Visão computacional para ciência forense: Detectando pistas ocultas

As investigações dependem fortemente de provas físicas recolhidas em cenas de crime, e grande parte dessas provas é visual. Tradicionalmente, a recolha destas pistas era feita manualmente - fotografando o local, esboçando layouts, etiquetando objetos e confiando no olhar treinado do investigador para detetar detalhes subtis.

Ao longo dos anos, ferramentas como câmeras térmicas e leitores de impressões digitais apoiaram este trabalho e desempenharam um papel fundamental na solução de crimes. Mas agora, graças à IA e à computer vision, as investigações estão se tornando mais avançadas. As máquinas podem ajudar a analisar evidências visuais mais rapidamente, com mais precisão e em uma escala muito maior.

Em particular, a computer vision é uma tecnologia impactante que permite que as máquinas vejam e compreendam imagens e vídeos. Estes sistemas conseguem processar e analisar rapidamente grandes quantidades de dados visuais, ajudando os investigadores a resolver crimes mais depressa.

As vantagens das ferramentas impulsionadas por IA em investigações fizeram com que o global market for AI-driven digital forensics fosse avaliado em 4,98 mil milhões de dólares em 2025, prevendo-se que atinja 17,7 mil milhões de dólares até 2031.

Fig. 1. Mercado global de forense digital impulsionado por IA (Source).

Neste artigo, exploraremos como a visão computacional pode ser usada em investigações forenses e como pode ajudar a identificar, analisar e interpretar provas visuais.

O papel da IA e da visão computacional na forense#

A computer vision permite que as máquinas interpretem informação visual do mundo real e tomem decisões com base nessa compreensão. Especificamente, na ciência forense, a IA pode ser utilizada para detetar elementos como armas ou ferimentos, seguir veículos e até reconstruir 3D models de locais de crime com uma velocidade e precisão impressionantes.

Embora as investigações forenses ainda dependam da observação manual e do conhecimento especializado, este processo pode ser demorado e normalmente focado num caso de cada vez. Modelos de computer vision como o Ultralytics YOLO11 oferecem uma abordagem mais rápida e escalável. Estes modelos conseguem analisar locais, identificar objetos-chave e classificar provas utilizando tarefas de Vision AI, como deteção de objetos e classificação de imagens.

Por exemplo, em vez de rever manualmente centenas de horas de filmagens de vigilância, um modelo de visão computacional pode digitalizar automaticamente os feeds de vídeo para detetar atividades suspeitas - como movimentos incomuns, vadiagem ou objetos deixados para trás. Pode sinalizar períodos e locais específicos para os investigadores reverem, reduzindo significativamente o tempo e o esforço necessários para encontrar provas relevantes.

Aplicações de Vision AI na forense#

A visão computacional está a mudar a forma como os investigadores recolhem e estudam provas visuais. Aqui está uma análise mais detalhada de como está a ser usada no trabalho forense hoje.

Análise de filmagens de vigilância usando visão computacional#

Uma das técnicas de computer vision mais comuns utilizadas na vigilância é o object tracking - seguir pessoas, veículos ou itens ao longo de fotogramas de vídeo. Em vez de serem programados manualmente para cada situação, estes sistemas aprendem a partir de vídeos do mundo real e captam rapidamente o aspeto do que é "normal". Desta forma, conseguem detetar automaticamente comportamentos invulgares, como alguém a rondar uma zona calma, um veículo numa zona restrita ou um saco abandonado num espaço público.

Esta tecnologia pode ser útil durante as investigações. Por exemplo, se uma testemunha disser que viu uma carrinha vermelha num cruzamento entre as 11h e as 13h, a visão computacional pode digitalizar horas de filmagens de CCTV, selecionar todas as instâncias de uma carrinha vermelha e evitar que os investigadores tenham de rever tudo manualmente. Ao automatizar o que costumava levar horas ou dias, a visão computacional torna a monitorização ao vivo e a revisão de provas mais rápidas, inteligentes e eficazes.

Fig. 2. Utilização de Vision AI para analisar imagens de CCTV e seguir camionetas de caixa aberta vermelhas (source).

Usando IA em investigações de incêndios florestais#

Após incidentes relacionados com incêndios, o tempo é crítico e as provas físicas são frequentemente comprometidas ou destruídas. As tecnologias de visão computacional ajudam a preencher esta lacuna através da análise de diversas fontes de dados visuais, como imagens de satélite, filmagens de drones, CCTV e digitalizações térmicas, para reconstruir a sequência de eventos.

Estas ferramentas podem detetar a origem de um incêndio, identificar potenciais aceleradores e rastrear a atividade humana ou de veículos perto da cena. Quando combinadas com bases de dados criminais e relatórios de incidentes, o sistema pode descobrir padrões, como locais de incêndios repetidos, comportamento de suspeitos ou incêndios criminosos coordenados em diferentes regiões.

Um exemplo do mundo real vem de Nova Gales do Sul, na Austrália, onde a polícia utilizou uma computer vision platform chamada Insights durante as investigações dos incêndios florestais de 2019–2020. A plataforma analisou imagens de CCTV, dados geoespaciais e fatores ambientais, tais como a direção do vento e registos de quedas de raios. Também utilizou o reconhecimento de objetos para identificar elementos visuais relevantes, como veículos ou equipamento, numa vasta quantidade de imagens de vigilância.

Ao sobrepor estes insights com dados de geolocalização de telemóveis e mapas, os investigadores puderam ligar a atividade humana a eventos de incêndio específicos e apresentar visualmente estes dados durante inquéritos formais. Esta abordagem acelerou o processo de investigação.

Fig. 3. Um investigador forense a observar destroços de incêndios (source).

Reconstrução de uma cena de crime usando visão computacional#

A reconstrução 3D na forense combina tecnologias como fotografia, digitalização a laser, LiDAR e visão computacional para criar modelos detalhados e à escala real de cenas de crime. Estas reconstruções ajudam os investigadores a visualizar a colocação de objetos, padrões de salpicos de sangue e trajetórias de balas com um nível de precisão e interatividade que as fotografias 2D tradicionais não conseguem proporcionar. Esta tecnologia melhora a análise e as apresentações em tribunal, permitindo visitas virtuais e medições precisas.

Para além das investigações ativas, a reconstrução 3D e a virtual reality (VR) estão também a reinventar a educação forense. Em ambientes académicos, os estudantes podem utilizar óculos de VR para explorar locais de crime simulados, identificar provas e praticar técnicas como a recolha de impressões digitais e a análise de salpicos de sangue. Esta abordagem de aprendizagem imersiva desenvolve competências de investigação essenciais num ambiente seguro e repetível.

Fig. 4. Um estudante a observar o local do crime utilizando óculos de VR (source).

Melhoramento de imagem usando Vision AI#

Um caso com 19 anos em Kerala, na Índia, foi recentemente resolvido com a ajuda de AI-powered image enhancement. Os investigadores reexaminaram fotografias antigas da altura do crime e utilizaram uma combinação de processamento de imagem e inteligência artificial para clarificar os traços faciais e gerar semelhanças atualizadas dos suspeitos. Uma imagem melhorada assemelhava-se muito a uma pessoa vista numa fotografia de casamento partilhada online, o que acabou por levar a um avanço no caso.

Este caso é um bom exemplo de como as ferramentas forenses modernas, particularmente a integração da IA com o melhoramento de imagem tradicional, podem ajudar as autoridades a reexaminar e resolver investigações pendentes há muito tempo. Ao revelar detalhes obscurecidos ou identificar indivíduos que mudaram significativamente ao longo do tempo, estas tecnologias estão a revelar-se ativos poderosos no campo da forense digital.

Usando segmentação de instâncias para extração de provas#

A segmentação de instâncias é uma computer vision task que consegue identificar objetos individuais numa imagem e contornar cada um com uma máscara detalhada ao nível do píxel. Isto ajuda os investigadores a isolar peças de evidência fundamentais com precisão, mesmo em ambientes complexos ou confusos.

Digamos que existe um local de crime onde são visíveis vários conjuntos de pegadas ou marcas de pneus sobrepostas na terra ou na neve - a instance segmentation consegue distinguir e delinear cada uma separadamente. Isto facilita a análise de padrões de movimento, trajetórias de veículos ou caminhos de suspeitos sem distrações causadas pelo ruído de fundo.

Para além da análise de locais, a segmentação de instâncias também está a ser aplicada a imagens forenses. Num estudo do Instituto de Medicina Forense de Zurique, os investigadores utilizaram esta técnica para identificar diferentes types of wounds. Treinaram um modelo de visão com 1753 imagens forenses contendo 4666 ferimentos.

O modelo treinado foi capaz de detetar e classificar sete tipos de lesões, incluindo ferimentos por arma branca e queimaduras. Demonstrou como a Vision AI pode apoiar os investigadores analisando rápida e precisamente padrões de lesões, poupando tempo e melhorando a consistência nas avaliações de imagens forenses.

Reconhecimento automático de matrículas potenciado por Vision AI#

O Automatic Number Plate Recognition (ANPR), ou reconhecimento de matrículas (LPR), é uma aplicação de computer vision focada em detetar, ler e extrair automaticamente números de matrícula a partir de imagens ou sequências de vídeo. Isto envolve normalmente a utilização de modelos de computer vision, como o YOLO11, para a deteção de objetos de modo a localizar a matrícula num fotograma.

Assim que a matrícula é identificada, o optical character recognition (OCR) é aplicado para extrair os carateres alfanuméricos. Esta informação pode depois ser cruzada com bases de dados para identificar o proprietário do veículo ou seguir os seus movimentos anteriores. O ANPR é particularmente útil em investigações que envolvem pessoas desaparecidas, roubo de veículos, infrações de trânsito ou incidentes de atropelamento e fuga.

Por exemplo, num caso de pessoa desaparecida, as autoridades podem inserir o número da matrícula num sistema LPR. Se o veículo aparecer numa câmara de vigilância, o sistema pode sinalizar automaticamente a sua localização, ajudando os agentes a responder rapidamente. O LPR também desempenha um papel fundamental em casos como roubo de veículos ou atropelamentos, fornecendo um rastreamento rápido e preciso através de redes de vigilância integradas.

Fig 5. Detetando matrículas utilizando Ultralytics YOLO11 (source).

Prós e contras de usar IA na forense#

A IA e a visão computacional oferecem vários benefícios importantes que aumentam a eficiência, acessibilidade e fiabilidade das investigações forenses. Aqui estão algumas das principais vantagens a considerar:

• Análise remota: A visão computacional permite que os investigadores forenses visualizem cenas de crime e provas, como imagens, vídeos e modelos 3D, a partir de qualquer lugar sem estarem presentes fisicamente.
• Arquivos a longo prazo: Os dados processados pelos sistemas de visão podem ser bem organizados e facilmente pesquisáveis. Se necessário no futuro, podem ser revistos e reanalisados usando modelos melhorados em casos antigos.
• Consistência: Ao contrário dos humanos, que podem interpretar informações visuais de forma diferente com base na sua experiência, os modelos de visão computacional aplicam as mesmas regras sempre, resultando numa análise mais consistente e uniforme.

Apesar do seu potencial, a visão computacional na forense também traz alguns desafios a ter em conta. Aqui estão alguns dos principais:

• Qualidade dos dados de entrada: os modelos de visão dependem fortemente da qualidade dos dados que recebem. As soluções de computer vision podem falhar ou interpretar mal detalhes importantes se as imagens estiverem desfocadas, com pouca luz ou com baixa resolução. Isto pode ser mitigado aplicando a estratégia de data augmentation correta.
• Dificuldade com dados nunca antes vistos: os Computer vision models podem enfrentar dificuldades quando encontram algo novo — como objetos invulgares ou locais de crime que diferem dos dados em que foram treinados. Isto é conhecido como “drift”.
• Desafios legais: Usar visão computacional em investigações pode levantar questões legais, como saber se a prova é admissível em tribunal, quão privados são os dados e quão transparentes são as decisões do sistema.

Principais pontos#

A visão computacional ainda está a evoluir, mas já está a transformar a forma como a ciência forense opera. Desde a deteção e contorno de pequenos elementos de prova através da segmentação de instâncias até à construção de modelos 3D de cenas de crime e melhoramento de documentos, apoia os investigadores em todas as fases do seu trabalho.

No futuro, a visão computacional provavelmente trabalhará ainda mais estreitamente com a IA e o aprendizado de máquina para detetar padrões mais rapidamente e fazer melhores previsões usando dados de casos passados. À medida que a tecnologia continua a melhorar, trará formas novas e melhores de resolver crimes.

Junta-te à nossa community e ao GitHub repository para saberes mais sobre computer vision. Explora aplicações como AI in manufacturing e computer vision in agriculture nas nossas páginas de soluções. Consulta as nossas opções de our licensing e começa a criar com computer vision hoje mesmo!