Explorando diferentes tipos de dados para aplicações de IA visual

Tecnologias como os drones costumavam ser limitadas e acessíveis apenas a investigadores e especialistas, mas hoje em dia o hardware avançado está a tornar-se mais acessível a um público mais vasto. Esta mudança está a transformar a forma como recolhemos dados visuais. Com tecnologias mais acessíveis, podemos agora captar imagens e vídeos a partir de várias fontes, para além das câmaras tradicionais.

Paralelamente, a análise de imagens, possibilitada pela visão computacional, um ramo da inteligência artificial (AI), está a evoluir rapidamente e permite que as máquinas interpretem e processem dados visuais com maior eficácia. Este avanço abriu novas possibilidades para a automatização, a deteção de objetos e a análise em tempo real. As máquinas conseguem agora reconhecer padrões, acompanhar movimentos e interpretar dados visuais complexos.

Alguns dos principais tipos de dados visuais incluem imagens RGB (Vermelho, Verde, Azul), normalmente utilizadas para o reconhecimento de objetos; imagens térmicas, que ajudam a detetar assinaturas de calor em condições de pouca luminosidade; e dados de profundidade, que permitem às máquinas compreender ambientes 3D. Cada um destes tipos de dados desempenha um papel fundamental em várias aplicações de IA de visão, desde a vigilância até à imagética médica.

Neste artigo, vamos explorar os principais tipos de dados visuais utilizados na IA visual e analisar como cada um contribui para melhorar a precisão, a eficiência e o desempenho em vários setores.

Os tipos mais comuns de conjuntos de dados de imagens e vídeos para IA#

Normalmente, quando utilizas um smartphone para tirar uma fotografia ou ver imagens de CCTV, estás a trabalhar com imagens RGB. RGB significa vermelho, verde e azul, os três canais de cor que representam informações visuais em imagens digitais.

As imagens e os vídeos RGB são tipos de dados visuais estreitamente relacionados, utilizados na visão computacional e captados por câmaras convencionais. A principal diferença é que as imagens captam um único instante, enquanto os vídeos são sequências de fotogramas que mostram como as coisas mudam ao longo do tempo.

As imagens RGB são geralmente utilizadas em tarefas de visão computacional, como a deteção de objetos, a segmentação de instâncias e a estimativa de pose, com o suporte de modelos como o Ultralytics YOLO11. Estas aplicações baseiam-se na identificação de padrões, formas ou características específicas num único fotograma.

Por outro lado, os vídeos são essenciais quando o movimento ou o tempo são importantes, como no reconhecimento de gestos, na vigilância ou no acompanhamento de ações. Como os vídeos podem ser considerados uma série de imagens, os modelos de visão computacional, como o Ultralytics YOLO11, processam-nos fotograma a fotograma para compreender o movimento e o comportamento ao longo do tempo.

Por exemplo, o Ultralytics YOLO11 pode ser utilizado para analisar imagens ou vídeos RGB, detetar ervas daninhas e contar plantas em campos agrícolas. Isto melhora a monitorização das culturas e ajuda a acompanhar as alterações ao longo dos ciclos de crescimento, permitindo uma gestão agrícola mais eficiente.

Fig. 1. O YOLO11 consegue detetar e contar plantas para uma monitorização mais inteligente das culturas.

Dados de profundidade em IA de visão: LiDAR e perceção 3D#

Os dados de profundidade acrescentam uma terceira dimensão às informações visuais, indicando a distância dos objetos em relação à câmara ou ao sensor. Ao contrário das imagens RGB, que apenas captam a cor e a textura, os dados de profundidade fornecem contexto espacial. Mostram a distância entre os objetos e a câmara, permitindo interpretar a disposição 3D de uma cena.

Este tipo de dados é captado através de tecnologias como LiDAR, visão estéreo (que utiliza duas câmaras para imitar a perceção humana da profundidade) e câmaras de tempo de voo (que medem o tempo que a luz demora a chegar a um objeto e a regressar). Também é possível prever a profundidade a partir de uma única imagem RGB com modelos de estimativa monocular da profundidade.

Entre estas tecnologias, o LiDAR (deteção e medição da distância por luz) é frequentemente o método mais fiável para medir a profundidade. Funciona emitindo pulsos laser rápidos e medindo o tempo que demoram a refletir-se de volta. O resultado é um mapa 3D de elevada precisão, conhecido como nuvem de pontos, que destaca a forma, a posição e a distância dos objetos em tempo real.

O papel crescente do LiDAR nos sistemas de IA de visão#

A tecnologia LiDAR pode dividir-se em dois tipos principais, cada um concebido para aplicações e ambientes específicos. Vejamos mais de perto ambos os tipos:

• LiDAR aerotransportado: Normalmente utilizados para mapear grandes áreas, os scanners LiDAR aerotransportados são montados em drones ou aeronaves para captar dados de alta resolução destinados a cartografia topográfica em grande escala. São ideais para estudar terrenos, florestas e paisagens.
• LiDAR terrestre: Este tipo de dados LiDAR é recolhido por sensores montados em veículos ou plataformas fixas para aplicações como a monitorização de infraestruturas, a construção e a cartografia de interiores. Fornece dados muito detalhados de áreas mais pequenas e localizadas, sendo útil para tarefas como o planeamento urbano e o levantamento de estruturas específicas.

Uma aplicação de grande impacto dos dados LiDAR é nos veículos autónomos, onde desempenham um papel fundamental em tarefas como a deteção de faixas, a prevenção de colisões e a identificação de objetos próximos. O LiDAR gera mapas 3D detalhados do ambiente em tempo real, permitindo ao veículo detetar objetos, calcular a distância a que se encontram e navegar em segurança.

Fig. 2. A tecnologia LiDAR permite que veículos autónomos mapeiem a profundidade e detetem objetos.

Utilização de dados térmicos e de infravermelhos em aplicações de IA#

As imagens RGB captam o que vemos no espetro da luz visível; no entanto, outras tecnologias de imagem, como a imagem térmica e de infravermelhos, vão mais além. A imagem de infravermelhos capta a luz infravermelha emitida ou refletida pelos objetos, o que a torna útil em condições de pouca luminosidade.

Em contrapartida, a imagem térmica deteta o calor emitido pelos objetos e mostra diferenças de temperatura, permitindo-lhe funcionar na escuridão total ou através de fumo, nevoeiro e outros obstáculos. Este tipo de dados é particularmente útil para monitorizar e detetar problemas, sobretudo em setores onde as alterações de temperatura podem indicar potenciais falhas.

Um exemplo interessante é a utilização da imagem térmica para monitorizar componentes elétricos e detetar sinais de sobreaquecimento. Ao detetarem diferenças de temperatura, as câmaras térmicas conseguem identificar problemas antes que estes provoquem avarias nos equipamentos, incêndios ou danos dispendiosos.

Fig. 3. Exemplo da utilização de imagem térmica para monitorizar componentes elétricos.

Do mesmo modo, as imagens de infravermelhos podem ajudar a detetar fugas em condutas ou no isolamento, identificando diferenças de temperatura que indicam a saída de gases ou líquidos, algo essencial para prevenir situações perigosas e melhorar a eficiência energética.

Imagem multiespectral e hiperespectral em IA#

Enquanto a imagem de infravermelhos e a imagem térmica captam aspetos específicos do espetro eletromagnético, a imagem multiespectral recolhe luz em algumas gamas de comprimento de onda selecionadas, cada uma escolhida para uma finalidade específica, como detetar vegetação saudável ou identificar materiais à superfície.

A imagem hiperespectral vai mais longe, captando a luz em centenas de intervalos de comprimento de onda muito estreitos e contínuos. Isto fornece uma assinatura luminosa detalhada para cada píxel da imagem, permitindo compreender muito melhor qualquer material observado.

Fig. 4. Comparação entre imagem multiespectral e hiperespectral.

Tanto a imagem multiespectral como a hiperespectral utilizam sensores e filtros especiais para captar luz em diferentes comprimentos de onda. Os dados são depois organizados numa estrutura 3D chamada cubo espectral, em que cada camada representa um comprimento de onda diferente.

Os modelos de IA podem analisar estes dados para detetar características que as câmaras convencionais ou o olho humano não conseguem ver. Por exemplo, na fenotipagem de plantas, a imagem hiperespectral pode ser utilizada para monitorizar a saúde e o crescimento das plantas, detetando alterações subtis nas folhas ou nos caules, como carências de nutrientes ou sinais de stress. Isto ajuda os investigadores a avaliar a saúde das plantas e a otimizar as práticas agrícolas sem recorrer a métodos invasivos.

Análise de imagens de radar e sonar com IA#

A imagem de radar e sonar são tecnologias que detetam e mapeiam objetos emitindo sinais e analisando as respetivas reflexões, de forma semelhante ao LiDAR. Ao contrário da imagem RGB, que utiliza ondas de luz para captar informações visuais, o radar utiliza ondas eletromagnéticas, normalmente ondas de rádio, enquanto o sonar utiliza ondas sonoras. Os sistemas de radar e sonar emitem pulsos e medem o tempo que o sinal demora a refletir-se num objeto, fornecendo informações sobre a distância, o tamanho e a velocidade desse objeto.

A imagem de radar é especialmente útil quando a visibilidade é reduzida, como durante o nevoeiro, a chuva ou à noite. Como não depende da luz, consegue detetar aeronaves, veículos ou terrenos na escuridão total. Isto faz do radar uma opção fiável para a aviação, a monitorização meteorológica e a navegação autónoma.

Em contrapartida, a imagem de sonar é habitualmente utilizada em ambientes subaquáticos, onde a luz não consegue chegar. Utiliza ondas sonoras que se propagam na água e se refletem em objetos submersos, permitindo detetar submarinos, mapear fundos oceânicos e realizar missões de salvamento subaquático. Os avanços na visão computacional estão agora a permitir melhorar ainda mais a deteção subaquática, combinando dados de sonar com análise inteligente para melhorar a deteção e a tomada de decisões.

Fig. 5. Como um sistema de sonar utiliza impulsos de ultrassons para medir a profundidade do mar. (Fonte: bbc.co.uk)

Dados visuais sintéticos e simulados para treinar modelos de IA#

Até agora, os diferentes tipos de dados que abordámos foram aqueles que podem ser recolhidos no mundo real. No entanto, os dados visuais sintéticos e simulados são ambos tipos de conteúdo artificial. Os dados sintéticos são gerados de raiz através de modelação 3D ou de IA generativa para produzir imagens ou vídeos com aspeto realista.

Fig. 6. Exemplo de imagens geradas sinteticamente.

Os dados simulados são semelhantes, mas envolvem a criação de ambientes virtuais que reproduzem o comportamento do mundo físico, incluindo a reflexão da luz, a formação de sombras e o movimento dos objetos. Embora todos os dados visuais simulados sejam sintéticos, nem todos os dados sintéticos são simulados. A principal diferença é que os dados simulados reproduzem comportamentos realistas, não apenas a aparência.

Estes tipos de dados são úteis para treinar modelos de visão por computador, especialmente quando é difícil recolher dados do mundo real ou quando é necessário simular situações específicas e raras. Os programadores podem criar cenários completos, escolher os tipos de objetos, as posições e a iluminação, e adicionar automaticamente etiquetas como caixas delimitadoras para o treino. Isto ajuda a criar conjuntos de dados grandes e diversificados rapidamente, sem precisar de fotografias reais nem de anotação manual, que podem ser dispendiosas e demoradas.

Por exemplo, na área da saúde, os dados sintéticos podem ser utilizados para treinar modelos para segmentar células de cancro da mama, uma vez que é difícil recolher e etiquetar grandes conjuntos de dados de imagens reais. Os dados sintéticos e simulados proporcionam flexibilidade e controlo, preenchendo lacunas quando as imagens do mundo real são limitadas.

Escolher o tipo certo de dados visuais para a tua aplicação de IA#

Agora que vimos como funcionam os diferentes tipos de dados visuais e o que podem fazer, vamos analisar mais detalhadamente quais são os mais adequados para tarefas específicas:

• Imagens RGB: são adequadas para tarefas gerais de visão computacional, como a classificação de imagens e a deteção de objetos. Captam a cor e a textura, mas têm limitações em condições difíceis, como pouca luz ou visibilidade reduzida.
• Imagens LiDAR: Este tipo de imagem permite criar mapas 3D de alta precisão através de impulsos laser. É ideal para aplicações que requerem medições de distância precisas, como a robótica, os veículos autónomos e a inspeção de infraestruturas.
• Imagem térmica: como permite detetar diferenças de temperatura, é útil em condições de baixa visibilidade, como na monitorização noturna, no combate a incêndios ou na deteção de fugas de calor em máquinas e edifícios.
• Imagem multiespectral e hiperespectral: é útil em tarefas que exigem uma análise detalhada dos materiais, como a monitorização agrícola, o controlo de qualidade farmacêutico ou a deteção remota. Estes métodos fornecem informações mais aprofundadas ao captar dados numa ampla gama de comprimentos de onda, para além da luz visível.
• Imagens de radar e sonar: São preferidas em ambientes com baixa visibilidade. O radar utiliza ondas de rádio e é útil na aviação e na navegação, enquanto o sonar utiliza ondas sonoras para detetar objetos debaixo de água.
• Dados visuais sintéticos e simulados: são ideais para treinar modelos de IA quando os dados do mundo real são limitados, inexistentes ou difíceis de anotar. Estas imagens artificiais ajudam a criar conjuntos de dados diversificados para cenários complexos, como eventos raros ou situações críticas para a segurança.

Por vezes, um único tipo de dados pode não fornecer precisão ou contexto suficientes em situações do mundo real. É aqui que a fusão multimodal de sensores se torna essencial. Ao combinar RGB com outros tipos de dados, como dados térmicos, de profundidade ou LiDAR, os sistemas conseguem ultrapassar as limitações individuais, melhorando a fiabilidade e a adaptabilidade.

Por exemplo, na automatização de armazéns, utilizar RGB para reconhecer objetos, a profundidade para medir distâncias e dados térmicos para detetar equipamento sobreaquecido torna as operações mais eficientes e seguras. Em última análise, os melhores resultados são obtidos ao selecionar ou combinar tipos de dados com base nas necessidades específicas da tua aplicação.

Principais conclusões#

Ao criar modelos de IA de visão, é fundamental escolher o tipo certo de dados visuais. Tarefas como a deteção de objetos, a segmentação e o rastreamento de movimento dependem não só dos algoritmos, mas também da qualidade dos dados de entrada. Conjuntos de dados limpos, diversificados e precisos ajudam a reduzir o ruído e a melhorar o desempenho.

Ao combinar tipos de dados como RGB, profundidade, dados térmicos e LiDAR, os sistemas de IA obtêm uma visão mais completa do ambiente, tornando-se mais fiáveis em várias condições. À medida que a tecnologia continua a evoluir, é provável que abra caminho para uma IA de visão mais rápida, adaptável e impactante em todos os setores.

Junta-te à nossa comunidade e explora o nosso repositório do GitHub para saberes mais sobre visão por computador. Descobre várias aplicações relacionadas com IA na área da saúde e visão por computador no retalho nas nossas páginas de soluções. Consulta as nossas opções de licenciamento para começares a trabalhar com IA de visão.