DESENVOLVIMENTO DE UM SISTEMA DE DETECÇÃO DE INCÊNDIO PARA AUTOMAÇÃO RESIDENCIAL E COMERCIAL UTILIZANDO INTELIGÊNCIA ARTIFICIAL

Abstract

RESUMO: Há inúmeros casos de incêndios devastadores no Brasil e no mundo. Em alguns desses casos a detecção de incêndio é feita utilizando sensores que detectam fumaça ou partículas presentes nas chamas, porém é um método que possui pouca precisão e que não pode ser utilizado em locais abertos. Entretanto, em muitos casos não há nada para detectar, acionar ou alertar as pessoas, causando desastres de vidas e bens materiais. Por isso, a elaboração desse trabalho visa desenvolver um sistema de detecção de incêndio utilizando redes neurais artificiais que seja eficaz, rápido e com boa acurácia. Dessa forma, será utilizado para o desenvolvimento ferramentas como TensorFlow e Keras, sendo o sistema construído utilizando redes neurais recorrentes e convolutivas, em especial, fazendo uso da ConvLSTM que possui as características de ambas. O banco de dados é composto por 34 vídeos de treinamento, 10 de validação e 5 de teste, todos obtidos por câmeras de videomonitoramento encontrados na internet. Por fim, com todo o desenvolvimento, os resultados foram notáveis e significativos, mostrando a eficácia do sistema, além de poder atuar em tempo real em hardwares que necessitam de um investimento mediano.

ABSTRACT: There are numerous cases of devastating fires in Brazil and in the world. In some of these cases fire detection is done using sensors that detect smoke or particles present in the flames, but it is a method that has little precision and cannot be used in open areas. However, in many cases there is nothing to detect, trigger or alert people, causing disasters of lives and material goods. Therefore, the elaboration of this work aims to develop a fire detection system using artificial neural networks that is effective, fast and with good accuracy. In this way, tools such as TensorFlow and Keras will be used for the development, and the system will be built using recurrent and convolutional neural networks, in particular, making use of ConvLSTM, which has the characteristics of both. The database consists of 34 training videos, 10 validation and 5 test videos, all obtained by video surveillance cameras found on the internet. Finally, with all the development, the results were remarkable and significant, showing the effectiveness of the system, in addition to being able to act in real time on hardware that requires an average investment.