Visão computacional na ciência forense: detectando pistas ocultas

As investigações dependem muito das provas físicas recolhidas nas cenas do crime, e muitas dessas provas são visuais. Tradicionalmente, a recolha destas pistas era feita manualmente: fotografavam-se as cenas, desenhavam-se plantas, identificavam-se objetos e confiava-se no olhar treinado do investigador para detetar pormenores subtis.

Ao longo dos anos, ferramentas como câmaras térmicas e leitores de impressões digitais têm apoiado este trabalho e desempenhado 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 com mais rapidez, precisão e em muito maior escala.

Em particular, a visão computacional é uma tecnologia impactante que permite que as máquinas vejam e compreendam imagens e vídeos. Esses sistemas podem processar e analisar rapidamente grandes volumes de dados visuais, ajudando investigadores a solucionar crimes com mais rapidez.

As vantagens das ferramentas de investigação baseadas em IA ajudaram o mercado global de ferramentas de perícia digital baseadas em IA a atingir o valor de US$ 4,98 bilhões em 2025, e a expectativa é que chegue a US$ 17,7 bilhões até 2031.

Fig. 1. Mercado global de perícia digital baseada em IA (fonte).

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

O papel da IA e da visão computacional na perícia forense#

A visão computacional permite que as máquinas interpretem informações visuais do mundo real e tomem decisões com base nessa compreensão. Em particular, na perícia forense, a IA pode ser usada para detectar elementos como armas ou ferimentos, rastrear veículos e até reconstruir modelos 3D de cenas de crime com rapidez e precisão.

Embora as investigações forenses ainda dependam de observação manual e conhecimento especializado, esse processo pode consumir muito tempo e costuma se concentrar em um caso por vez. Modelos de visão computacional como o Ultralytics YOLO11 oferecem uma abordagem mais rápida e escalável. Esses modelos podem analisar cenas, identificar objetos importantes e classificar evidências usando tarefas de IA visual, como detecção de objetos e classificação de imagens.

Por exemplo, em vez de rever manualmente centenas de horas de gravações de vigilância, um modelo de visão computacional pode analisar automaticamente as imagens de vídeo para detetar atividades suspeitas, como movimentos invulgares, permanência prolongada num local ou objetos deixados para trás. O modelo pode assinalar períodos e locais específicos para os investigadores analisarem, reduzindo significativamente o tempo e o esforço necessários para encontrar provas relevantes.

Aplicações da IA visual na perícia forense#

A visão computacional está a mudar a forma como os investigadores recolhem e estudam provas visuais. Vejamos mais de perto como está a ser usada atualmente no trabalho forense.

Analisar imagens de vigilância com visão computacional#

Uma das técnicas de visão computacional mais usadas na vigilância é o acompanhamento de objetos, que segue pessoas, veículos ou itens ao longo dos fotogramas de um vídeo. Em vez de serem programados manualmente para cada situação, estes sistemas aprendem com vídeos do mundo real e identificam rapidamente o que é considerado «normal». Assim, conseguem detetar automaticamente comportamentos invulgares, como alguém a permanecer demasiado tempo numa área tranquila, um veículo numa zona restrita ou um saco sem vigilância 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 analisar horas de gravações de CCTV, identificar todas as aparições de uma carrinha vermelha e evitar que os investigadores tenham de rever manualmente todas as imagens. Ao automatizar tarefas que antes demoravam horas ou dias, a visão computacional torna a monitorização em direto e a análise de provas mais rápidas, inteligentes e eficazes.

Fig. 2. Uso da IA visual para analisar imagens de CCTV e acompanhar carrinhas vermelhas (fonte).

Usar IA em investigações de incêndios florestais#

Após incêndios, o tempo é essencial e as provas físicas estão muitas vezes comprometidas ou destruídas. As tecnologias de visão computacional ajudam a colmatar esta lacuna ao analisar diversas fontes de dados visuais, como imagens de satélite, gravações de drones, CCTV e imagens térmicas, para reconstruir a sequência dos acontecimentos.

Estas ferramentas podem detetar a origem de um incêndio, identificar possíveis acelerantes e acompanhar a atividade de pessoas ou veículos nas proximidades. Quando combinadas com bases de dados criminais e relatórios de incidentes, podem revelar padrões em diferentes regiões, como locais onde os incêndios ocorrem repetidamente, comportamentos de suspeitos ou incêndios criminosos coordenados.

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 imagens de CCTV, dados geoespaciais e informações ambientais, como a direção do vento e os registos de descargas elétricas. Também usou reconhecimento de objetos para identificar elementos visuais relevantes, como veículos ou equipamentos, em grandes volumes de gravações de vigilância.

Ao sobrepor estas informações a dados de geolocalização de telemóveis e a mapas, os investigadores conseguiram associar a atividade humana a incêndios específicos e apresentar visualmente estes dados durante os inquéritos oficiais. Esta abordagem acelerou o processo de investigação.

Fig. 3. Um investigador forense a observar os destroços de um incêndio (fonte).

Reconstrução de uma cena de crime com visão computacional#

A reconstrução 3D em perícia 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 localização dos objetos, os padrões de manchas de sangue e as trajetórias das balas com um nível de precisão e interatividade que as fotografias 2D tradicionais não conseguem oferecer. Esta tecnologia melhora a análise e as apresentações em tribunal ao permitir visitas virtuais e medições precisas.

Além das investigações em andamento, a reconstrução 3D e a realidade virtual (VR) também estão transformando o ensino de ciências forenses. Em ambientes acadêmicos, os estudantes podem usar headsets de VR para explorar cenas de crime simuladas, identificar evidências e praticar técnicas como a coleta de impressões digitais e a análise de manchas de sangue. Essa abordagem imersiva de aprendizagem desenvolve habilidades investigativas fundamentais em um ambiente seguro e reproduzível.

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

Melhoramento de imagens com IA visual#

Um caso com 19 anos, no estado de Kerala, na Índia, foi recentemente resolvido com a ajuda do melhoramento de imagens baseado em IA. Os investigadores voltaram a analisar fotografias antigas da época do crime e usaram uma combinação de processamento de imagem e inteligência artificial para esclarecer os traços faciais e gerar imagens atualizadas dos suspeitos. Uma das imagens melhoradas era muito parecida com uma pessoa que aparecia numa fotografia de casamento partilhada online, o que acabou por representar um avanço decisivo no caso.

Este caso é um bom exemplo de como as ferramentas forenses modernas, em particular a integração da IA com o melhoramento tradicional de imagens, podem ajudar as autoridades a retomar e resolver investigações pendentes há muito tempo. Ao revelar pormenores ocultos ou identificar pessoas cuja aparência mudou significativamente ao longo do tempo, estas tecnologias estão a revelar-se recursos poderosos no campo da perícia digital.

Usar a segmentação de instâncias para extrair provas#

A segmentação de instâncias é uma tarefa de visão computacional que consegue identificar objetos individuais numa imagem e contornar cada um deles com uma máscara detalhada ao nível dos píxeis. Isto ajuda os investigadores a isolar com precisão elementos de prova importantes, mesmo em ambientes desorganizados ou complexos.

Imagina uma cena de crime onde são visíveis vários conjuntos de pegadas ou marcas de pneus sobrepostas na terra ou na neve: a segmentação de instâncias consegue distinguir e contornar cada um deles separadamente. Isto facilita a análise de padrões de movimento, trajetos de veículos ou percursos de suspeitos sem a distração dos elementos de fundo.

Além da análise de cenas, a segmentação de instâncias também está a ser aplicada a imagens forenses. Num estudo do Instituto de Medicina Legal de Zurique, os investigadores usaram esta técnica para identificar diferentes tipos de ferimentos. Treinaram um modelo de visão computacional com 1753 imagens forenses que continham 4666 ferimentos.

O modelo treinado conseguiu detectar e classificar sete tipos de ferimentos, incluindo facadas e queimaduras. Ele demonstrou como a IA visual pode ajudar investigadores a analisar padrões de ferimentos com rapidez e precisão, economizando tempo e aumentando a consistência das avaliações de imagens forenses.

Reconhecimento automático de matrículas com IA visual#

O reconhecimento automático de matrículas (ANPR), também chamado reconhecimento de matrículas (LPR), é uma aplicação de visão computacional que deteta, lê e extrai automaticamente os números das matrículas a partir de imagens ou gravações de vídeo. Normalmente, envolve a utilização de modelos de visão computacional, como o YOLO11, para detetar objetos e localizar a matrícula num fotograma.

Depois de identificar a matrícula, aplica-se o reconhecimento ótico de caracteres (OCR) para extrair os caracteres alfanuméricos. Estas informações podem depois ser comparadas com bases de dados para identificar o proprietário do veículo ou acompanhar os seus movimentos anteriores. O ANPR é especialmente útil em investigações relacionadas com pessoas desaparecidas, roubo de veículos, infrações de trânsito ou atropelamentos com fuga.

Por exemplo, num caso de pessoa desaparecida, as autoridades podem introduzir o número da matrícula num sistema LPR. Se o veículo aparecer numa câmara de vigilância, o sistema pode assinalar automaticamente a sua localização, ajudando os agentes a responder rapidamente. O LPR também desempenha um papel fundamental em casos de veículos roubados ou atropelamentos com fuga, ao permitir um acompanhamento rápido e preciso através de redes de vigilância integradas.

Fig. 5. Deteção de matrículas com Ultralytics YOLO11 (fonte).

Prós e contras da utilização de IA na perícia forense#

A IA e a visão computacional oferecem várias vantagens importantes que melhoram a eficiência, a acessibilidade e a fiabilidade das investigações forenses. Eis algumas das principais vantagens a considerar:

• Análise remota: a visão computacional permite que investigadores forenses examinem cenas de crime e evidências, como imagens, vídeos e modelos 3D, de qualquer lugar, sem precisar estar presentes.
• Arquivos de longo prazo: os dados processados por sistemas de visão podem ser bem organizados e facilmente pesquisáveis. Se necessário no futuro, poderão ser revisitados e reanalisados com modelos aprimorados, inclusive em casos antigos.
• Consistência: ao contrário dos seres humanos, que podem interpretar informações visuais de maneiras diferentes conforme sua experiência, os modelos de visão computacional aplicam sempre as mesmas regras, resultando em análises mais consistentes e uniformes.

Apesar do seu potencial, a visão computacional na perícia forense também apresenta alguns desafios a ter em conta. Eis alguns dos principais:

• Qualidade das entradas: os modelos de visão dependem muito da qualidade dos dados que recebem. As soluções de visão computacional podem deixar passar ou interpretar incorretamente detalhes importantes se as imagens estiverem desfocadas, mal iluminadas ou tiverem baixa resolução. Uma estratégia adequada de aumento de dados durante o treinamento pode atenuar parcialmente esse problema.
• Dificuldade com dados não vistos: os modelos de visão computacional podem ter dificuldades ao encontrar algo novo, como objetos incomuns ou cenas de crime diferentes dos dados usados no treinamento. Isso está estreitamente relacionado à deriva de dados.
• Desafios jurídicos: o uso da visão computacional em investigações pode levantar questões jurídicas, como a admissibilidade das provas em tribunal, a privacidade dos dados e a transparência das decisões do sistema.

Principais conclusões#

A visão computacional ainda está evoluindo, mas já está transformando a prática da ciência forense. Da detecção e delimitação de pequenos vestígios por meio da segmentação de instâncias à criação de modelos 3D de cenas de crime e ao aprimoramento de imagens, ela ajuda investigadores em todas as etapas do trabalho.

No futuro, é provável que a visão computacional trabalhe ainda mais em conjunto com a IA e a aprendizagem automática para identificar padrões mais rapidamente e fazer melhores previsões com base em dados de casos anteriores. À medida que a tecnologia continua a melhorar, continuará a trazer formas novas e melhores de resolver crimes.

Junta-te à nossa comunidade e visita o nosso repositório GitHub para saberes mais sobre visão computacional. Explora aplicações como IA na indústria transformadora e visão computacional na agricultura nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e começa hoje mesmo a criar soluções com visão computacional!