Detectando incêndios florestais com Edge Impulse

O aprendizado de máquina tem o potencial de mudar fundamentalmente a maneira como existimos e operamos em nosso mundo. Em sua essência, o aprendizado de máquina é apenas uma maneira matemática de prever eventos futuros com base em dados anteriores. No entanto, quando aplicado a grandes desafios, o aprendizado de máquina pode abrir caminho para um futuro mais seguro e brilhante para a humanidade.

O aprendizado de máquina é uma grande promessa no campo da preparação para emergências. Aqui, os pesquisadores estão começando a investigar maneiras de aproveitar essa tecnologia para prever eventos de emergência, como situações climáticas extremas, com antecedência suficiente para evitá-los completamente ou pelo menos reduzir seu impacto.

O aprendizado de máquina oferece uma oportunidade única para a detecção de incêndios florestais, especialmente quando implementado na borda. Neste artigo, discutiremos a promessa do aprendizado de máquina para detecção de incêndios florestais, porque a tecnologia precisa ser implantada na borda e como pudemos usar o Edge Impulse para criar uma prova de conceito para essa tecnologia.

Incêndios florestais e aprendizado de máquina

Até este ponto, uma das questões mais urgentes enfrentadas pela humanidade tem sido como se adaptar e reagir a eventos naturais aparentemente espontâneos, como furacões, terremotos e incêndios florestais. Em geral, ainda não encontramos uma maneira de antecipar esses eventos e, mesmo que o façamos, muitas vezes só percebemos quando é tarde demais para nos proteger.

Isso é especialmente verdadeiro para incêndios florestais: estamos cientes das condições que conduzem a incêndios florestais, mas seu início real é frequentemente considerado um evento aleatório. Como resultado, não conseguimos nos proteger da propagação e dos danos causados pelos incêndios florestais, resultando na perda de vidas humanas e animais, bem como na destruição de florestas. Hoje, com o aumento do aquecimento global e das mudanças climáticas, prever e se preparar para incêndios florestais é aparentemente mais importante do que nunca.

Os pesquisadores começaram a procurar maneiras de usar a tecnologia de aprendizado de máquina para resolver esse problema.

Os cientistas sabem há muito tempo que certas variáveis, como temperatura e umidade do ar e do solo, são indicadores-chave da suscetibilidade de uma área a incêndios florestais. No entanto, reunir modelos matemáticos que possam levar essas variáveis e prever com precisão a ocorrência de incêndios florestais tem sido um desafio.

Com o aprendizado de máquina, tudo isso mudou. Ao coletar dados de indicadores-chave e inseri-los em um modelo de aprendizado de máquina, os incêndios florestais podem ser previstos com alto grau de precisão. Com esse conhecimento, podemos nos preparar para incêndios florestais evacuando animais e removendo biomassa inflamável de uma área, reduzindo os danos e a gravidade dos incêndios florestais.

Edge Computing para detecção de incêndios florestais

Na maioria dos casos, espera-se que os aplicativos de aprendizado de máquina sejam executados na nuvem, onde grandes servidores fornecem o poder de processamento necessário para executar a computação de aprendizado de máquina. No entanto, no caso da detecção de incêndio florestal, esse cálculo precisa ser levado ao limite por vários motivos principais.

Em um aplicativo de detecção de incêndios florestais, será implantado um dispositivo que consiste em vários sensores ambientais, como umidade e temperatura, e algoritmos de aprendizado de máquina serão executados nesses dados coletados. Nesse esquema, existem duas opções: enviar os dados para a nuvem para processamento ou processá-los na borda.

O principal desafio do processamento em nuvem nesse contexto é a implantação remota desses dispositivos. Esses dispositivos geralmente são implantados em locais remotos, como no meio de uma floresta, onde podem ocorrer incêndios florestais. Nesses locais isolados, a conectividade de rede é muito limitada, tornando difícil, se não impossível, comunicar todos os dados do sensor à nuvem para processamento. Em vez disso, com o aprendizado de máquina no limite, todos os dados e processamento podem ser mantidos no dispositivo local. A única coisa a ser comunicada ao mundo exterior seria um aviso nas raras ocasiões em que um incêndio florestal fosse considerado provável.

Outro benefício da computação de borda é que ela pode exigir menos gasto de energia. Na grande maioria dos casos, um dispositivo de detecção implantado remotamente será alimentado por pequenas baterias de íons de lítio ou polímeros de lítio. Nesses casos, substituir a bateria não é uma opção realista; portanto, o dispositivo só é útil enquanto sua bateria estiver viva.

Em geral, um dos maiores consumidores de energia para um dispositivo de Internet das Coisas é a energia gasta na comunicação sem fio com outros dispositivos em uma rede. Em um esquema de computação em nuvem, o dispositivo queimará energia significativa simplesmente comunicando o grande volume de dados do sensor para a nuvem, diminuindo a vida útil da bateria.

Em vez disso, com a computação de borda, menos comunicação sem fio significa menos gasto de energia. A computação de borda permite sensores com bateria de longa duração e, portanto, uma maior oportunidade de fornecer informações de preparação para emergências.

O Edge Impulse torna isso possível

Durante o desenvolvimento de nosso dispositivo de prova de conceito de detecção de incêndio florestal, encontramos uma variedade de desafios significativos e os resolvemos com o Edge Impulse.

Um desses grandes desafios dizia respeito à fusão de sensores. Em nosso dispositivo, coletamos dados de vários sensores diferentes, incluindo sensores de temperatura e umidade do ar e do solo, e tentamos entender esses diferentes fluxos de dados. Fazer isso requer fusão de sensores, que é o processo de mesclar dados de vários sensores para uma visão mais abrangente do ambiente.

Em geral, a implementação da fusão de sensores é uma tarefa difícil, cheia de muitas complexidades e algoritmos únicos. Felizmente, o Edge Impulse oferece um conjunto integrado de ferramentas destinadas especificamente para facilitar e implementar a fusão de sensores em dispositivos de ponta. Com essa ferramenta, conseguimos projetar com sucesso e com bastante facilidade um sistema que captura, agrega e formata nossos dados para que possam ser alimentados em nosso modelo de aprendizado de máquina.

Além disso, o Edge Impulse tornou mais fácil para nós selecionar e treinar nosso modelo, bem como implantá-lo em nosso microprocessador. No nosso caso, nosso microprocessador era um núcleo baseado em ATSAMD51 em um Terminal Seeed Studio Wio.

É imprescindível dizer que o nosso projeto não teria sido possível se não fossem as ferramentas e recursos fornecidos pelo Edge Impulse.

Conclusão

Durante toda a história, a humanidade foi forçada a reagir a eventos naturais e emergências à medida que ocorriam. Agora, com o advento do aprendizado de máquina, finalmente temos a capacidade de prever e nos preparar para emergências de maneiras que antes eram insondáveis.

A detecção de incêndios florestais é uma causa importante que está se tornando cada vez mais relevante, mas, devido às restrições exclusivas do aplicativo, requer edge computing. Graças ao Edge Impulse e às ferramentas e recursos que ele fornece, fomos capazes de desenvolver um dispositivo de detecção de incêndio florestal de prova de conceito que pode alarmar com precisão os guardas florestais e outros funcionários se um incêndio florestal for iminente.

No final das contas, essa tecnologia tem o potencial de salvar a vida de humanos e animais, bem como de impedir a destruição de nossas frágeis florestas.

Artigo escrito por Muhammed Zain e Salman Faris e publicado no blog da Mouser Electronics: Edge Impulse Use Case: Wildfire Detection

Traduzido pela Equipe Embarcados. Visite a página da Mouser Electronics no Embarcados

(*) este post foi patrocinado pela Mouser Electronics.