Sistemas de visão computacional e deteção de graffiti por IA em cidades inteligentes

O graffiti, que consiste em inscrições, desenhos ou símbolos, pode contar muitas histórias. Acrescenta cor e personalidade às paredes das cidades e é usado para expressar opiniões. Embora por vezes seja visto como arte, na maioria das vezes é feito sem autorização. Na verdade, o graffiti aparece frequentemente durante a noite em edifícios, pontes e comboios, e limpá-lo exige tempo, recursos e esforço.

Cidades de todo o mundo gastam milhões para tentar manter os espaços públicos limpos. Só nos Estados Unidos, os custos de limpeza de graffiti ultrapassam os 12 mil milhões de dólares por ano. Além disso, em muitas cidades, manter-se à frente do graffiti é um desafio significativo. Existem apenas algumas equipas de limpeza, e não conseguem estar em todo o lado ao mesmo tempo.

É por isso que os urbanistas estão agora a recorrer à visão computacional, um ramo da inteligência artificial que permite às máquinas analisar e interpretar imagens. Utilizando modelos de visão computacional como o Ultralytics YOLO11, as câmaras com IA podem analisar rapidamente as paredes da cidade, detetar graffiti em tempo real e indicar a localização exata para que as equipas possam intervir.

Neste artigo, vamos analisar mais detalhadamente como a visão computacional está a ser utilizada para o reconhecimento automatizado de graffiti em cidades inteligentes. Vamos começar!

O papel da visão computacional nas cidades inteligentes#

As cidades inteligentes estão a utilizar tecnologia de ponta para lidar com os desafios quotidianos de forma mais eficiente. Especificamente, estão a tirar partido de modelos de visão computacional como o Ultralytics YOLO11 para analisar dados visuais, monitorizar espaços públicos e apoiar uma tomada de decisões mais rápida e orientada por dados em vários sistemas urbanos.

Eis algumas formas comuns de utilização da IA de visão em cidades inteligentes:

• Gestão do tráfego: a IA de visão pode analisar transmissões de vídeo em direto para monitorizar o fluxo de trânsito, detetar congestionamentos e ajustar os semáforos em tempo real, melhorando a circulação e reduzindo os atrasos.
• Automatização da reciclagem: A visão computacional pode ajudar a identificar e separar materiais recicláveis dos fluxos de resíduos em contentores públicos ou centros de reciclagem, melhorando a precisão da triagem e reduzindo a contaminação.
• Monitorização dos transportes públicos: Os sistemas de transporte público podem utilizar a visão computacional para acompanhar o número de passageiros, monitorizar o comportamento a bordo e detetar problemas de segurança, melhorando tanto a eficiência como a segurança.
• Resposta a catástrofes: A visão computacional pode identificar sinais visuais de incêndios, inundações ou danos estruturais após catástrofes, permitindo uma resposta de emergência mais rápida e eficaz.

Fig. 1. Monitorização do trânsito com o YOLO11 em cidades inteligentes.

Uma visão geral da monitorização de graffiti urbano com IA#

Agora que explorámos como a visão computacional está a ajudar a tornar as cidades mais inteligentes, vamos analisar mais detalhadamente por que motivo é especialmente necessária para o reconhecimento automatizado de graffiti.

Tradicionalmente, as cidades têm utilizado várias abordagens para gerir o graffiti. Algumas dependem de denúncias do público, enquanto outras enviam equipas para inspecionar locais problemáticos conhecidos. Em certos casos, as aplicações móveis permitem aos residentes apresentar reclamações ou carregar imagens. Embora estes métodos possam ser úteis, consomem tempo, dependem muito da intervenção humana e muitas vezes não conseguem garantir uma cobertura completa da cidade.

A visão computacional oferece às cidades uma forma mais rápida e fiável de gerir o graffiti. Os sistemas de reconhecimento automatizado de graffiti dependem normalmente de duas tarefas principais de visão computacional: classificação de imagens e deteção de objetos.

Na primeira etapa, a classificação de imagens analisa uma fotografia para determinar se mostra graffiti, arte urbana ou uma superfície limpa. Se for detetado graffiti, a deteção de objetos indica a sua localização exata na imagem. Isto permite que as equipas municipais intervenham de forma rápida e precisa. Com o tempo, os dados ajudam a identificar tendências, permitindo às cidades direcionar os esforços para locais problemáticos frequentes e melhorar as medidas de prevenção.

Fig. 2. Um exemplo do funcionamento dos sistemas de reconhecimento automatizado de graffiti.

Explorar sistemas de deteção de graffiti com IA em várias cidades#

Muitas cidades estão a experimentar novas formas de lidar com o graffiti. Em vez de dependerem apenas de patrulhas ou denúncias do público, estão a começar a utilizar modelos de visão computacional capazes de localizar, identificar e até ajudar a limpar graffiti. Vejamos como algumas cidades estão a utilizar estas novas ferramentas.

Sistemas de deteção de graffiti com IA integrados em câmaras instaladas em veículos#

Os veículos de serviço público estão agora a ser utilizados em muitas cidades para ajudar a detetar graffiti durante as suas rotas regulares de patrulha. Ao equiparem estes veículos com soluções de visão computacional, as cidades podem analisar as ruas em tempo real, sem necessidade de patrulhas adicionais. Isto facilita a deteção precoce de graffiti e o envio de alertas às equipas de limpeza antes de o problema se alastrar.

Tempe, no Arizona, é um excelente exemplo de uma cidade que utiliza esta tecnologia. A cidade estabeleceu uma parceria com organizações locais para desenvolver um sistema com câmaras instaladas em veículos de serviço público. À medida que estes veículos percorriam os bairros, captavam imagens de paredes e espaços públicos.

Um modelo de IA de visão analisou as imagens e assinalou qualquer graffiti que detetou. Os resultados foram enviados para um painel em direto, para que a gestão pudesse consultar as atualizações nos telemóveis e responder rapidamente. Isto ajudou Tempe a agir mais depressa e a reduzir as reclamações do público.

De forma semelhante, em Lisboa, a capital de Portugal, foi desenvolvido um sistema de prova de conceito com câmaras instaladas em veículos municipais para detetar graffiti automaticamente.

Fig. 3. Deteção de graffiti com IA em Lisboa, Portugal.

Deteção e remoção de graffiti com drones#

O graffiti pode surgir em locais de acesso difícil ou inseguro, como viadutos, túneis e estruturas elevadas. A limpeza destas áreas exige normalmente equipamento adicional, custos acrescidos e mais tempo. Para melhorar a segurança e a rapidez, algumas cidades estão a começar a utilizar drones capazes de detetar e remover graffiti sem a necessidade de equipas manuais no local.

Por exemplo, Seattle, uma cidade importante do estado de Washington, lançou recentemente uma solução baseada em drones para monitorizar áreas de difícil acesso. Os drones estão equipados com câmaras e ferramentas de pulverização. Podem analisar superfícies públicas em busca de marcas e, quando é detetado graffiti, utilizam um pulverizador integrado para pintar por cima e cobri-lo.

Fig. 4 Um drone com IA a limpar graffiti em Seattle, Washington.

Os esforços de deteção de graffiti de Seattle também incluem câmaras alimentadas por energia solar instaladas em locais conhecidos pela ocorrência de graffiti. Estas câmaras monitorizam a atividade e enviam alertas quando alguém se aproxima de um local assinalado. Ao combinar drones com pontos fixos de monitorização, Seattle consegue responder mais rapidamente ao graffiti e reduzir os riscos físicos para as equipas de manutenção.

Mapeamento de locais problemáticos de graffiti com recurso à IA de visão#

Em alguns casos, a deteção de graffiti não se resume à limpeza — trata-se também de compreender os padrões desta atividade em toda a cidade. Com a ajuda da IA, as cidades podem agora transformar imagens ao nível da rua em mapas visuais que mostram onde o graffiti ocorre com maior frequência. Estes mapas revelam tendências que podem não ser evidentes através das denúncias do público e ajudam os urbanistas a concentrar os seus esforços onde são mais necessários.

Por exemplo, São Paulo, uma cidade do Brasil, explorou esta abordagem através de um estudo de caso orientado pela investigação. Uma equipa utilizou visão computacional para analisar mais de 275 000 imagens ao nível da rua de toda a cidade, recolhidas através do Google Street View. O graffiti identificado nestas imagens foi mapeado em 96 distritos, revelando onde estava mais concentrado.

Em vez de depender de denúncias dispersas ou inspeções ocasionais, esta abordagem proporcionou uma visão do graffiti em toda a cidade, em grande escala e orientada por dados. O mapa resultante proporcionou a São Paulo um recurso valioso para acompanhar as alterações ao longo do tempo e apoiar esforços mais direcionados de limpeza, prevenção e planeamento urbano.

Fig. 5. Deteção de graffiti em São Paulo, Brasil.

Vantagens e desvantagens dos sistemas de deteção de graffiti com IA de visão#

Eis alguns dos principais benefícios da utilização da visão computacional na gestão do graffiti:

• Redução do esforço manual: A monitorização automatizada reduz a necessidade de o pessoal inspecionar fisicamente as ruas, libertando recursos para outras tarefas.
• Apoio aos esforços de prevenção: Ao identificar locais problemáticos de graffiti, os sistemas de visão computacional permitem às cidades concentrar-se em medidas dissuasoras, como melhor iluminação ou vigilância nesses locais.
• Integração com outros sistemas: As ferramentas de visão computacional podem ser ligadas a painéis municipais ou aplicações de manutenção, proporcionando um fluxo de trabalho mais simplificado.
• Permite a elaboração automatizada de relatórios: Os sistemas de IA de visão podem ajudar a gerar relatórios regulares, reduzindo a carga administrativa sobre o pessoal municipal.

Embora os sistemas de visão computacional sejam úteis para a deteção de graffiti, também apresentam algumas limitações. Eis alguns aspetos a ter em conta ao implementar este tipo de sistemas:

• Requer manutenção contínua: As câmaras, os modelos e o software devem ser atualizados e mantidos regularmente para garantir a precisão e o funcionamento.
• Obstáculos legais e regulamentares: Em algumas cidades, a instalação de sistemas de vigilância em espaços públicos pode exigir aprovação, licenças ou conformidade com as leis de proteção de dados.
• Confusão entre idiomas ou símbolos: O graffiti que utiliza línguas estrangeiras, símbolos ou calão pode não ser reconhecido corretamente sem dados de treino adaptados.
• Riscos de identificação incorreta: Se o sistema não for treinado com um conjunto de dados abrangente e diversificado, poderá identificar incorretamente murais, arte urbana ou pinturas legais em paredes como graffiti.

Principais conclusões#

A deteção de graffiti é apenas um exemplo de como a visão computacional está a transformar a forma como as cidades gerem os espaços públicos. Estes sistemas estão a ser cada vez mais integrados com ferramentas de manutenção, elaboração de relatórios e planeamento urbano.

O foco está a passar de reações rápidas para uma consciência proativa. Com melhores dados e ferramentas mais inteligentes, as cidades estão a avançar para a prevenção dos problemas antes de estes surgirem e para a tomada de decisões mais informadas em cada etapa.

Junta-te à nossa comunidade! Explora o nosso repositório no GitHub para aprenderes sobre IA e consulta as nossas opções de licenciamento para começares os teus projetos de IA de visão. Interessado em inovações como IA na área da saúde e visão computacional na agricultura? Visita as nossas páginas de soluções para descobrires mais!