| Resumo: | Incêndios de grandes proporções vêm sendo frequentemente noticiados pelas imprensas nacional e internacional nos últimos anos. Os impactos decorrentes de tais catástrofes compreendem uma série de consequências irreversíveis, como perda da biodiversidade, maior emissão de gases poluentes na atmosfera, efeitos deletérios para a saúde humana e destruição de propriedades rurais e patrimônios culturais. Sob essa perspectiva, torna-se indispensável a busca por soluções eficazes de prevenção e combate a incêndios. Uma potencial solução para esse dilema seria um sistema autônomo baseado em visão computacional capaz de identificar focos de incêndio rapidamente, viabilizando a supressão para atenuação dos danos e, consequentemente, minimizando os custos operacionais de combate e restauração. O estado da arte destes sistemas utiliza redes neurais convolucionais para reconhecimento dos principais indicadores visuais de incêndio: fogo e fumaça. Entretanto, algoritmos de aprendizado profundo como esse são computacionalmente caros, apresentam milhares de parâmetros, consomem uma quantidade considerável de memória e ainda requerem um grande volume de dados rotulados para treinamento. Perante o exposto, neste trabalho é apresentada uma ferramenta de detecção automática de incêndios para dispositivos móveis e com processamento limitado. O modelo de detecção de fogo e fumaça é desenvolvido a partir do treinamento de uma rede neural convolucional em uma base de dados inédita, a qual compreende uma variedade de eventos reais de incêndio. Posteriormente, filtros convolucionais menos relevantes desse modelo são identificados e removidos, de modo a preservar o desempenho de detecção obtido em uma arquitetura otimizada. Os resultados experimentais mostram que é possível construir um detector de incêndios baseado em aprendizado profundo que seja não apenas robusto mas também computacionalmente eficiente, além de instigar um cenário de monitoramento ambiental em larga escala com processamento local distribuído e de baixo custo de infraestrutura.
|
|---|