YOLO11-BSCS: un marco optimizado con atención mejorada para la detección en tiempo real de llamas y humo en interiores en robots móviles de atención a personas mayores

Por qué la seguridad contra incendios para mayores necesita asistentes más inteligentes

Cada vez más personas mayores viven en sus hogares con movilidad limitada, a menudo pasando largas horas solas en el interior. Una pequeña llama en la cocina o una bocanada de humo puede convertirse rápidamente en un incendio que ponga en peligro la vida, especialmente para quienes se mueven despacio o usan ayudas para caminar. Este estudio explora cómo dotar a los robots móviles auxiliares de ojos más agudos para detectar llamas y humo en interiores a tiempo de avisar y guiar a personas mayores vulnerables hacia la seguridad.

Robots que vigilan el hogar

Los investigadores se centran en robots de movilidad diseñados para ayudar a personas mayores con discapacidad en la vida diaria. Más allá de llevar objetos o ofrecer compañía, estos robots pueden patrullar estancias con cámaras integradas, actuando como guardianes de seguridad móviles. El fuego es un riesgo importante en estos entornos, con muchas muertes vinculadas a la detección tardía. A diferencia de los detectores de humo fijos, un robot móvil puede mirar directamente a estufas, tomas de corriente y otros puntos peligrosos, incluso en habitaciones desordenadas o cambiantes. Para ser realmente útil, sin embargo, su sistema de visión debe detectar pequeñas llamas en fases tempranas y humos tenues en tiempo real mientras funciona con la limitada potencia de cálculo a bordo.

Enseñar a un robot a ver fuego y humo

Los robots modernos de vigilancia contra incendios se apoyan en el aprendizaje profundo, donde un modelo informático aprende patrones a partir de miles de imágenes en lugar de seguir reglas escritas a mano. El equipo parte de un sistema de visión reciente llamado YOLO11s, conocido por analizar imágenes con rapidez en una sola pasada. Crean una versión mejorada llamada YOLO11 BSCS, ajustada específicamente para llamas y humo en interiores. Para entrenarla, reúnen una gran colección de imágenes procedente de bases de datos de laboratorio, la web y escenas interiores cuidadosamente montadas, como cocinas, dormitorios y apartamentos de personas mayores. Las fotos capturan llamas y humo en muchos tamaños, ángulos y condiciones de iluminación, y se amplían mediante rotación, ruido y conversión a escala de grises para que el modelo pueda manejar vistas borrosas o inusuales.

Dar al robot enfoque más nítido y pensamiento más rápido

El avance central de YOLO11 BSCS radica en tres mejoras que juntas hacen al robot más preciso y más eficiente. Primero, un módulo de atención ayuda al sistema a concentrarse en regiones visuales importantes, como lenguas delgadas de llama o humo tenue que se desplaza sobre un fondo ocupado, en lugar de tratar cada píxel por igual. Segundo, un conjunto rediseñado de convoluciones elimina información de imagen repetida o de poco valor tanto en el espacio como en los canales de color. Esto reduce el número de cálculos internos, mejorando la velocidad sin desechar detalles útiles. Tercero, el equipo refina la manera en que el modelo aprende a dibujar cajas alrededor de los peligros, usando una regla de entrenamiento que equilibra mejor la posición, el tamaño y la forma de las cajas, de modo que las detecciones se ajusten con mayor precisión a las áreas reales de fuego y humo.

Poner a prueba el nuevo sistema de visión

Para ver si estos cambios importan en la práctica, los autores comparan YOLO11 BSCS con modelos de detección bien conocidos, incluidas varias versiones de YOLO y el ampliamente utilizado Faster R-CNN. Todos los sistemas se entrenan y prueban con los mismos conjuntos de imágenes de incendios en interiores, y cada experimento se repite varias veces con diferentes inicios aleatorios para asegurar resultados estables. El modelo mejorado alcanza mayor precisión, lo que significa menos falsas alarmas, y mayor recall, es decir, menos peligros omitidos. Su medida de puntuación global, que equilibra ambos, asciende varios puntos porcentuales por encima del YOLO11s original, incluso usando menos parámetros que muchos modelos rivales. Pruebas adicionales con imágenes nuevas de habitaciones no vistas previamente muestran que el sistema sigue detectando llamas y humo de forma fiable, lo que indica una buena generalización más allá de los datos de entrenamiento.

Qué significa esto para una atención domiciliaria más segura

En términos sencillos, el estudio demuestra que un sistema de visión cuidadosamente afinado puede ayudar a los robots de atención en interiores a notar fuego y humo antes y con mayor fiabilidad, sin exigir hardware informático pesado. YOLO11 BSCS permite a un robot escanear habitaciones rápidamente, fijarse en llamas pequeñas o parcialmente ocultas y en humo, y apoyar alarmas o instrucciones oportunas para residentes que puedan tener dificultades para escapar por sí mismos. Aunque se requiere más trabajo para probar el sistema en dispositivos reales y ampliarlo a otros peligros, esta investigación apunta a un futuro en el que los asistentes móviles patrullen discretamente nuestros hogares, proporcionando una capa adicional de seguridad para algunos de los miembros más vulnerables de la sociedad.

Cita: Wang, Y., Wang, Y., Wei, Z. et al. YOLO11-BSCS: an enhanced attention-optimized framework for real-time indoor flame and smoke detection in elderly care mobile robots. Sci Rep 16, 14956 (2026). https://doi.org/10.1038/s41598-026-45957-5

Palabras clave: detección de incendios en interiores, robots de atención a personas mayores, reconocimiento de humo, visión por aprendizaje profundo, monitorización de seguridad en tiempo real