1.     ANTECEDENTES

La eficacia en la lucha contra un incendio forestal depende de los primeros minutos y de disponer, una vez declarado, de información precisa y continua sobre su evolución. Un foco detectado cuando todavía es incipiente puede controlarse con pocos medios, y un perímetro bien conocido permite asignar recursos con seguridad. Los satélites aportan una visión global, pero su resolución y frecuencia de revisita no son suficientes ni para la detección temprana ni para el seguimiento táctico.

Dos fuentes de imagen cubren este vacío de forma complementaria. Las cámaras panorámicas instaladas en torres de vigilancia observan el territorio de forma permanente, pero a varios kilómetros una columna de humo incipiente ocupa muy pocos píxeles, es difusa y semitransparente, y se confunde con nubes bajas, niebla, calima, polvo, vapor de chimeneas o reflejos, lo que obliga a elegir entre sensibilidad y falsas alarmas. Los drones con cámaras duales RGB y térmicas ofrecen en cambio una visión cercana y móvil: la imagen térmica permite ver el fuego a través del humo y de noche y localizar focos latentes que originan reactivaciones, pero su vídeo se interpreta hoy de forma manual.

En ambos casos, la clave está en convertir la imagen en alertas y mapas accionables de forma automática, explotando la evolución temporal del humo y la información térmica, y ejecutando el análisis en el borde (en la torre o a bordo del dron), ya que en zonas forestales remotas no es viable transmitir vídeo continuo.

2.    Objetivo del Reto

El desafío consiste en diseñar, entrenar y validar modelos de visión por computador para la detección de humo y fuego en entornos forestales, optimizados para hardware edge de bajas prestaciones. El reto se plantea en dos líneas que pueden abordarse de forma independiente o conjunta, en función del perfil y del interés del equipo:

·        Línea A – Detección temprana de humo a larga distancia desde torre: sistema en dos etapas con un detector de alta sensibilidad para objetos pequeños sobre la imagen panorámica y un verificador espacio-temporal que analice la secuencia de cada candidato para confirmar o descartar la alarma, priorizando el tiempo hasta la detección y las falsas alarmas por cámara y día.

·        Línea B – Detección y segmentación de fuego desde dron RGB-térmico: segmentación de llama, humo y área quemada y detección de focos latentes en imagen aérea, con proyección opcional de los resultados sobre el terreno para obtener el perímetro activo georreferenciado.

En ambas líneas, cada resultado debe acompañarse de su evidencia visual (clip, recuadro o máscara y nivel de confianza) para facilitar la validación por parte del operador.

Objetivos Técnicos

Comunes a ambas líneas:

·        Adquisición y curación de datos: recopilar conjuntos de datos públicos, complementarlos con datos sintéticos si es necesario y definir particiones por cámara, vuelo y evento para evitar fugas de información.

·        Optimización del modelo: reducir la complejidad sin pérdida significativa de rendimiento mediante cuantización (FP16/INT8), poda, destilación de conocimiento y compilación con TensorRT.

·        Implementación en hardware de bajas prestaciones: garantizar la ejecución en tiempo real en un dispositivo edge.

Línea A – Torre de vigilancia:

·        Detección de objetos pequeños: adaptar un detector a humo distante mediante inferencia por teselas (tiling/SAHI), alta resolución y cabezales para objetos pequeños, construyendo además un conjunto de casos confusores (nubes, niebla, polvo, chimeneas, reflejos).

·        Verificación espacio-temporal: desarrollar un modelo sobre la secuencia de recortes de cada candidato (redes 3D, recurrentes, transformers de vídeo o descriptores de movimiento y crecimiento) para discriminar humo real de fenómenos atmosféricos.

·        Validación orientada a la operación: recall por evento, tiempo medio hasta la detección, falsas alarmas por cámara y día y curvas de compromiso entre ambas.

Línea B – Dron RGB-térmico:

·        Segmentación multimodal: segmentar llama, humo, área quemada y vegetación no afectada comparando las alternativas solo RGB, solo térmica y fusión, resolviendo previamente el registro entre ambas imágenes y prestando atención a la oclusión por humo.

·        Detección de focos latentes: detectar puntos calientes pequeños en la imagen térmica combinando umbrales radiométricos relativos al entorno con modelos aprendidos, en distintas alturas de vuelo y condiciones de día y noche.

·        Georreferenciación (opcional): proyectar las máscaras sobre el terreno con la telemetría del vuelo y un modelo digital del terreno, exportando el perímetro y los focos en GeoJSON.

·        Validación: IoU y F1 por clase, precisión del contorno, recall de focos latentes y, en su caso, error de geolocalización en metros.

3.    Entregable Final

El entregable incluirá, para la línea o líneas abordadas:

·        Los conjuntos de datos empleados, con sus particiones, anotaciones y scripts de conversión.

·        El código de los modelos desarrollados, con sus pesos y configuraciones.

·        Documentación detallada del diseño, implementación y optimización.

·        Un informe de pruebas y validación con las métricas operativas de cada línea (falsas alarmas frente a tiempo hasta la detección en la línea A; comparativa RGB, térmica y fusión en la línea B).

·        Guía de implementación y despliegue en hardware edge, preferiblemente dockerizada.

4.    Recursos Internos Disponibles

La empresa proporcionará acceso a:

·        Acceso a hardware y software para el desarrollo y prueba de modelos de IA, incluidos dispositivos edge de la familia NVIDIA Jetson.

·        Asesoramiento técnico y apoyo de expertos en visión por computador y aprendizaje profundo, con experiencia en despliegues reales de detección de humo y fuego.

5.    Cronograma del Proyecto

El proyecto se distribuirá temporalmente del siguiente modo:

·        Semana 1-2: Estudio del estado del arte, elección de línea o líneas, recopilación de datos y definición de métricas.

·        Semana 3-4: Entrenamiento de los modelos baseline (detector de humo de imagen única y/o segmentación solo RGB y solo térmica).

·        Semana 5-6: Desarrollo del verificador espacio-temporal y/o de la fusión multimodal y la detección de focos latentes.

·        Semana 7-8: Integración y evaluación orientada a la operación; georreferenciación en la línea B si se aborda.

·        Semana 9-10: Optimización y pruebas en hardware de bajas prestaciones.

·        Semana 11-12: Documentación final, informe de resultados y preparación para el despliegue.