Firefighting Robot System (Graduation Project)

## 🔥 Smart Firefighting System Using Robot

مشروع تخرج يهدف إلى تطوير **Smart Firefighting System** باستخدام روبوت ذكي قادر على اكتشاف الحرائق والاستجابة لها في الوقت الفعلي، من خلال دمج **Robotics, Embedded Systems, Computer Vision, Deep Learning, Machine Learning, and Artificial Intelligence**.

### 🧠 My Contribution – Hybrid AI Fire Detection Model

كان الجزء الأساسي من عملي هو تصميم وتطوير **Hybrid AI Model** لتحسين دقة وموثوقية اكتشاف الحرائق وتقليل الـ**False Positives** في البيئات الحقيقية.

اعتمد النموذج على دمج ثلاث تقنيات مختلفة:

* **YOLOv11** → لاكتشاف وتحديد موقع النار في الوقت الفعلي.

* **ResNet50** → لاستخراج الـDeep Features من الصور والمناطق المكتشفة.

* **SVM** → لتصنيف النتائج وتحسين القرار النهائي وتقليل الإنذارات الخاطئة.

### ⚙️ Hybrid Decision System

لم يعتمد النظام على اكتشاف النار في صورة واحدة فقط، بل تم تطوير منطق قرار أكثر ذكاءً للتعامل مع الحالات التي قد تبدو كحريق ولكنها ليست حريقًا حقيقيًا.

فعلى سبيل المثال، إذا ظهرت **نار ثابتة لفترة من الوقت**، يقوم النظام بتجاهلها أو تقليل احتمالية اعتبارها حريقًا حقيقيًا، لأن مصدرها قد يكون **ولاعة أو لهبًا ثابتًا** وليس حريقًا يتطور.

كما تم تدريب النموذج على **Non-Fire Images**، بما في ذلك الصور التي تحتوي على عناصر أو إضاءة قد تظهر للنظام على شكل نار، بهدف تحسين قدرته على التمييز بين الحريق الحقيقي والمظاهر المشابهة له.

تم أيضًا دمج **YOLO Confidence Scores** مع **SVM Probabilities** للوصول إلى قرار نهائي أكثر استقرارًا وموثوقية.

### 📊 Dataset Engineering & Model Training

عملت على بناء وتجهيز **Custom Fire Dataset** من خلال:

* جمع وتنظيم بيانات خاصة باكتشاف الحرائق.

* تنظيف البيانات ومعالجة الملفات التالفة.

* اكتشاف وإصلاح مشاكل الـ**Annotations**.

* إنشاء **Empty Labels** للصور التي لا تحتوي على حرائق لتحسين عملية تعلم YOLO.

* تطبيق **Data Augmentation** لزيادة تنوع البيانات وتحسين قدرة النموذج على التعميم.

* تطبيق **Normalization & Preprocessing** على البيانات.

* تنفيذ **Feature Extraction and Fusion-Based Decision Logic**.

* تدريب وتقييم النموذج تحت ظروف إضاءة وبيئات مختلفة.

### 🎯 Results

حقق الـ**Hybrid Architecture** دقة بلغت حوالي **94%**، مع تحسين ملحوظ في **Detection Stability** وتقليل الـFalse Positives، خصوصًا في البيئات المعقدة وظروف الإضاءة الصعبة.

ساهم النظام في جعل عملية اكتشاف الحريق أكثر موثوقية من الاعتماد على نموذج Detection واحد فقط، من خلال الجمع بين **Object Detection + Deep Feature Extraction + Machine Learning Classification**.

### 🛠️ Technologies & Skills

**Python | YOLOv11 | ResNet50 | SVM | OpenCV | Deep Learning | Machine Learning | Computer Vision | Artificial Intelligence | CNN | Feature Extraction | Feature Fusion | Dataset Engineering | Data Augmentation | Object Detection | Real-Time AI Systems**

### 💡 Skills Gained

من خلال المشروع اكتسبت خبرة عملية في:

**Computer Vision, Deep Learning, Machine Learning, Dataset Engineering, Model Training & Evaluation, Feature Engineering, Object Detection, False Positive Reduction, and Real-Time AI Systems.**