RipEye جریان های احتمالی را در عکس های ساحل در عرض چند ثانیه نشان می دهد

ویرایش شده توسط Swati Mestri، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

جریان های ریپ یکی از مرگبارترین خطرات سواحل استرالیا هستند و در 47 درصد از 66 مرگ ناشی از غرق شدن ساحل ثبت شده در گزارش ملی غرق شدگی 2025 نقش دارند.

اکثر مردم می‌دانند که جریان‌های ریپ می‌توانند خطرناک باشند. بخش سخت تر این است که بدانید چگونه یکی را تشخیص دهید. اما اگر عکسی که با گوشی شما گرفته می شود می تواند به شما در یادگیری کمک کند چه؟

محققان UNSW ابزار هوش مصنوعی (AI) RipEye را توسعه داده‌اند که می‌تواند تصویری از موج‌سواری را تجزیه و تحلیل کند و در عرض چند ثانیه تشخیص دهد که در آن جریان‌های ریپ وجود دارد.

این فناوری بخشی از پروژه پیوندی شورای تحقیقات استرالیا است که توسط UNSW با مشارکت Surf Life Saving استرالیا (SLSA) رهبری می‌شود تا به بهبود آگاهی جریان و ایمنی ساحل کمک کند و به طور بالقوه جان انسان‌ها را نجات دهد.

این ابزار تابستان امسال با باشگاه‌های SLSA منتخب آزمایش خواهد شد، با این هدف که در نهایت از آن برای حمایت از آموزش ایمنی ساحل عمومی و عملیات گشت‌زنی نجات غریق استفاده شود.

RipEye دو ابزار مکمل را گرد هم می‌آورد: AI Live Scan، که جریان‌های احتمالی ریپ را در تصاویر ساحل شناسایی می‌کند، و "Spot the Rip"، یک بازی آموزشی که به افراد کمک می‌کند مهارت‌های تشخیص ریپ خود را توسعه دهند.

دکتر ماندانا قنواتی، محقق ارشد دانشکده مهندسی عمران و محیط زیست UNSW، توسعه ابزار RipEye را با تمرکز بر عملکرد، دسترسی و کاربردی بودن آن در دنیای واقعی رهبری کرد.

او که متخصص در سیستم های هوش مصنوعی عملیاتی برای کاربردهای زیست محیطی و ایمنی عمومی است، معتقد است که این فناوری در نهایت می تواند به کاهش مرگ و میر ناشی از غرق شدن کمک کند.

قنواتی می‌گوید: «جریان‌های ریپ خطرات پویای ساحلی هستند و شرایط ساحل می‌تواند به سرعت تغییر کند.

برای مفید بودن فناوری مانند RipEye، دقت به تنهایی کافی نیست. سیستم باید اطلاعات را به طور موثر پردازش کند و نتایج را در حالی که آن شرایط هنوز مرتبط هستند ارائه دهد.

ما می‌خواستیم هوش مصنوعی پیشرفته را ساده و قابل دسترس کنیم. با ترکیب تشخیص به کمک هوش مصنوعی با یادگیری تعاملی، می‌خواهیم دانش و ابزارهایی را به مردم بدهیم تا قبل از ورود به آب، بدون جایگزینی قضاوت انسان، تصمیم‌های ایمن‌تری بگیرند.

RipEye فراتر از تشخیص خطرات با استفاده از هوش مصنوعی به افراد کمک می‌کند تا مهارت‌های تشخیصی خود را توسعه دهند.

در یک بازی تعاملی به نام Spot the Rip، بازیکنان در سطوح مختلف پیشرفت می‌کنند و قبل از مقایسه پاسخ‌هایشان با هوش مصنوعی، جریان‌های ریپ را در تصاویر سواحل شناسایی می‌کنند. بازی بازخورد ارائه می‌کند و نکاتی را برای کمک به بازیکنان برای بهبود مهارت‌های ریپ اسپاتینگ ارائه می‌دهد.

قنواتی می‌گوید: «این بازی رویکرد گسترده‌تری برای استفاده از هوش مصنوعی در امنیت عمومی نشان می‌دهد. به‌جای تکیه بر فناوری برای شناسایی ریپ‌ها، ما می‌خواستیم از هوش مصنوعی برای کمک به افراد برای توسعه مهارت‌های تشخیص یک مورد برای خود استفاده کنیم».

این بازی با در نظر گرفتن برخی از گروه هایی که بیشتر در معرض خطر غرق شدن هستند، از جمله مردان جوان، بازدیدکنندگان بین المللی و جوامع متنوع فرهنگی و زبانی طراحی شده است. SLSA تابستان امسال بازی را با این گروه‌ها آزمایش می‌کند و برای کمک به بهبود تجربه کاربری، بازخوردهایی را از ساحل‌روان جمع‌آوری می‌کند.

او می‌گوید: «گیمیفیکیشن یادگیری را جذاب‌تر می‌کند، به‌ویژه برای مخاطبان جوان‌تر».

ما امیدواریم با ارائه این بازی به 11 زبان و در دسترس قرار دادن آن در دستگاه های تلفن همراه، موانع آموزش ایمنی ساحل را بدون توجه به جایی که مردم هستند، از بین ببریم.

جریان های ریپ جریان های قوی و باریکی هستند که از خط ساحلی دور می شوند و می توانند شناگران را به سرعت به آب های عمیق تر منتقل کنند. آنها به عنوان یکی از خطرناک ترین خطرات ساحلی جهان در نظر گرفته می شوند.

میچل هارلی، دانشیار Scientia از دانشکده مهندسی عمران و محیط زیست UNSW، متخصص در فناوری نظارت بر ساحل است. او مستقر در آزمایشگاه تحقیقات آب UNSW (WRL) در Manly Vale، از فناوری‌های نوآورانه برای تفسیر داده‌های بصری برای درک و مدیریت خطرات ساحلی استفاده می‌کند.

پشت این فناوری بیش از 25 سال نظارت بر ساحل در WRL وجود دارد که یکی از بزرگترین پایگاه داده های تصاویر ساحل در جهان را جمع آوری کرده است. این پروژه همچنین از تعامل قوی با اعضای SLSA بهره مند شده است، که تصاویر فعلی را پاره کرده اند، و همچنین از دانش تخصصی و محلی برای کمک به ساخت یک مجموعه داده منحصر به فرد برای آموزش و آزمایش سیستم هوش مصنوعی بهره برده است.

Ph.D. نامزد Shenyang Qian از دانشکده علوم و مهندسی کامپیوتر از هزاران تصویر برای آموزش مدل هوش مصنوعی برای تشخیص الگوهای بصری مرتبط با جریان‌های ریپ استفاده کرد.

کیان می‌گوید: «من 12 ماه اول تحقیقاتم را صرف استخراج و حاشیه‌نویسی 10000 تصویر از جریان‌های شکاف در سواحل مختلف کردم تا این مدل را توسعه و آموزش دهم.

از طریق این کار عظیم و پرزحمت، RipEye یاد گرفته است که جریان های ریپ را تشخیص دهد و دانش خود را با شرایط متغیر تطبیق دهد.

در حالی که این ابزار می تواند در حدود 80 درصد مواقع پارگی را به درستی تشخیص دهد، هارلی می گوید که هیچ سیستم تشخیصی همیشه درست نخواهد بود و این موضوع باعث می شود که کاربران درک کنند که این فناوری تضمین نمی کند که منطقه ای از آب ایمن است.

خط ساحلی متنوع استرالیا همچنین طیف وسیعی از محیط‌ها و شرایط ساحلی را برای استفاده در توسعه این فناوری به محققان داده است.

هارلی می‌گوید: «استرالیا جزیره‌ای عظیم است و بسته به جایی که هستید، خط ساحلی می‌تواند بسیار متفاوت باشد.

"ریپ ها همیشه یکسان به نظر نمی رسند، بنابراین تشخیص آنها در سواحل و شرایط مختلف می تواند چالش برانگیز باشد.

در حالی که این مدل عمدتا با استفاده از داده‌های سواحل استرالیا ساخته شده است، ما همچنین در حال آزمایش آن بر روی تصاویر سواحل در ویتنام و کالیفرنیا بوده‌ایم که نتایج اولیه امیدوارکننده‌ای دارد.

این پروژه تیم چندرشته‌ای گسترده‌تری از دانشگاهیان UNSW از جمله پروفسور Scientia، توبی والش و دانشیار یانگ سونگ از دانشکده علوم و مهندسی کامپیوتر UNSW، دانشیار ایمی پدن از دانشکده بهداشت جمعیت UNSW، و پروفسور راب براندر (همچنین به عنوان دکتر ریپ شناخته می‌شود) (همچنین به عنوان دکتر ریپ شناخته می‌شود) و دکتر Jaz از مدیر تحقیقات دانشکده UNSW گرد هم می‌آورد. علوم زیستی، زمین و محیط زیست (BEES).

شناسایی موفقیت آمیز جریان ریپ تنها یک بخش از چالش است. تیم پروژه همچنین باید بداند که چگونه می توان از فناوری به طور ایمن در دنیای واقعی استفاده کرد.

این ابزار در حال حاضر توسط اعضای SLSA در مکان‌های خاص در حال آزمایش است تا ارزیابی کند که چگونه این فناوری می‌تواند رویه‌های عملیاتی موجود را تکمیل یا بهبود بخشد. به عنوان مثال، اطلاعات این ابزار می‌تواند از تصمیم‌گیری‌ها در مورد جایی که ناجیان غریق و ناجیان موج‌سواری پرچم‌های قرمز و زرد را نشان‌دهنده مناطق امن‌تر شنا و تفریح ​​در سواحل موج‌سواری قرار می‌دهند، پشتیبانی کند.

SLSA قصد دارد RipEye را برای کمک به آموزش اعضا پیاده سازی کند. در نهایت، هدف این است که ابزار را در اختیار عموم قرار دهیم.

یک سوال کلیدی این است که آیا دسترسی به کمک های هوش مصنوعی می تواند افراد را بیش از حد به این فناوری اعتماد کند یا بیش از حد متکی باشد؟

قنواتی می گوید درک نحوه تعامل مردم با این فناوری به اندازه ارزیابی عملکرد فنی آن مهم است.

او می گوید: «نحوه تفسیر، اعتماد و تعامل مردم با هوش مصنوعی به همان اندازه مهم است، اما اغلب در سیستم های هشدار اولیه نادیده گرفته می شود.

بخش مهمی از تحقیقات ما درک این موضوع است که چگونه کمک‌های هوش مصنوعی بر تصمیمات و رفتار افراد تأثیر می‌گذارد، از جمله اینکه آیا آگاهی از خطرات را بهبود می‌بخشد یا حس کاذب اعتماد ایجاد می‌کند.

خط ساحلی استرالیا دارای 11000 سواحل در سرزمین اصلی است، بنابراین وجود گشت زنی فعال در تمام سواحل در طول سال امکان پذیر نیست.

با تمرکز ویژه بر سواحل بدون گشت زنی، هدف این پروژه حمایت از هدف SLSA برای کاهش 50 درصدی مرگ و میر ناشی از غرق شدگی تا سال 2030 است.

لاوس، مدیر تحقیقات ملی در Surf Life Saving استرالیا و مدرس ارشد کمکی در UNSW، می‌گوید: "شما نمی‌توانید از خطری اجتناب کنید، اگر نتوانید آن را ببینید. جریان‌های ریپ خطر شماره 1 ساحلی در سطح جهان هستند و عامل بیش از یک نفر از هر سه مرگ ناشی از غرق شدن در سواحل استرالیا هستند، اما شناسایی آنها بسیار دشوار است.

"تحقیق ما نشان می دهد که شکاف واقعی بین اعتماد به نفس و توانایی وجود دارد: 45٪ از استرالیایی ها فکر می کنند که می توانند یک شکاف را تشخیص دهند، اما فقط 16٪ می توانند به درستی آن را تشخیص دهند.

"به همین دلیل است که RipEye بسیار مهم است. می تواند به Surf Life Saving کمک کند تا چیزی را که اغلب دیدن آن دشوار است به اطلاعات ملموسی تبدیل کند که مردم می توانند درک کنند و از آن برای آموزش، اطلاع رسانی و انتخاب های ایمن تر برای خود و عزیزانشان استفاده کنند."

برای هارلی، تأثیر بالقوه چیزی است که تحقیق را به ویژه هیجان انگیز می کند.

"اگر هوش مصنوعی بتواند به افراد و متخصصان کمک کند تا خطرات موجود در مقابل خود را بهتر شناسایی کنند - در حالی که آنها را تشویق می کند تا یاد بگیرند که به دنبال چه چیزی بگردند - می تواند به ابزار دیگری برای کمک به ساحل نشینان برای انتخاب ایمن تر قبل از ورود به آب تبدیل شود."

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →