Superb AI ha sviluppato insieme al National Fire Research Institute un modello di intelligenza artificiale destinato al rilevamento precoce degli incendi dei veicoli elettrici nei parcheggi sotterranei. Il progetto affronta uno degli scenari più complessi per la sicurezza antincendio legata alla mobilità elettrica, perché gli ambienti sotterranei combinano accessi limitati, difficoltà di intervento, rapida propagazione del calore e dei fumi e rischio di riaccensione delle batterie. La ricerca è stata organizzata in quattro fasi della durata di sei mesi ciascuna e si è concentrata in particolare sull’identificazione del fumo debole prodotto nelle prime fasi del runaway termico delle batterie, quando i segnali visivi dell’incendio possono essere ancora limitati e difficili da distinguere attraverso i sistemi di sorveglianza convenzionali.
Per addestrare il modello è stato costruito un dataset specializzato elaborando circa 100.000 immagini relative a fuoco, fumo e veicoli. La base dati combina immagini provenienti da incendi realmente avvenuti con dati raccolti attraverso esperimenti eseguiti in ambienti controllati. Poiché alcune condizioni critiche sono rare e quindi difficili da rappresentare in quantità sufficienti attraverso soli eventi reali, il dataset è stato ulteriormente integrato con dati sintetici generati mediante intelligenza artificiale generativa. L’obiettivo è stato creare una distribuzione di esempi sufficientemente ampia da consentire al modello di riconoscere non soltanto incendi evidenti, ma anche segnali visivi deboli e situazioni difficilmente reperibili nei normali dataset pubblici.
La qualità dei dati è stata verificata anche attraverso la funzione Scatter View della piattaforma Superb AI, che distribuisce gli elementi del dataset su un piano cartesiano in funzione della loro similarità. Questa rappresentazione permette di osservare visivamente la distribuzione dei dati relativi a fiamme e fumo, individuare raggruppamenti anomali e identificare eventuali outlier prima dell’addestramento. È uno degli elementi che differenziano il sistema dai modelli di rilevamento incendi addestrati principalmente con dataset pubblicamente disponibili: il modello è stato costruito specificamente per riconoscere il fumo debole all’interno dei parcheggi sotterranei, quello che può svilupparsi nella parte inferiore di un veicolo elettrico e quello visibile anche a una certa distanza dalla telecamera.
Una volta completata la costruzione del dataset, sono stati addestrati e confrontati diversi modelli di computer vision. La selezione finale non è stata effettuata considerando esclusivamente l’accuratezza, ma cercando il miglior equilibrio tra precisione e velocità di elaborazione necessario per il funzionamento in tempo reale. Poiché il requisito centrale del progetto consiste nell’intercettare i primi segnali dell’evento prima che l’incendio raggiunga una fase avanzata, la validazione ha dato particolare importanza alla capacità di riconoscere fumo e fiamme anche quando la loro presenza nell’immagine è ancora limitata.
Il modello selezionato è stato quindi trasformato in un sistema di monitoraggio in tempo reale eseguibile direttamente su dispositivi edge. Le immagini delle telecamere vengono analizzate localmente, senza dover essere inviate al cloud, e il sistema può essere collegato all’infrastruttura CCTV già presente nei parcheggi. Quando viene rilevata una possibile situazione di incendio, vengono generati immediatamente un avviso sullo schermo e un allarme acustico, mentre l’evento viene registrato all’interno di un log. Il personale può inoltre accedere al server web locale da un computer collegato alla stessa rete e verificare direttamente lo stato del rilevamento, senza dipendere da server esterni o da una connessione verso un’infrastruttura cloud.
La tecnologia è stata sottoposta anche a verifiche in ambienti reali. Nel novembre 2025 è stata condotta una prima sperimentazione in un parcheggio sotterraneo operativo per valutare la capacità di riconoscere il fumo fuori dalle condizioni controllate utilizzate durante lo sviluppo. Nell’agosto 2026 è stata completata un’ulteriore prova dimostrativa ricreando in un parcheggio sotterraneo condizioni assimilabili a un vero incendio, così da verificare le prestazioni del sistema in uno scenario più vicino a quello che potrebbe verificarsi durante un evento reale.
I risultati ottenuti indicano una riduzione del 65% del tempo necessario per il rilevamento rispetto ai sistemi antincendio utilizzati come riferimento, accompagnata da una diminuzione dell’80% del tasso di falsi allarmi. La riduzione dei falsi positivi è particolarmente importante in un sistema destinato al monitoraggio continuo tramite CCTV, perché consente di limitare segnalazioni non necessarie senza sacrificare la sensibilità richiesta per riconoscere il fumo nelle fasi iniziali del runaway termico.
La ricerca è ora entrata nella fase finale, dedicata soprattutto all’ottimizzazione e alla miniaturizzazione dell’architettura. Superb AI e il National Fire Research Institute intendono rendere possibile l’esecuzione in tempo reale del modello anche su dispositivi edge di piccole dimensioni, completando una configurazione adatta all’installazione sul campo. Al termine del progetto verranno inoltre definiti criteri quantitativi di verifica, basati per esempio sulla capacità di rilevare il fenomeno entro un determinato numero di secondi e a una determinata distanza. Questi parametri potranno essere utilizzati come riferimento per definire standard prestazionali applicabili ai futuri sistemi di rilevamento degli incendi dei veicoli elettrici.
Il progetto punta quindi a coprire l’intero percorso che va dalla costruzione di dati specifici per lo scenario reale fino all’esecuzione locale del modello. L’utilizzo combinato di immagini provenienti da incendi effettivi, sperimentazioni controllate e dati sintetici permette di rappresentare situazioni che i dataset pubblici non documentano con sufficiente dettaglio, mentre l’elaborazione edge consente di portare il riconoscimento direttamente nell’infrastruttura di videosorveglianza. Superb AI intende proseguire su questa impostazione, sviluppando sistemi di Vision Intelligence che comprendano costruzione dei dataset, sviluppo dei modelli e verifica delle prestazioni direttamente negli ambienti in cui le tecnologie devono essere utilizzate.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)