O Dr. Gerardo Alberto Martínez, investigador da Universidad Internacional Iberoamericana (UNIB), juntamente com uma equipa de investigadores de outras instituições, entre os quais se encontra Dra. Débora Libertad Ramírez, investigadora da Universidad Internacional Iberoamericana de México (UNINI México), participa num estudo que propõe uma solução de detecção precoce de incêndios florestais através da aprendizagem profunda implementada em dispositivos de ponta.
Os incêndios florestais continuam a causar perdas ecológicas e económicas de grande magnitude, com ameaças crescentes devido às alterações climáticas. A deteção precoce é decisiva para reduzir os tempos de resposta e os danos, mas os sistemas tradicionais (redes de sensores, câmaras com análise centralizada ou satélites) tendem a registar falsos positivos, dependem de conectividade constante ou carecem de eficácia em zonas remotas.
Da mesma forma, nos últimos anos, os métodos baseados em aprendizagem profunda alcançaram altas taxas de acerto, embora geralmente exijam computação intensiva, o que dificulta sua operação em equipamentos de baixo consumo e seu uso contínuo no campo. Esse desafio limita a adoção de soluções em áreas com infraestrutura limitada, precisamente onde a detecção precoce é mais crítica.
Neste contexto, o estudo introduz um sistema de deteção autónoma de fogo e fumo baseado na borda que utiliza MobileNetV2, uma rede convolucional leve otimizada para dispositivos com recursos limitados. Esta proposta executa inferência local sem depender da nuvem, gerando etiquetas, confiança e marcas temporais no próprio dispositivo; apenas se conecta de forma intermitente para emitir alertas críticos com imagem e coordenadas GPS, o que aumenta a resiliência e a cibersegurança.
Para o seu desenvolvimento, a equipa recolheu e depurou milhares de fotos de fogo, fumo e cenas sem fogo; depois treinou uma IA com transferência de aprendizagem (aproveitando o conhecimento prévio e ajustando-o posteriormente ao problema), otimizou-a para um formato leve para que funcionasse rapidamente e com baixo consumo, e instalou-a num pequeno dispositivo com câmara que analisa imagens continuamente sem depender da nuvem.
Resultados relevantes do estudo
Os resultados confirmaram um desempenho sólido e estável tanto em laboratórios quanto no dispositivo de borda. O sistema atingiu uma precisão de 97,98% e poucos erros concentrados em situações visualmente ambíguas. No equipamento de borda, ele funciona quase em tempo real e, graças às otimizações, o modelo é muito mais leve sem perder eficácia. Em comparação com outras alternativas leves, ele oferece um melhor equilíbrio entre precisão e eficiência. Além disso, mantém um bom desempenho com dados externos (boa generalização), e as análises confirmam que cada decisão de design (treinamento em duas fases, poda e quantização) traz melhorias complementares.
Em termos práticos, isso significa que o sistema pode ser implantado em áreas remotas sem conexão contínua, operar com consumo muito baixo (mesmo com energia solar) e manter o serviço apesar de quedas na rede. Como próximos passos, planeia-se adicionar sensores térmicos para melhorar o desempenho à noite ou com fumo denso e realizar testes prolongados em campo com vídeo contínuo para medir e reduzir falsos positivos e encurtar os tempos de deteção.
Se quiser saber mais sobre este estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório da UNIB.
A Universidad Internacional Iberoamericana (UNIB) oferece mestrados em diversas áreas, como o Mestrado em Gestão Estratégica com Especialização em Telecomunicações. Um programa que o prepara para projetar e liderar redes e infraestruturas críticas que suportam IoT, Edge computing, vídeo contínuo e sensores em cenários reais. Dê o próximo passo para impulsionar a sua carreira em telecomunicações na UNIB.