Durante los últimos años de terribles incendios forestales que han devastado partes de Europa, Australia y los estados del oeste de EE. UU., el uso crítico de los vehículos aéreos no tripulados para ayudar a los equipos de respuesta a desplegarse y combatir puntos calientes ha recibido una atención merecida. Ahora, un grupo de investigadores está desarrollando una forma de utilizar aplicaciones de computación neuronal de aprendizaje profundo que analizan imágenes de drones para detectar automáticamente nuevos incendios e identificar puntos calientes que requieren una reacción más rápida.
Un grupo de profesores de la Universidad Purdue de Indiana se ha asociado con el estudiante graduado en informática y tecnología de la información Ziyang Tang para utilizar redes neuronales y computadoras de aprendizaje profundo para acelerar y fortalecer la forma en que se pueden utilizar las imágenes de los drones en la extinción de incendios. Por el momento, la mayoría de los análisis y decisiones que se toman a partir de fotografías aéreas son realizados por humanos que examinan imágenes tomadas en grandes extensiones de tierra en llamas. La tarea es tan enorme como agotadora, y el objetivo actual es hacerla más rápida y sencilla mediante la automatización.
El trabajo de Tang comenzó cuando preguntó por qué las capacidades de interpretación y deducción cada vez más rápidas y poderosas de las computadoras no se estaban utilizando para automatizar la búsqueda de incendios forestales sobre los cuales los humanos pudieran actuar.
«El aprendizaje profundo ha tenido un gran éxito en la detección de objetos como personas y vehículos», dijo Tang en un artículo publicado en la página de noticias de Purdue. «Pero se ha hecho poco para ayudar a las computadoras a detectar objetos con formas amorfas e irregulares, como los focos de incendio».
Tang y sus socios académicos se pusieron a trabajar tratando de aprovechar el poder de procesamiento que permite a las computadoras detectar objetos filmados por drones con tamaños fijos y formas regulares, y aplicarlo a las formas impredecibles y rápidamente cambiantes de las llamas.
Reconstrucción del análisis neuronal por computadora de imágenes de drones para detectar formas irregulares y cambiantes de llamas
El primer paso fue introducir un algoritmo que identificaría las llamas, los socorristas y otros factores involucrados en los incendios forestales capturados en imágenes de drones y los transmitiría a monitores humanos. El objetivo inmediato más simple era hacer que el proceso de escanear tantas imágenes tomadas en áreas tan vastas fuera menos desalentador y laborioso a través de la informatización.
«En un incendio forestal real, hay un nivel distinto de caos organizado», explicó Tang. “El operador de una plataforma UAS a menudo monitorea cientos de focos de incendio y tiene que rastrear múltiples equipos de bomberos y equipos relacionados en el terreno. Debido a que somos falibles y sufrimos fatiga y poca capacidad de atención, algunos objetos pueden pasarse por alto”.
La siguiente tarea se centró en superar dos limitaciones de los sistemas actuales de detección de redes neuronales. Primero, cambiar su dependencia de imágenes de baja resolución (generalmente 600 x 400 píxeles) con una adaptación mejorada al metraje 4K que suelen tomar los drones. Como parte de eso, hubo que cambiar los métodos de detección de redes neuronales que dividen tomas más grandes en muchas cajas de igual tamaño que se procesan individualmente en busca de imágenes catalogadas. Ese procedimiento no sólo requiere mucho tiempo, sino que también corre el riesgo de perder fuego que no se limita claramente a cuadrantes individuales.
En busca de una solución, Tang y su equipo introdujeron en su sistema imágenes 4K de drones de un incendio controlado. Crearon lo que creen que es el primer conjunto de datos públicos de alta resolución sobre incendios forestales con 1.400 fotografías comentadas que contienen 18.449 objetos identificables como camiones, personas, elementos paisajísticos y incendios.
También establecieron un enfoque de búsqueda «de grueso a fino» para la detección automática de llamas de incendios forestales escasas, pequeñas y de forma irregular. En contraste con el análisis de cada cuadrante a partir de fotografías que realizaban los sistemas neuronales anteriores, el método de curso a fino solo busca cajas que contienen imágenes de interés como probables llamas, o secciones en las que dichas imágenes se superponen a dos cuadrados. Los detalles de cada uno de ellos luego se transmiten a monitores humanos mucho más rápido, ya que el proceso omite secciones del superconjunto 4K mucho más grande que probablemente no contenga datos de incendios forestales.
«Después de extraer objetos de imágenes de alta resolución, hacemos zoom para detectar los objetos pequeños y fusionamos los resultados finales con las imágenes originales», dijo Tang. «Nuestros experimentos muestran que el método puede lograr una alta precisión manteniendo velocidades rápidas».
FTC: Utilizamos enlaces de afiliados automáticos que generan ingresos. Más.
