Pesquisadores desenvolvem inteligência artificial para detectar e combater incêndios

Um grupo internacional de pesquisa, encabeçado pela Universidade Federal do Ceará, desenvolveu um novo algoritmo computacional capaz de identificar focos de incêndio em tempo real e, com isso, acelerar o acionamento das equipes de combate ao fogo. O sistema pode ser usado tanto em drones como em câmeras de vigilância comuns, o que permite criar uma ferramenta para monitoramento de incêndios em espaços públicos e também em ambientes fechados.

“O sistema permite, por exemplo, navegar com um drone sobre o Cocó, fazendo detecção de princípios de incêndio. A ideia é que o drone localize e reconheça esse padrão e mande uma mensagem com a localização para os bombeiros ou para o robô militar de combate a incêndios”, explica o Prof. Victor Hugo C. de Albuquerque, do Laboratório de Engenharia de Sistemas de Computação (LESC), um dos autores do projeto. O pesquisador integra o Departamento de Engenharia de Teleinformática (DETI), da UFC.

Outra aplicação, diz o professor, é o uso em câmeras de segurança, de modo a identificar rapidamente um princípio de incêndio e emitir alertas. De acordo com um trabalho recém-publicado na revista internacional IEEE Transactions on Industrial Informatics, são necessários entre 30 e 210 milissegundos para a classificação de uma imagem, com acurácia de 98,9%. “Com um sistema desses, a gente consegue prever  incêndios e reduzir o tempo de atuação dos bombeiros”, diz.

O algoritmo é fruto da tese de doutorado do pesquisador Jefferson Almeida, orientando do Prof. Victor Hugo. Ele contou com a parceria de pesquisadores da Tongji University (China), da Banasthali Vidyapith (Índia) e da King Faisal University (Arábia Saudita), além do Prof. Fabrício Gonzalez Nogueira, do Departamento de Engenharia Elétrica da UFC.

COMO É FEITO

A pesquisa teve início com o desenvolvimento de uma Rede Neural Convolucional (CNN, na sigla em inglês), um algoritmo de aprendizado profundo cuja principal aplicação está na detecção, identificação e classificação de elementos em imagens. Os pesquisadores montaram um banco de imagens de áreas públicas e “treinaram” a CNN para identificar, a partir de frames de imagens, três situações distintas: com fogo; com fumaça e sem fogo; e sem fumaça e sem fogo.

Na prática, isso significa que a CNN analisou milhares de imagens para identificar as características em torno de cada uma dessas três situações. Assim, quando confrontado com uma nova imagem, o algoritmo conseguia classificá-la automaticamente, gerando o alerta.

Mas o reconhecimento das situações de incêndio é apenas parte do projeto, uma vez que outras redes neurais já haviam sido desenvolvidas com essa mesma finalidade. “O foco mesmo do trabalho foi tentar criar um algoritmo leve, capaz de ser embarcado em um hardware utilizado pelos drones ou ser usado em nuvem”, explica o Prof. Victor Hugo. 

Para realmente se transformar em inovação, a CNN precisaria demandar uma capacidade de processamento relativamente baixa e consumir pouca energia. Caso contrário, seu uso prático poderia ficar comprometido: uma alta demanda de processamento pode exigir hardwares robustos demais para rodar ou criaria um sério empecilho para o uso em nuvem. Por outro lado, um consumo alto de energia impactaria o tempo de autonomia de voo dos drones, portanto, na eficiência da ferramenta como forma de prevenir incêndios.

Os pesquisadores trataram, então, de aprimorar a arquitetura do algoritmo reduzindo o número de camadas convolucionais para que ele tivesse o melhor desempenho possível. A seguir, passaram a comparar a nova CNN com as já conhecidas na literatura acadêmica. Os testes mostraram que a nova rede não só possuía os melhores resultados no reconhecimento das imagens, como também demandava menos recursos de energia e processamento de dados. Para se ter ideia, um dos algoritmos anteriormente disponíveis não chegou sequer a rodar em um dos hardwares testados –  o Jetson nano, um computador de pequenas dimensões. 

Agora, os pesquisadores pretendem realizar testes de campo com drones e o modelo proposto para avaliar o desempenho da CNN em situações controladas. A pesquisa de doutorado recebeu financiamento da  Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). 

Confira também: Pesquisa da UFRGS e UEA aponta que fungos da casca-preciosa podem ser capazes de degradar plástico