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 câmaras térmicas e scanners de impressões digitais apoiaram este trabalho e desempenharam um papel fundamental na resolução de crimes. Mas agora, graças à IA e à visão computacional, as investigações estão a tornar-se mais avançadas. As máquinas podem ajudar a analisar provas visuais de forma mais rápida, precisa e a uma escala muito maior.

Em particular, a visão computacional é uma tecnologia impactante que permite às máquinas ver e compreender imagens e vídeos. Estes sistemas podem processar e analisar rapidamente grandes quantidades de dados visuais, ajudando os investigadores a resolver crimes mais rapidamente.

As vantagens das ferramentas baseadas em IA nas investigações levaram o mercado global de ferramentas de forense digital baseadas em IA a ser avaliado em 4,98 mil milhões de dólares em 2025, esperando-se que atinja 17,7 mil milhões de dólares até 2031.

Fig 1. Mercado global de forense digital baseada em IA (Fonte).

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

Link to this sectionO papel da IA e da visão computacional na forense#

A visão computacional permite que as máquinas interpretem informações visuais do mundo real e tomem decisões baseadas nessa compreensão. Especificamente na ciência forense, a IA pode ser usada para detetar elementos como armas ou ferimentos, rastrear veículos e até reconstruir modelos 3D de cenas de crime com velocidade e precisão impressionantes.

Embora as investigações forenses ainda dependam da observação manual e do conhecimento especializado, este processo pode ser demorado e geralmente focado num caso de cada vez. Modelos de visão computacional como o Ultralytics YOLO11 oferecem uma abordagem mais rápida e escalável. Estes modelos podem digitalizar cenas, identificar objetos-chave e classificar provas usando 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.

Link to this sectionAplicações 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.

Link to this sectionAnálise de filmagens de vigilância usando visão computacional#

Uma das técnicas de visão computacional mais comuns usadas na vigilância é o rastreamento de objetos - seguir pessoas, veículos ou itens através de frames de vídeo. Em vez de serem programados manualmente para cada situação, estes sistemas aprendem com vídeos do mundo real e rapidamente detetam o que é "normal". Dessa forma, podem identificar automaticamente comportamentos incomuns, como alguém a vadear numa área tranquila, um veículo numa zona restrita ou uma mala abandonada 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. Usando Vision AI para analisar filmagens de CCTV e rastrear carrinhas vermelhas (fonte).

Link to this sectionUsando 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 real vem de Nova Gales do Sul, na Austrália, onde a polícia usou uma plataforma de visão computacional chamada Insights durante as investigações sobre os incêndios florestais de 2019–2020. A plataforma analisou filmagens de CCTV, dados geoespaciais e inputs ambientais, como a direção do vento e registos de descargas atmosféricas. Também usou reconhecimento de objetos para identificar elementos visuais relevantes, como veículos ou equipamentos, em vastas quantidades de filmagens 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 um incêndio (fonte).

Link to this sectionReconstrução 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 realidade virtual (VR) também estão a reimaginar a educação forense. Em ambientes académicos, os alunos podem usar headsets de VR para explorar cenas de crime simuladas, identificar provas e praticar técnicas como digitalização de impressões digitais e análise de salpicos de sangue. Esta abordagem de aprendizagem imersiva desenvolve competências investigativas centrais num ambiente seguro e repetível.

Fig 4. Um estudante a observar a cena de crime usando um headset de VR (fonte).

Link to this sectionMelhoramento de imagem usando Vision AI#

Um caso de 19 anos em Kerala, na Índia, foi recentemente resolvido com a ajuda de melhoramento de imagem potenciado por IA. Os investigadores reexaminaram fotografias antigas da época do crime e usaram uma combinação de processamento de imagem e inteligência artificial para clarificar características 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 levou a uma descoberta decisiva 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.

Link to this sectionUsando segmentação de instâncias para extração de provas#

A segmentação de instâncias é uma tarefa de visão computacional que pode identificar objetos individuais numa imagem e contornar cada um com uma máscara detalhada ao nível do píxel. Isto ajuda os investigadores a isolar peças-chave de prova com precisão, mesmo em ambientes complexos ou desarrumados.

Digamos que existe uma cena de crime onde vários conjuntos de pegadas ou marcas de pneus sobrepostas são visíveis na terra ou na neve - a segmentação de instâncias pode distinguir e contornar cada uma separadamente. Isto torna mais fácil analisar padrões de movimento, trajetórias de veículos ou rotas de suspeitos sem distrações provocadas por desarrumação de fundo.

Para além da análise de cenas, a segmentação de instâncias também está a ser aplicada a imagens forenses. Num estudo do Instituto de Medicina Forense de Zurique, os investigadores usaram esta técnica para identificar diferentes tipos de ferimentos. Treinaram um modelo de visão em 1.753 imagens forenses contendo 4.666 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.

Link to this sectionReconhecimento automático de matrículas potenciado por Vision AI#

O Reconhecimento Automático de Matrículas (ANPR), ou Reconhecimento de Matrículas (LPR), é uma aplicação de visão computacional focada em detetar, ler e extrair automaticamente números de matrícula de imagens ou filmagens de vídeo. Isto envolve normalmente o uso de modelos de visão computacional, como o YOLO11, para deteção de objetos para localizar a matrícula dentro de um frame.

Uma vez identificada a matrícula, é aplicado o reconhecimento ótico de caracteres (OCR) para extrair os caracteres alfanuméricos. Esta informação pode então ser cruzada com bases de dados para identificar o proprietário do veículo ou rastrear os seus movimentos passados. O ANPR é particularmente útil em investigações envolvendo pessoas desaparecidas, roubo de veículos, infrações de trânsito ou atropelamentos.

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 usando YOLO11 (fonte).

Link to this sectionPrós 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 do input: Os modelos de visão dependem fortemente da qualidade dos dados que recebem. As soluções de visão computacional podem falhar ou interpretar mal detalhes importantes se as imagens estiverem desfocadas, com má iluminação ou baixa resolução. Isto pode ser mitigado aplicando a estratégia correta de aumento de dados.
• Dificuldade com dados invisíveis: Os modelos de visão computacional podem ter dificuldades quando encontram algo novo - como objetos incomuns ou cenas de crime que diferem dos dados em que foram treinados. Isto é conhecido como “desvio”.
• 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.

Link to this sectionPrincipais 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 comunidade e ao repositório GitHub para saberes mais sobre visão computacional. Explora aplicações como IA na manufatura e visão computacional na agricultura nas nossas páginas de soluções. Vê as nossas opções de licenciamento e começa a construir com visão computacional hoje mesmo!