Combate inteligente ao fogo: uma comparação entre diferentes modelos de visão computacional para detecção de incêndios florestais

Abstract

Os incêndios florestais representam um dos maiores desafios ambientais no Brasil e no mundo, ameaçando a biodiversidade, contribuindo para a emissão de gases de efeito estufa e causando sérios prejuízos econômicos e sociais. Este trabalho compara diferentes modelos de inteligência artificial baseados em visão computacional com o objetivo de detectar incêndios com ou sem fumaça. A partir de imagens públicas anotadas, os modelos YOLO, Faster R-CNN e Vision Transformer passaram por fine-tuning e foram avaliados sob diferentes métricas, como tempo de inferência e acurácia, na identificação de incêndios e/ou fumaças em diferentes cenários. Através da análise de imagens aéreas, este trabalho busca responder à questão “Como a visão compu- tacional pode auxiliar na identificação de áreas com focos ativos de incêndios?”. Os modelos avaliados são considerados estado da arte e tiveram seus desempenhos e viabilidade prática avaliados, auxiliando pesquisas futuras à tomada de decisão sobre o modelo mais adequado para utilização. Para alcançar essa meta, foram definidas etapas como a reunião e análise de imagens, o fine-tuning dos modelos, análises de métricas geradas e testes com imagens, visando ao final delas, que os modelos desenvolvidos sejam capazes de identificar incêndios com precisão comparável ao estado da arte. Adicionalmente, a pesquisa comparou o desempenho dos diferentes modelos implementados, além de demonstrar o potencial da visão computacional como ferramenta para o monitoramento ambiental e a gestão de recursos naturais. Como resultado, foi identificado que, apesar do modelo Faster R-CNN ter obtido os melhores valores para as métricas recall e acurácia, seu tempo de inferência pode inviabilizá-lo para cenários de tempo real. Ao contrário, o modelo YOLO obteve valores interessantes para as métricas mAP, F1-score e precisão, além de ser o mais leve entre os três, sugerindo seu potencial uso em aplicações que necessitam de detecções rápidas e em tempo real com recursos limitados.Fire outbreaks represent one of the greatest environmental challenges in Brazil and worldwide, threatening biodiversity, contributing to greenhouse gas emissions and causing serious economic and social losses. This article compares different artificial intelligence models based on computer vision, with the aim of identifying fires with or without smoke in forest regions. With analysis of public images, the models YOLO, Faster R-CNN and Vision Transformer were fine-tuned and tested using different metrics to evaluate, such as inference time and accuracy, in identifying fires and/or smoke in different situations. Through the analysis of aerial images, the model seeks to answer “How computer vision can help in the identification of areas with fire outbreaks?”. The models are considered state-of-the-art and their performance and usability were evaluated, helping future research to decide which model is most appropriate for use. To achieve this goal, steps were defined, such as the collection and analysis of images, model fine-tuning, analyzing generated metrics and testing with images. At the end of these steps, the developed model is expected to accurately identify fire hotspots with high precision. Additionally, the research compared the performance of the different models, demonstrates the potential of computer vision as a tool for environmental monitoring and natural resource management. The result showed identified that the Faster R-CNN model has the best values for the metrics recall and accuracy, but the inference time may make it unfeasible for real-time situations. However, the YOLO model has interesting values for the mAP, F1-score and precision metrics, and is also the lightest between the three, suggesting its potential use in applications that require fast and real-time detections with limited resources.