Gerardo Martínez Mezquita y Débora Libertad Ramírez, investigadores de la Universidad Internacional Iberoamericana de México (UNINI México), junto con un equipo de investigadores de otras instituciones, participaron en un estudio que propone una solución de detección temprana de incendios forestales mediante el aprendizaje profundo desplegado en dispositivos de borde.
Los incendios forestales siguen causando pérdidas ecológicas y económicas de gran magnitud, con amenazas crecientes por el cambio climático. La detección temprana es decisiva para reducir tiempos de respuesta y daños, pero los sistemas tradicionales (redes de sensores, cámaras con análisis centralizado o satélites) suelen registrar falsos positivos, depender de conectividad constante o carecer de eficacia en zonas remotas.
Asimismo, en los últimos años, los métodos basados en aprendizaje profundo han logrado altas tasas de acierto, aunque suelen requerir cómputo intensivo, lo cual dificulta su operación en equipos de bajo consumo y su uso continuo en el campo. Este desafío limita la adopción de soluciones en áreas con infraestructura limitada, precisamente donde la detección temprana es más crítica.
En este contexto, el estudio introduce un sistema de detección autónoma de fuego y humo basado en el borde que utiliza MobileNetV2, una red convolucional ligera optimizada para dispositivos de recursos limitados. Esta propuesta ejecuta inferencia local sin depender de la nube, generando etiquetas, confianza y marcas temporales en el propio dispositivo; solo se conecta de forma intermitente para emitir alertas críticas con imagen y coordenadas GPS, lo que aumenta la resiliencia y la ciberseguridad.
Para su desarrollo, el equipo recopiló y depuró miles de fotos de fuego, humo y escenas sin fuego; luego entrenó una IA con transferencia de aprendizaje (aprovechando el conocimiento previo y después ajustándolo al problema), la optimizó a un formato ligero para que funcionara rápido y con poco consumo, y la instaló en un dispositivo pequeño con cámara que analiza imágenes de forma continua sin depender de la nube.
Resultados relevantes del estudio
Los resultados confirmaron un desempeño sólido y estable tanto en laboratorios como en el dispositivo de borde. El sistema alcanzó una exactitud del 97,98 % y pocos errores centrados en situaciones visualmente ambiguas. En el equipo de borde funciona casi en tiempo real y, gracias a las optimizaciones, el modelo es mucho más ligero sin perder eficacia. Frente a otras alternativas ligeras, ofrece un mejor equilibrio entre precisión y eficiencia. Además, mantiene un buen desempeño con datos externos (buena generalización), y los análisis confirman que cada decisión de diseño (entrenamiento en dos fases, poda y cuantización) aporta mejoras complementarias.
En términos prácticos, esto implica que el sistema puede desplegarse en zonas remotas sin conexión continua, operar con muy bajo consumo (incluso con energía solar) y mantener el servicio pese a caídas de la red. Como siguientes pasos, se planea añadir sensores térmicos para mejorar el rendimiento de noche o con humo denso y realizar pruebas prolongadas en campo con vídeo continuo para medir y reducir falsos positivos y acortar los tiempos de detección.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNINI México.
La Universidad Internacional Iberoamericana de México (UNINI México) ofrece maestrías en diversas áreas, como la Maestría en Dirección Estratégica en Telecomunicaciones. Un programa que te prepara para diseñar y liderar redes e infraestructuras críticas que soportan IoT, Edge computing, video continuo y sensores en escenarios reales. Da el siguiente paso para impulsar tu carrera en telecomunicaciones en UNINI México.
