Deep Learning aplicado a detección temprana de incendios forestales
Un proyecto de Saturdays.AI La Paz compara una CNN personalizada con VGG-16 para reconocer humo en imágenes y explorar la detección temprana de incendios.
Proyecto de aprendizaje compartido por la comunidad. El artículo documenta el equipo, el método y los resultados; no acredita que el prototipo esté listo para su uso fuera del entorno de aprendizaje.
La Paz. Segunda Edición. 2021
Los incendios forestales pueden destruir bosques, viviendas y hábitats, afectar a los medios de vida y causar pérdidas humanas. Estas consecuencias motivan la búsqueda de herramientas que ayuden a detectarlos a tiempo.
Como se puede apreciar en la Fig.1 en Bolivia los últimos siete meses este fenómeno se multiplicó de manera alarmante el área afectada debido a múltiples factores la Fig. 2 muestra algunas de las causas estudiadas para los incendios forestales. Otro factor importante identificado es el cambio climático que debido al aumento de temperatura en los lugares afectados, aumenta las áreas afectadas de manera alarmante.
Fig. 2 Causas identificadas de los incendios forestales (Vélez)
Debido a las consecuencias de los incendios forestales no controlados ni planificados se deben tomar diferentes estrategias que permitan mitigar su ocurrencia en zonas protegidas o prohibidas para esta actividad.
Descripción del problema
En base a lo mencionado anteriormente se plantea el siguiente problema:
¿Cómo identificar de manera oportuna incendios forestales no controlados para minimizar su impacto?
Objetivo general
Se plantea como objetivo general implementar un modelo de Deep Learning para la detección temprana de incendios forestales mediante el reconocimiento de humo en las áreas llanas/boscosas utilizando imágenes del lugar.
El siguiente gráfico muestra la idea central del proyecto.
Fig. 3 Propuesta del proyecto
Recolección de la información
El dataset para realizar el entrenamiento de los modelos se realizó mediante la descarga de imágenes clasificadas como “incendio forestal” (imágenes tomadas en perspectiva con presencia de humo en zonas forestales) y “no incendio forestal” (imágenes tomadas en perspectiva en zonas forestales sin presencia de humo o fuego).
Las imágenes descargadas (4 grupos de imágenes) fueron llevadas a un repositorio GitHub para su importación sencilla en Google Colab.
Impresión de las 8 primeras imágenes de entrenamiento y 8 primeras imágenes de validación:
Selección de los modelos
La selección de los modelos parte de las siguientes consideraciones:
- Facilidad de su implementación.
- Rendimiento del modelo.
- Limitación de cálculo.
Estas consideraciones son debido a los recursos que se tienen para realizar el objetivo general. Los modelos a desarrollarse son:
- CNN personalizada
- VGG-16
Técnicas implementadas
La principal técnica utilizada para compensar el dataset de tamaño limitado por la limitación de búsqueda de imágenes en Google fue la de “data augmentation” realizada por la librería de keras “ImageDataGenerator”.
Fig 5. Data Augmentation
Fig. 6 ImageDataGenerator en Keras
Evaluación de modelos
1. CNN personalizado
2. VGG-16
Análisis de resultados
A continuación se muestran los resultados del modelo CNN personalizado y VGG-16.
1. Precisión y Curva de ROC de CNN personalizado:
Curva ROC de CNN personalizado
2. Precisión y Curva de ROC de VGG-16:
Precisión de VGG-16.
Curva de ROC de VGG-16.
Las predicciones de los modelos a continuación:
1. CNN Personalizado
2. VGG-16
Conclusiones
El modelo CNN personalizada produjo resultados prometedores en las pruebas del proyecto. El modelo VGG-16 preentrenado necesita una adaptación más cuidadosa. Una arquitectura de Deep Learning más compleja no garantiza mejores resultados en una tarea concreta.
Los resultados sugieren una posible herramienta complementaria para detectar señales de incendios. Su funcionamiento en condiciones reales requeriría una evaluación adicional.
Los modelos de deep learning pueden explorarse como apoyo a la respuesta a problemas ambientales, junto con los sistemas y profesionales existentes.
Integrantes
Presentación del proyecto: DemoDay
¡Más Inteligencia Artificial!
Saturdays.AI acerca la IA a más personas a través del aprendizaje en comunidad y de proyectos con impacto social. Nuestro lema es AI4ALL IS AI4GOOD.
Una historia de la comunidad Saturdays.AI. Publicada originalmente el 9 mar 2022.
← Más historias de la comunidad
