FV Pocket: L’App Intelligente che Vede e Misura il Pericolo Incendi in Tempo Reale

Ragazzi, parliamoci chiaro: gli incendi fanno una paura tremenda. Sono una minaccia devastante per le nostre vite, le nostre case e l’ambiente. Sapere subito se c’è un pericolo e quanto è grave può fare davvero la differenza. Ecco perché oggi voglio parlarvi di qualcosa di veramente innovativo che ho scoperto: un’applicazione chiamata Fire Vigilance Pocket Edition, o più semplicemente FV Pocket. Immaginatela come un vero e proprio “guardiano tascabile” contro gli incendi, che usa l’intelligenza artificiale per darci un quadro preciso della situazione, in tempo reale.

Perché abbiamo bisogno di qualcosa di nuovo?

Attualmente, come facciamo a scoprire un incendio? Beh, ci affidiamo alla sorveglianza umana (persone addestrate o semplicemente chi si trova sul posto), a sistemi automatici con sensori e telecamere, o a una combinazione delle due. Ma ognuno ha i suoi limiti. La sorveglianza umana costa, copre aree limitate e, siamo onesti, l’errore umano è sempre dietro l’angolo. I sistemi automatici? Spesso scattano falsi allarmi, non si adattano bene a tutte le situazioni e richiedono manutenzione costante. Anche combinando le due cose, resta un problema fondamentale: questi sistemi ci dicono “Sì, c’è un incendio” o “No, non c’è”, ma raramente ci danno informazioni quantitative. Non ci dicono quanto è grande il fuoco, quanto velocemente sta crescendo, quanta energia sta sprigionando. Informazioni cruciali per capire il rischio reale e per organizzare un intervento efficace.

Ecco FV Pocket: l’intelligenza artificiale al nostro servizio

Ed è qui che entra in gioco FV Pocket. Questa non è la solita app. È uno strumento smart, accessibile via web (quindi funziona su qualsiasi dispositivo con un browser!), che sfrutta la potenza della computer vision e del deep learning per fare molto di più che rilevare un incendio. FV Pocket ha quattro assi nella manica:

• Rilevamento Incendi (Fire Detection): Usa un modello AI chiamato YOLOv5, un vero segugio digitale, per individuare la fonte dell’incendio nell’immagine e tracciare un riquadro preciso intorno all’area delle fiamme.
• Segmentazione Incendi (Fire Segmentation): Una volta individuato il fuoco, entra in azione Swin-Unet. Questo modello è come un sarto di precisione: separa nettamente l’area della fiamma dallo sfondo, permettendoci di vedere esattamente dove si trova il fuoco e quanto è esteso.
• Misurazione Incendi (Fire Measurement): Qui le cose si fanno concrete. Usando tecniche basate sull’immagine e una “scala di riferimento” (di cui parleremo tra poco), l’app calcola l’altezza e l’area effettiva delle fiamme. Non più stime a occhio!
• Calorimetria Incendi (Fire Calorimetry): Questo è il pezzo forte. Le immagini “ridimensionate” grazie alla scala di riferimento vengono date in pasto a un altro modello AI (basato su VGG) addestrato apposta per stimare il Tasso di Rilascio di Calore (Heat Release Rate – HRR). In pratica, ci dice quanta “potenza” ha il fuoco, un parametro fondamentale per valutarne la pericolosità e il potenziale distruttivo.

La cosa fantastica è che FV Pocket è stata pensata per essere accessibile a tutti. Molti modelli AI per l’analisi degli incendi restano confinati nei laboratori di ricerca. Noi, invece, abbiamo voluto condividere questi strumenti avanzati, rendendoli utilizzabili grazie a un’interfaccia intuitiva.

Come funziona la magia dietro le quinte?

Vi ho accennato ai modelli AI, ma vediamo un po’ più nel dettaglio.

YOLOv5 per il rilevamento: Immaginate una rete neurale super allenata che guarda l’immagine e dice: “Ecco, il fuoco è lì!”. Lo fa analizzando le caratteristiche dell’immagine a diverse scale. È veloce, preciso e funziona 24/7 senza stancarsi, superando i limiti della sorveglianza umana. Riesce a distinguere un fuoco vero da riflessi o oggetti colorati in modo simile, anche in condizioni di visibilità non perfette. E dal riquadro che disegna (la “bounding box”), possiamo già calcolare l’altezza della fiamma se la telecamera riprende il fuoco frontalmente.

Swin-Unet per la segmentazione: Una volta che YOLOv5 ha detto “il fuoco è qui”, Swin-Unet entra in gioco per delineare i contorni esatti della fiamma. È basato su una architettura chiamata U-Net, ma potenziata con i “Transformer” (la stessa tecnologia dietro a modelli come ChatGPT, ma applicata alle immagini). Questo permette di catturare dettagli fini e contesto globale. In FV Pocket abbiamo due modalità:

• Modalità Globale: Analizza tutta l’immagine a pezzetti. Super precisa, ma più lenta e potrebbe confondere i riflessi con le fiamme vere.
• Modalità Veloce (Fast Mode): Si concentra solo sull’area già identificata da YOLOv5. Molto più rapida e riduce il rischio di scambiare riflessi per fuoco vero. È la modalità che usiamo di default nell’app per garantire risposte in tempo reale.

La Scala di Riferimento (Reference Scale): Ok, l’app vede i pixel in fiamme. Ma quanti metri sono? Qui serve la scala di riferimento (Rs). È un valore che ci dice a quanti metri (o centimetri) corrisponde un singolo pixel nell’immagine. Come la otteniamo?

• Pre-calibrazione: Metti un oggetto di dimensioni note (es. un righello) nella scena prima di iniziare a riprendere. Molto preciso, ma devi farlo sul posto e la telecamera non deve muoversi.
• Stima Umana: Usi oggetti presenti nella scena di cui conosci le dimensioni (una porta, una finestra, un’auto…). Dipende dall’esperienza di chi guarda.
• Fotocamera Binoculare: Usa due “occhi” come noi per calcolare la distanza. Precisa, ma serve una fotocamera speciale.

FV Pocket è flessibile: permette all’utente di inserire manualmente la scala di riferimento ottenuta con uno qualsiasi di questi metodi. Una volta che abbiamo Rs, trasformare i pixel in metri (per l’altezza H = Hp × Rs) o metri quadrati (per l’area A = Ap × Rs²) è semplice matematica!

VGG per la Calorimetria (HRR): Stimare il Tasso di Rilascio di Calore (HRR) da un’immagine è una sfida complessa. Noi usiamo una versione modificata della rete VGG, un classico nel riconoscimento immagini, addestrata su un vasto database di incendi controllati (il NIST Fire Calorimetry Database). Prima di dare l’immagine al modello, la “ridimensioniamo” usando la scala di riferimento, per assicurarci che sia coerente con i dati su cui il modello è stato allenato. Così, l’HRR stimato è il più accurato possibile.

Ma funziona davvero? Mettiamola alla prova!

Basta chiacchiere, vediamo i fatti. Abbiamo testato FV Pocket su diversi scenari.

Il Test del Box NIST: Abbiamo usato i dati di un test standard del NIST (National Institute of Standards and Technology): una scatola di cartone con dentro carta accartocciata, accesa con dei piccoli inneschi. FV Pocket ha seguito l’evoluzione dell’incendio passo passo. Ha rilevato la fiamma, l’ha segmentata, ha misurato l’altezza (max 1.29 m, molto vicino al valore ufficiale NIST di 1.37 m!) e l’area. E la stima dell’HRR? Confrontata con i dati reali misurati con un calorimetro a ossigeno (lo strumento standard da laboratorio), la nostra stima basata su immagini ha mostrato un’ottima corrispondenza (coefficiente R² di 0.73). In termini di velocità (usando la modalità “Fast” per la segmentazione), siamo riusciti ad analizzare circa 18 fotogrammi al secondo (FPS) con un ritardo (latenza) di soli 0.06 secondi – decisamente adatto al monitoraggio in tempo reale!

L’Incendio del Cestino Reale: Ok, i test di laboratorio sono una cosa, ma la realtà è spesso più caotica. Abbiamo quindi provato FV Pocket su un video di un incendio reale di un cestino dei rifiuti trovato online. Sfondi diversi, luci strane, angolazioni non perfette… una bella sfida! Anche qui, FV Pocket si è comportata egregiamente. Ha identificato e quantificato il fuoco senza problemi, dimostrando la sua robustezza anche fuori dal laboratorio. Le performance sono rimaste ottime, con la modalità “Fast” che ha raggiunto 13 FPS con 0.08s di latenza.

Non solo numeri: l’esperienza utente

FV Pocket non è solo un concentrato di algoritmi. È pensata per essere utile. L’applicazione web (sviluppata con Flask e Nginx, per i più tecnici) ha due modalità:

• Demo Mode: Puoi giocare con due casi d’esempio (il box NIST e il cestino) per vedere come funziona, senza dover caricare nulla.
• App Mode: Carichi il tuo video, inserisci la scala di riferimento, scegli quali analisi fare (rilevamento, segmentazione, misurazione, calorimetria) e l’app fa il resto.

I risultati? Non solo numeri grezzi. Puoi vedere i video processati con le fiamme evidenziate, i grafici che mostrano come cambiano nel tempo altezza, area e HRR. E tutti i dati numerici sono scaricabili in formato CSV, pronti per analisi più approfondite o per essere usati in software di simulazione fluidodinamica (CFD) per ricostruire l’incendio.

Le sfide aperte e la strada da percorrere

Siamo entusiasti di FV Pocket, ma siamo anche realisti. Ci sono delle limitazioni su cui stiamo lavorando:

• La Scala di Riferimento: Al momento è fondamentale e va inserita manualmente o pre-calibrata. Stiamo esplorando modi per misurare automaticamente la distanza (magari con LiDAR o visione stereoscopica) per rendere tutto più automatico.
• L’Angolo di Ripresa: Le misure di altezza e area sono più precise se la telecamera è frontale al fuoco. Non sempre è possibile. Servono algoritmi per correggere l’angolo o sistemi che lo aggiustino automaticamente.
• Dati di Addestramento: I modelli attuali sono stati allenati principalmente su incendi all’aperto e sotto i 4 MW di potenza. Dobbiamo espandere il training a incendi interni (con riflessi, spazi confinati) e a fuochi più grandi per migliorare l’accuratezza in più scenari.
• Ostacoli Visivi: Fumo e ostacoli possono nascondere parte della fiamma. Stiamo studiando come stimare i parametri anche con visuale parziale.
• Risorse Computazionali: L’analisi in tempo reale richiede potenza di calcolo e buona comunicazione. Tecnologie come il 5G, l’edge computing (elaborazione vicino alla fonte) e la compressione dei modelli AI aiuteranno a gestire queste risorse in modo efficiente, specialmente per applicazioni mobili o su droni.

Il Futuro è Smart (e più sicuro)

Nonostante le sfide, il potenziale di FV Pocket è enorme. Immaginate un ecosistema di “smart firefighting”:

• Droni (UAV): Equipaggiati con FV Pocket, possono sorvolare vasti incendi (come quelli boschivi), fornendo dati da più angolazioni in tempo reale, elaborando le informazioni direttamente a bordo (edge computing) o inviandole a un server cloud via 5G.
• Vigili del Fuoco: Potrebbero avere dispositivi portatili o integrati nell’elmetto che mostrano in tempo reale altezza della fiamma, HRR, magari con visori a realtà aumentata (AR) che sovrappongono queste info alla loro visuale e indicano vie di fuga sicure.
• Robot Antincendio: FV Pocket potrebbe guidare robot autonomi in ambienti pericolosi, aiutandoli a identificare le aree più critiche o a localizzare persone.
• App per Cittadini: Stiamo pensando anche a una versione mobile che permetta a chiunque assista a un incendio di inviare una segnalazione “qualificata” ai vigili del fuoco, fornendo dati iniziali preziosi subito dopo l’allarme.

Integrando FV Pocket con altri sensori (termocamere, rilevatori di gas) e con sistemi che quantificano il “carico di incendio” (il materiale combustibile presente), potremmo avere una valutazione del rischio ancora più completa e supportare decisioni sempre più rapide ed efficaci.

In conclusione

FV Pocket è più di una semplice app. È un passo avanti verso un modo più intelligente e basato sui dati per affrontare la minaccia degli incendi. Combinando rilevamento, segmentazione, misurazione e calorimetria in un unico strumento accessibile e portatile, offre un potenziale incredibile per migliorare la vigilanza, supportare i vigili del fuoco e, in definitiva, salvare vite e beni. La strada è ancora lunga, ma siamo convinti che tecnologie come questa giocheranno un ruolo sempre più cruciale nella nostra sicurezza.

Fonte: Springer