Modelos MobileNetV2 com atenção aprimorada para detecção e classificação robusta de incêndios florestais

Por que alertas de incêndio mais rápidos importam

Em todo o mundo, incêndios florestais estão ficando mais quentes, maiores e mais caros de combater. Minutos podem fazer a diferença entre um foco pequeno e contido e um desastre regional que prejudica ecossistemas, enche cidades de fumaça e custa bilhões de dólares. Este estudo explora como modelos compactos de inteligência artificial (IA) podem detectar os primeiros sinais de incêndios florestais em imagens e vídeos comuns, rápido o suficiente para rodar em drones, câmeras de segurança e sensores de baixo consumo espalhados por áreas vulneráveis.

Vigilância das florestas com câmeras inteligentes

Torres de vigilância tradicionais e operadores humanos que monitoram transmissões de vídeo ao vivo têm dificuldade para cobrir vastas áreas florestais, especialmente à noite ou em condições de fumaça e neblina. Os autores enfrentam esse problema transformando a detecção de incêndios em uma pergunta simples de sim ou não: esta imagem contém fogo? Eles reuniram uma coleção balanceada de 5.121 imagens mostrando cenas com e sem fogo, oriundas de florestas, áreas urbanas e locais industriais, capturadas durante o dia, à noite e através de fumaça ou nevoeiro. Ao balancear cuidadosamente o conjunto de dados e revisar rótulos manualmente, buscam ensinar os sistemas de IA como são chamas reais em campo, não apenas em exemplos ideais de laboratório.

IA enxuta projetada para o campo

Muitos sistemas poderosos de reconhecimento de imagens são pesados demais para rodar nos pequenos computadores de drones ou câmeras de vigilância de baixo custo. Para evitar esse problema, o estudo baseia-se no MobileNetV2, uma família de redes neurais projetada para ser rápida e econômica em memória. O primeiro modelo, chamado Att-MobileNetV2, adiciona um mecanismo de "atenção" que ajuda a rede a concentrar-se nas cores, texturas e bordas características de chamas enquanto ignora ruídos como nuvens iluminadas pelo sol ou luzes fortes de edifícios. O segundo modelo, MobileNetV2-TL, usa aprendizado por transferência: reaproveita habilidades visuais aprendidas a partir de milhões de fotos gerais e treina apenas uma pequena cabeça específica para distinguir fogo de não-fogo, mantendo baixo o tempo de processamento e o consumo de energia.

Treinando para condições difíceis do mundo real

Para imitar as condições desordenadas do monitoramento real de incêndios, os pesquisadores fizeram mais do que coletar imagens variadas. Eles também aplicaram alterações controladas a cada foto de treinamento — como pequenas rotações, espelhamentos e mudanças de brilho ou contraste — para simular diferentes ângulos de câmera e iluminação. Ambos os modelos foram então treinados e avaliados sob as mesmas regras, usando medidas padrão como acurácia, precisão e recall, e verificando com que frequência deixam de detectar incêndios ou geram alarmes falsos. O Att-MobileNetV2 alcançou uma acurácia de cerca de 99,6%, enquanto o MobileNetV2-TL chegou a aproximadamente 98,4%. Crucialmente, esses resultados foram obtidos com apenas alguns milhões de parâmetros e uma fração de bilhão de operações por imagem, permitindo decisões em apenas 10–12 milissegundos em um único processador gráfico.

Superando sistemas maiores com menos recursos

Os dois modelos compactos foram comparados tanto com métodos clássicos de aprendizado de máquina quanto com redes profundas mais complexas. Sob condições idênticas de treinamento e teste, o Att-MobileNetV2 entregou o melhor equilíbrio geral entre detecções corretas de fogo e decisões corretas de "tudo limpo", enquanto o MobileNetV2-TL obteve recall particularmente alto, ou seja, raramente deixa de identificar incêndios reais — uma propriedade importante para sistemas de alerta precoce. Um conjunto (ensemble) que combina ambos os modelos apresentou desempenho ainda ligeiramente superior, sugerindo que as formas como eles "veem" uma cena são complementares. Testes em um conjunto de dados público independente mostram que os modelos mantêm forte desempenho em imagens novas, indicando que generalizam além das imagens específicas em que foram treinados.

O que isso significa para a segurança contra incêndios no futuro

Em termos simples, este trabalho mostra que modelos de IA pequenos e eficientes podem detectar incêndios florestais cedo e de forma confiável, mesmo rodando em hardware modesto montado em drones, torres ou câmeras à beira de estradas. Ao usar atenção para focar nas partes corretas da imagem e aprendizado por transferência para reaproveitar conhecimento visual prévio, os sistemas propostos alcançam precisão que rivaliza ou supera modelos muito mais pesados. Embora desafios persistam nas condições de nevoeiro mais denso, a abordagem aponta para redes de sensores inteligentes e acessíveis que poderiam disparar alertas mais cedo, ajudando bombeiros a responder mais rápido e potencialmente impedindo que pequenas fagulhas se tornem incêndios florestais catastróficos.

Citação: Ul Haq, I., Husnain, G., Iqbal, A. et al. Attention-enhanced MobileNetV2 models for robust forest fire detection and classification. Sci Rep 16, 4805 (2026). https://doi.org/10.1038/s41598-026-35207-z

Palavras-chave: detecção de incêndios florestais, monitoramento de incêndios, aprendizado profundo, IA de borda, visão computacional