kelib chiqishini ko‘rsatadi.

MMCA ulush va bias tahlili

Kam chalg‘ituvchi namunalardan foydalanish qiyin negativlarni o‘rganishni zaiflashtirgan, ulushni 0,9 ga ko‘tarish esa nishon prototiplarining hissasini kamaytirgan. Xuddi shuningdek, chalg‘ituvchi biasni haddan tashqari oshirish samaradorlikni pasaytirgan. Eng yaxshi xabar qilingan muvozanat 0,6 namuna ulushi va 1,5 bias koeffitsiyentidir.

Prototip, token va prompt sig‘imi

64 prototip 64,0 bilan eng yuqori o‘rtacha APni bergan; tadqiqotchilar 32 prototipni samaradorlik-sig‘im muvozanati sababli standart sifatida tanlagan. Biroq 32 va 64 prototip o‘rtasidagi xotira, trening vaqti yoki energiya farqi xabar qilinmagan.

Tadqiqotning kuchli tomonlari

• Sanoat yong‘inlarini aniqlashda haqiqiy nishonlar va yoritish manbalaridan kelib chiqadigan qiyin negativlarni ochiq ajratishi.
• O‘qituvchining noto‘g‘ri yuqori javoblarini to‘g‘ridan-to‘g‘ri o‘quvchiga uzatish o‘rniga avval semantik jihatdan filtrlashi.
• Tasvir-til modelidan faqat trening vaqtida foydalanib, maydon modelini yengil saqlashi.
• Nishon va chalg‘ituvchi prototiplarni xususiyat piramidasi darajalari bo‘yicha alohida saqlashi.
• PASCAL VOC, asosiy Fire&Smoke testi va tungi quyi to‘plamda turli baholashlarni taqdim etishi.
• YOLOv8, YOLOv10, YOLO26 va RetinaNet oilalarida bir xil samaradorlik yo‘nalishini ko‘rsatishi.
• Yolg‘on signal ko‘rsatkichini aniqlik metrikalari bilan birga xabar qilishi.
• Komponentlarni olib tashlash, prototip sig‘imi, namuna ulushi va prompt uzunligi tahlillarini bajarishi.
• Xususiy tasvirlarni ulashish cheklovini va generativ sun’iy intellektdan foydalanishni ochiq bayon qilishi.

Asosiy cheklovlar

• Tadqiqot ekspertlar ko‘rib chiqishidan o‘tmagan.
• Xususiy sanoat tasvirlarining ulashilmasligi to‘liq qayta ishlab chiqishni to‘sadi.
• Korxona, kamera va vaqt ketma-ketligi asosida ma’lumotlarni ajratish tushuntirilmagan.
• Har bir sinf bo‘yicha tasvir va quti sonlari berilmagan.
• Yorliqlovchilar soni, sifat nazorati va kuzatuvchilar o‘rtasidagi moslik xabar qilinmagan.
• Fire&Smoke AP qiymatlarining IoU chegarasi aniq emas.
• Yolg‘on signal ko‘rsatkichining formulasi va baholash birligi ko‘rsatilmagan.
• Natijalar bitta ishga tushirish qiymatlari sifatida taqdim etilgan; standart og‘ish va ishonch oralig‘i berilmagan.
• Kechikish testi uchun apparat, batch, aniqlik, dasturiy muhit va warm-up protokoli ko‘rsatilmagan.
• Jetson, FPGA, NPU yoki sanoat edge kompyuterida real test bajarilmagan.
• Video uzluksizligi, vaqt bo‘yicha signal birlashtirish va hodisa darajasidagi samaradorlik o‘rganilmagan.
• Tuman, suv bug‘i, payvandlash nuri, mo‘ri emissiyasi va mash’ala minorasi kabi qo‘shimcha sanoat chalg‘ituvchilari alohida sinf sifatida baholanmagan.
• O‘qituvchining olti sinfli, o‘quvchining uch xavfsizlik sinfli chiqish tuzilmasining aniq trening mosligi to‘liq tushuntirilmagan.
• Chalg‘ituvchi P-xaritaning semantik yangilanish tenglamasi yetishmaydi.
• MMCAning manfiy va fon namunalarini qaysi prototiplarga tortishi yoki qaysilaridan itarishi matematik jihatdan yetarli darajada aniq emas.
• Prototip navbati bo‘sh bo‘lganda ishlatiladigan tasodifiy vektorlarning ta’siri o‘lchanmagan.
• P-xaritalarni har bir tasvirdagi maksimal qiymatga qarab normallashtirish o‘qituvchining mutlaq ishonchini yo‘qotadi.
• SSmokeDet uchun berilgan o‘rtacha AP jadvaldagi sinf qiymatlaridan qayta hisoblab bo‘lmaydi.
• Maqolada shablon matnlari va yakunlanmagan iqtibos belgilar mavjud.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Nazorat qilinadigan tajribalarda semantik yo‘naltirilgan prototip distillatsiyasi xom yengil detektorga qaraganda yuqoriroq AP hosil qilgan.
• Tadqiqotning tungi quyi to‘plamida chiroq va aks manbali faollashuvlar sezilarli kamaytirilgan.
• Nishon va chalg‘ituvchi prototiplarni alohida modellashtirish chalg‘ituvchi prototipsiz variantga nisbatan yuqoriroq o‘rtacha AP bergan.
• Uzluksiz prompt tokenlari statik umumiy CLIP promptlariga qaraganda yaxshiroq natija bergan.
• Usul turli YOLO va RetinaNet o‘quvchi oilalarida o‘xshash samaradorlik yo‘nalishini ko‘rsatgan.
• Distillatsiya modullari inference vaqtida olib tashlanishi mumkinligi sababli o‘quvchi parametrlari soni 8,4 million darajasida saqlangan.

Tadqiqot isbotlamaydigan natijalar

• Tizim real yong‘inni mavjud xavfsizlik tizimlaridan ertaroq aniqlashi ko‘rsatilmagan.
• Usulning barcha neft-kimyo korxonalari, iqlimlar va kamera turlariga umumlashishi isbotlanmagan.
• Yolg‘on signal kamayishining soat, smena yoki kamera boshiga operatsion ekvivalenti ko‘rsatilmagan.
• Model real o‘rnatilgan qurilmada xabar qilingan millisekund qiymatlarida ishlashi isbotlanmagan.
• Termal, infraqizil, gaz yoki nuqtaviy tutun sensorlari bilan integratsiyalashgan xavfsizlik muvaffaqiyati o‘lchanmagan.
• Xususiy ma’lumotlar to‘plamidagi natijalar mustaqil tadqiqot guruhi tomonidan takrorlangani ko‘rsatilmagan.
• Model tutun turi, yong‘in kattaligi yoki xavf darajasi haqida ishonchli fizik o‘lchov qilishi ko‘rsatilmagan.
• Bitta tasvir bo‘yicha baholash uzluksiz videoda barqaror signal xatti-harakatini isbotlamaydi.
• Model chiqishi sertifikatlangan yong‘in signali yoki xavfsizlik-kritik avtomatik o‘chirish qarori sifatida tasdiqlanmagan.

Manba va usul eslatmasi

Tadqiqotning to‘liq asl nomi: Semantic-Guided Prototype Distillation with Vision-Language Refinement for Long-Range Industrial Fire and Smoke Detection

Mualliflar: Yang Zhang; Yijun Wan; Yuan Xu; Mingqing Zhang; Yanlin He; Wei Ke; Hao Sheng.

Mualliflar tartibi: Yang Zhang birinchi, Yijun Wan ikkinchi, Yuan Xu uchinchi, Mingqing Zhang to‘rtinchi, Yanlin He beshinchi, Wei Ke oltinchi va Hao Sheng yettinchi muallifdir.

Teng birinchi muallif: Teng hissa yoki teng birinchi muallif bayonoti ko‘rib chiqilgan versiyada mavjud emas.

Mas’ul muallif: SSRN rasmiy yozuvi Yang Zhangni aloqa muallifi sifatida ko‘rsatadi. Ko‘rib chiqilgan maqolaning mualliflar sahifasida mas’ul muallifni ko‘rsatuvchi yulduzcha yoki alohida izoh mavjud emas.

Mualliflar va muassasalar:

• Yang Zhang — College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, Xitoy.
• Yijun Wan — College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, Xitoy.
• Yuan Xu — College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, Xitoy.
• Mingqing Zhang — College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, Xitoy.
• Yanlin He — College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, Xitoy.
• Wei Ke — Macao Polytechnic University, Makao, Xitoy.
• Hao Sheng — School of Computer Science and Engineering, Beihang University, Beijing, Xitoy.

Aloqa manzili: Ko‘rib chiqilgan versiyada Yang Zhang uchun yang_zh@mail.buct.edu.cn manzili berilgan.

ORCID: ORCID ma’lumotlari ko‘rib chiqilgan versiyada mavjud emas.

DOI:10.2139/ssrn.7192544

Jurnal: Ko‘rib chiqilgan versiyada ekspertlar ko‘rib chiqqan jurnal nomi mavjud emas.

Nashriyot: Yakuniy tasdiqlangan nashriyot ma’lumoti mavjud emas. SSRN tadqiqotning preprint qaydi va tarqatish platformasidir.

Nashr platformasi: SSRN.

SSRN qayd sanasi: 27 iyul 2026.

Nashr yili: 2026.

Manba turi: Bilim distillatsiyasi, tasvir-til oldindan moslashtirish, xususiy va ochiq tasvir ma’lumotlar to‘plamlari hamda ko‘p obyekt detektori taqqoslashlarini o‘z ichiga olgan eksperimental sun’iy intellekt tadqiqoti preprinti.

Ekspert ko‘rib chiqish holati: Tadqiqot ekspertlar ko‘rib chiqishidan o‘tmagan. Bu holat sarlavha sahifasida va maqolaning barcha sahifalarida ochiq ko‘rsatilgan.

Rasmiy manba:SSRN rasmiy tadqiqot qaydi.

Manba kodi: Tadqiqotchilar implementatsiya anonim tadqiqot repozitoriyasida ulashilganini bildiradi. Repozitoriyadagi barcha fayllarning versiyasi va tajribalar ushbu baholashda alohida ishga tushirib tekshirilmagan.

Ma’lumotlarga kirish: Ochiq DFS ma’lumotlar to‘plami asl manbadan foydalanish mumkin deb ko‘rsatilgan. Neft-kimyo qayta ishlash korxonalari va rezervuar maydonlaridan olingan xususiy tasvirlar sanoat xavfsizligi, maxfiylik va shaxsiylik sabablariga ko‘ra ommaviy emas. Qo‘shimcha ma’lumotlar ma’lumotlardan foydalanish cheklovlari ostida mas’ul muallifdan so‘ralishi mumkin.

Moliyalashtirish: Ko‘rib chiqilgan versiyada alohida moliyalashtirish bayonoti yo‘q.

Manfaatlar to‘qnashuvi: Mualliflar tadqiqotga ta’sir qilishi mumkin bo‘lgan ma’lum moliyaviy manfaat yoki shaxsiy munosabat yo‘qligini bildirgan.

Etika va maxfiylik: Inson yoki hayvon tajribasi xabar qilinmagan. Xususiy sanoat tasvirlari maxfiylik va xavfsizlik sabablariga ko‘ra ulashilmagani aytilgan; kamera tasvirlaridagi mumkin bo‘lgan shaxsiy ma’lumotlarni anonimlashtirish yoki etik ko‘rib chiqish usuli batafsil tushuntirilmagan.

Generativ sun’iy intellekt bayonoti: Tadqiqotchilar ChatGPTdan tilni tuzatish, maqola tartibi, LaTeX formatlash va tahririy takomillashtirish uchun foydalanganlarini; tajriba ma’lumotlarini yaratish, modelni o‘qitish yoki ilmiy xulosa chiqarish uchun foydalanmaganlarini bildirgan. Mualliflar barcha mazmunni ko‘rib chiqqanlari va yakuniy mas’uliyatni o‘z zimmalariga olganlarini tushuntirgan.

Ushbu o‘zbekcha izoh yuklangan 20 sahifalik faylning sarlavha va muallif ma’lumotlari, asosiy matni, 13 tenglamasi, sakkiz jadvali, sakkiz rasmi, ma’lumotlar to‘plami misollari, faollashuv xaritalari, komponentlarni olib tashlash tajribalari, natijalari, ma’lumotlarga kirish bayonotlari va adabiyotlari ko‘rib chiqilib tayyorlangan. Ilmiy mazmunga tadqiqotdan tashqari yangi tajriba natijasi qo‘shilmagan. Tashqi manbalar faqat sarlavha, mualliflar tartibi, aloqa muallifi, DOI, qayd sanasi va muassasa ma’lumotlarini bibliografik tasdiqlash uchun ishlatilgan.

Tadqiqot natijalari semantik yo‘naltirilgan prototip distillatsiyasi ko‘rib chiqilgan ma’lumotlar to‘plamida kichik va past kontrastli yong‘in-tutun nishonlarini aniqlashni yaxshilashi va yoritish manbalaridan kelib chiqadigan noto‘g‘ri javoblarni kamaytirishi mumkinligini qo‘llab-quvvatlaydi. Biroq xususiy ma’lumotlarning ulashilmasligi, yolg‘on signal va AP metrikalaridagi hisobot kamchiliklari, statistik noaniqlikning berilmagani va real chekka qurilmada maydon testi mavjud emasligi sababli usul hali mustaqil tasdiqlangan sanoat erta ogohlantirish tizimi sifatida baholanmasligi kerak.