Incêndio florestal e área urbana

Balões: um risco subestimado

Balões não tripulados provocam incêndios florestais, ameaçam a segurança da aviação e podem derrubar a rede elétrica em áreas urbanas. O problema é recorrente e difícil de monitorar com métodos tradicionais.

  • Não são detectados por radar de tráfego aéreo.
  • Iniciam focos de incêndio em parques e reservas.
  • Afetam infraestrutura crítica (ex.: rede elétrica).

Como Funciona

Usamos um modelo de detecção em vídeo para encontrar balões em tempo real. A partir das detecções, estimamos direção e velocidade e, com duas câmeras, triangulamos a posição para prever a área provável de queda.

01

Base de Imagens

Coleta e anotação de 2.526 imagens (balões, aves e aviões). Após augmentation, total de 6.073 para treino/validação/teste. (YOLOv8s)

02

Detecção

Treino em Python com Ultralytics (YOLOv8) e inferência em vídeo via OpenCV para detecção em tempo real. O treinamento foi feito no Google Colab, com early stopping em 30 epoques para evitar overfitting. As métricas alcançadas foram de 94% de precisão.

03

Rastreamento & Geometria

Estimativa de altura, distância e vetores de velocidade/direção; triangulação com duas câmeras para prever a queda.

04

Atuação

Sistema de movimentação com Arduino Uno e servomotores controlados por PID, mantendo o alvo no enquadramento.

Detalhes técnicos, números do dataset e metodologia constam no relatório do projeto.

Resultados Parciais

Curvas de treinamento

Desempenho do modelo

Treinamos o YOLOv8-s no Google Colab e usamos early stopping (interrompendo antes de 30 épocas) para evitar overfitting. O modelo manteve detecção consistente de balões em cenários variados e separou bem as classes (balões × aves × aviões). A matriz de confusão indica baixa taxa de falsos positivos entre classes.

  • Precisão (Precision): 94% — quando detecta, acerta na maioria das vezes.
  • Recall: 92% — encontrou a maior parte dos alvos presentes.
  • F1-Score: 93% — equilíbrio entre precisão e recall.
  • mAP@50: 96% — média de precisão com IoU 0,50.
  • Anotação com bounding boxes e validação 70/15/15.
  • Inferência estável em vídeo (OpenCV) para rastreamento contínuo.
  • Próxima etapa: testes externos com duas câmeras e triangulação.
Rig com duas câmeras em barra de 1m

Primeiro Protótipo Funcional

Montagem com duas webcams em barra de 1 m, controladas por Arduino e servos. O sistema segue o alvo e mantém a detecção estável para medições geométricas.

Hardware acessível

Webcams e Arduino Uno Rev3, baixo custo e fácil reposição.

Controle PID

Correção contínua de ângulo para manter o balão centralizado.

Código aberto

Repositório com datasets, scripts de treino e testes (YOLOv8 + OpenCV).

GitHub
Quero pilotar um teste

Quer implementar o SafeSkies em uma área de risco?

Parques, unidades de conservação, aeroportos e concessionárias: fale com a gente para testes.

Mande um e-mail para nós: leonardo.bartoccini@colegiodante.com.br