نموذج تعلم آلي خفيف الوزن للكشف الفوري عن تلوث المياه على الأجهزة الطرفية

ايمان سالم سعيد المشلوم

المؤلفون

ايمان سالم سعيد المشلوم المعهد العالي للعلوم والتقنية المشاشية – ليبيا Author

الكلمات المفتاحية:

تعلم آلي خفيف الوزن، حوسبة الحافة، جودة المياه، الكشف عن التلوث، التكميم، TensorFlow Lite، إنترنت الأشياء البيئي

الملخص

تُعد مراقبة جودة مياه الشرب في الزمن الحقيقي تحدياً حيوياً، خاصة في المناطق النائية والبيئات محدودة الموارد حيث تعجز البنى التحتية التقليدية عن توفير رصد مستمر وفعال. تهدف هذه الورقة إلى تصميم وتنفيذ نموذج تعلم آلي خفيف الوزن (Lightweight ML) قادر على تصنيف صلاحية المياه للاستهلاك البشري بدقة معقولة، مع ضمان قابلية النشر على أجهزة الحافة (Edge Devices) منخفضة الطاقة.

اعتمدت المنهجية المقترحة على مجموعة بيانات "Water Potability" من منصة Kaggle، والتي تضم 3,276 عينة و10 خصائص فيزيوكيميائية. تم معالجة تحديات جودة البيانات عبر تطبيق استراتيجية الوسيط لسد القيم المفقودة، وخوارزمية SMOTE لموازنة توزيع الفئات. صُممت بنية شبكة عصبية متسلسلة مُصغرة تتكون من ثلاث طبقات كثيفة (32→16→8 عصبونات) مع تقنيات تنظيم متقدمة (L2 Regularization، BatchNormalization، Dropout) لمنع الإفراط في التخصيص. ولتحسين الكفاءة الحاسوبية، تم تحويل النموذج إلى صيغة TensorFlow Lite مع تطبيق التكميم اللاحق للتدريب (Post-Training INT8 Quantization).

أظهرت النتائج التجريبية على مجموعة الاختبار (ن=656) تحقيق النموذج لدقة تصنيفية بلغت 61.13%، ودرجة F1-Score مقدارها 51.80%، ومساحة تحت منحنى ROC-AUC تبلغ 65.69%. والأهم من الناحية التطبيقية، تم ضغط حجم النموذج من 59.47 كيلوبايت إلى 6.07 كيلوبايت فقط، أي بنسبة ضغط تبلغ 9.8×، مما يجعله مناسباً للنشر على متحكمات دقيقة مثل ESP32 وArduino Nano 33 BLE وRaspberry Pi Pico.

تُثبت هذه الدراسة جدوى استخدام نماذج الذكاء الاصطناعي الخفيفة والمُكمَّمة في تطبيقات الرصد البيئي الميداني، حيث تُوازن بشكل مدروس بين الدقة التصنيفية وكفاءة الموارد. تُعد النتائج خطوة عملية نحو أنظمة إنذار مبكر مستقلة ومنخفضة التكلفة للكشف عن تلوث المياه، مع فتح آفاق للبحث المستقبلي في دمج البيانات الزمنية، والتعلم الاتحادي، والتحسين الكمي المخصص للأجهزة.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

[1] World Health Organization (WHO), Guidelines for Drinking-water Quality, 4th ed. Geneva, Switzerland: WHO Press, 2017.

[2] M. A. Khan, S. Ullah, and J. A. Khan, "IoT-based water quality monitoring systems: A comprehensive review," IEEE Access, vol. 9, pp. 45678–45695, 2021.

[3] S. K. Singh and R. Kumar, "Machine learning applications in water quality prediction: A systematic review," Journal of Environmental Management, vol. 285, p. 112123, 2021.

[4] A. Sharma, P. Gupta, and N. Verma, "Predicting drinking water potability using ensemble learning techniques," Environmental Science and Pollution Research, vol. 29, no. 15, pp. 21456–21468, 2022.

[5] L. Chen, Y. Wang, and H. Li, "Deep learning for water quality classification: Challenges and opportunities," Water Research, vol. 210, p. 117982, 2022.

[6] J. Brown, M. Al-Farsi, and K. Patel, "Handling missing values and class imbalance in environmental sensor data," IEEE Sensors Journal, vol. 22, no. 8, pp. 7890–7901, 2022.

[7] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: Synthetic minority over-sampling technique," Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.

[8] P. Warden and D. Situnayake, TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. Sebastopol, CA: O'Reilly Media, 2019.

[9] TensorFlow Lite Team, "Post-training integer quantization for edge deployment," Google AI Blog, 2021. [Online]. Available: https://www.tensorflow.org/lite/performance/post_training_integer_quant

[10] M. Li, H. Zhang, and Y. Liu, "Practical guide to post-training quantization for deep neural networks," in Proc. IEEE/CVF Winter Conf. Appl. Comput. Vis. (WACV), 2022, pp. 1120–1129.

[11] R. K. G. et al., "Edge AI for environmental monitoring: A survey of architectures, models, and deployment strategies," ACM Computing Surveys, vol. 55, no. 6, pp. 1–38, 2023.

[12] M. S. Rahman, T. Ahmed, and F. Hossain, "Lightweight neural networks for real-time water quality classification on microcontrollers," IEEE Internet of Things Journal, vol. 10, no. 4, pp. 3456–3467, 2023.

[13] S. Han, H. Mao, and W. J. Dally, "Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman coding," in Proc. Int. Conf. Learn. Represent. (ICLR), 2016.

[14] J. Lee, D. Park, and S. Kim, "Adaptive thresholding for real-time environmental anomaly detection on resource-constrained devices," Sensors, vol. 23, no. 11, p. 5123, 2023.

[15] D. Wang, X. Li, and Q. Zhou, "Federated learning for distributed environmental sensing: Privacy-preserving model updates on edge nodes," IEEE Trans. Green Commun. Netw., vol. 7, no. 2, pp. 890–902, 2023.

[16] United Nations Development Programme (UNDP), Sustainable Development Goal 6: Clean Water and Sanitation, New York, USA, 2023.

[17] E. H. et al., "Hardware-aware neural architecture search for ultra-low-power microcontrollers," ACM Trans. Embed. Comput. Syst., vol. 2, no. 3, pp. 1–25, 2023.

[18] Kaggle, "Water Potability Dataset," 2022. [Online]. Available: https://www.kaggle.com/datasets/adityakadiwal/water-potability