UMA ABORDAGEM PARA DETECÇÃO DE INCÊNDIO FLORESTAIS

A análise de imagens em vídeo para detecção de incêndio florestais tornou-se um tema relevante para a visão computacional. No entanto, as abordagens convencionais utilizam exclusivamente modelos baseados em regras e vetores de características para classificar se uma imagem é fogo ou não fogo. Essas características são difíceis de definir e o resultado leva a uma baixa taxa de positivos e uma alta taxa de falso positivo. Neste trabalho é apresentado uma abordagem diferente para esse problema, foi proposto uma rede neural convolucional (CNN) para identificar fogo em imagens de vídeos. A CNN inicial foi treinada a partir de um dataset com 39.375 quadros são rotulados ("Fogo" e "Não Fogo") para a fase de treinamento. Além disso, outros 9.000 quadros são rotulados para os dados de teste. 2.000 quadros são considerados para a segmentação de incêndio e, em relação a isso, 2.000 máscaras foram geradas com anotação pixel a pixel. Foi observado um bom desempenho (96,5% de detecção positiva e 15% de falsos positivos) na classificação de objetos. Testada em sequências de vídeo, a abordagem proposta alcança melhor desempenho de classificação como alguns dos métodos convencionais de detecção de incêndio por vídeo relevantes e indica que usar CNN para detectar incêndio em vídeos é muito promissor.