Explorar vários tipos de dados para aplicações de IA de visão

Tecnologias como os drones costumavam ser limitadas e acessíveis apenas a investigadores e especialistas, mas atualmente o hardware de ponta está a tornar-se mais acessível a um público mais amplo. 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.

Em paralelo, a análise de imagens, possibilitada pela visão computacional, um ramo da inteligência artificial (AI), está a evoluir rapidamente, permitindo que as máquinas interpretem e processem dados visuais de forma mais eficaz. Este avanço abriu novas possibilidades para a automação, a deteção de objetos e a análise em tempo real. As máquinas conseguem agora reconhecer padrões, acompanhar movimentos e interpretar entradas visuais complexas.

Alguns tipos importantes 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 luz; e dados de profundidade, que permitem às máquinas compreender ambientes 3D. Cada um destes tipos de dados desempenha um papel essencial no suporte a várias aplicações de IA de visão, desde a vigilância até à imagiologia médica.

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

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, e estes são os três canais de cor que representam a informação visual em imagens digitais.

As imagens e os vídeos RGB são tipos de dados visuais estreitamente relacionados utilizados na visão computacional, sendo ambos captados com câmaras convencionais. A principal diferença é que as imagens captam um único momento, enquanto os vídeos são uma sequência de fotogramas que mostra como as coisas mudam ao longo do tempo.

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

Por outro lado, os vídeos são essenciais quando o movimento ou o tempo são fatores relevantes, 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 à informação visual ao indicar 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, tornando possível 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 de profundidade) e câmaras de tempo de voo (que medem o tempo que a luz demora a chegar a um objeto e a regressar).

Entre estas tecnologias, o LiDAR (deteção e medição de luz) é frequentemente o método mais fiável para medir a profundidade. Funciona emitindo rapidamente impulsos laser e medindo o tempo que demoram a regressar. O resultado é um mapa 3D altamente preciso, conhecido como nuvem de pontos, que realça 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 ser dividida em dois tipos principais, cada um concebido para aplicações e ambientes específicos. Vejamos mais detalhadamente ambos:

• LiDAR aerotransportado: Normalmente utilizados para cartografar grandes áreas, os scanners LiDAR aerotransportados são instalados em drones ou aeronaves para captar dados de alta resolução destinados à cartografia topográfica em grande escala. São ideais para analisar terrenos, florestas e paisagens.
• LiDAR terrestre: Este tipo de dados LiDAR é recolhido por sensores instalados em veículos ou plataformas estacionárias para aplicações como monitorização de infraestruturas, construção e cartografia de espaços 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 ocorre nos veículos autónomos, onde desempenha um papel fundamental em tarefas como deteção de faixas de rodagem, prevenção de colisões e identificação de objetos próximos. O LiDAR gera mapas 3D detalhados e em tempo real do ambiente, permitindo ao veículo ver objetos, calcular a sua distância e navegar em segurança.

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

Utilização de dados térmicos e infravermelhos em aplicações de IA#

As imagens RGB captam aquilo que vemos no espetro da luz visível; no entanto, outras tecnologias de imagiologia, como a imagiologia térmica e infravermelha, vão além desse espetro. A imagiologia infravermelha capta a luz infravermelha emitida ou refletida pelos objetos, sendo útil em condições de pouca luz.

A imagiologia térmica, por outro lado, deteta o calor emitido pelos objetos e mostra diferenças de temperatura, permitindo trabalhar na escuridão total ou através de fumo, nevoeiro e outros obstáculos. Este tipo de dados é particularmente útil para monitorizar e detetar problemas, especialmente em setores onde as alterações de temperatura podem indicar potenciais falhas.

Um exemplo interessante é a utilização de imagiologia térmica para monitorizar componentes elétricos em busca de sinais de sobreaquecimento. Ao detetarem diferenças de temperatura, as câmaras térmicas conseguem identificar problemas antes que resultem em falhas de equipamento, incêndios ou danos dispendiosos.

Fig. 3. Um exemplo da utilização de imagiologia térmica para monitorizar componentes elétricos.

De forma semelhante, as imagens infravermelhas podem ajudar a detetar fugas em condutas ou no isolamento ao identificarem diferenças de temperatura que indicam a libertação de gases ou fluidos, o que é essencial para prevenir situações perigosas e melhorar a eficiência energética.

Imagiologia multiespectral e hiperespectral em IA#

Enquanto a imagiologia infravermelha e térmica capta aspetos específicos do espetro eletromagnético, a imagiologia multiespectral recolhe luz de algumas faixas de comprimento de onda selecionadas, cada uma escolhida para uma finalidade específica, como detetar vegetação saudável ou identificar materiais de superfície.

A imagiologia hiperespectral vai um passo além ao captar luz em centenas de faixas de comprimento de onda muito estreitas e contínuas. Isto fornece uma assinatura luminosa detalhada para cada píxel da imagem, oferecendo uma compreensão muito mais profunda de qualquer material observado.

Fig. 4. Comparação entre imagiologia multiespectral e hiperespectral.

Tanto a imagiologia multiespectral como a hiperespectral utilizam sensores e filtros especiais para captar luz em diferentes comprimentos de onda. Em seguida, os dados são 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 imagiologia hiperespectral pode ser utilizada para monitorizar a saúde e o crescimento das plantas, detetando alterações subtis nas folhas ou nos caules, como deficiências nutricionais ou 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 imagiologia por radar e sonar são tecnologias que detetam e cartografam objetos através da emissão de sinais e da análise das suas reflexões, de forma semelhante ao LiDAR. Ao contrário da imagiologia RGB, que depende de ondas luminosas para captar informação visual, o radar utiliza ondas eletromagnéticas, normalmente ondas de rádio, enquanto o sonar utiliza ondas sonoras. Ambos os sistemas emitem impulsos e medem o tempo que o sinal demora a regressar após embater num objeto, fornecendo informações sobre a sua distância, tamanho e velocidade.

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

Em comparação, a imagiologia por sonar é normalmente utilizada em ambientes subaquáticos onde a luz não consegue chegar. Utiliza ondas sonoras que se propagam através da água e refletem nos objetos submersos, permitindo detetar submarinos, cartografar fundos oceânicos e realizar missões de salvamento subaquáticas. 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 SONAR utiliza impulsos ultrassónicos 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 discutimos eram dados 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 utilizando modelação 3D ou IA generativa para produzir imagens ou vídeos com aspeto realista.

Fig. 6. Uma visão geral 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 um comportamento realista, não apenas a aparência.

Estes tipos de dados são úteis para treinar modelos de visão computacional, especialmente quando os dados do mundo real são difíceis de recolher ou quando é necessário simular situações específicas e raras. Os programadores podem criar cenas completas, escolher tipos, posições e iluminação dos objetos e adicionar automaticamente etiquetas, como BBoxes, para o treino. Isto ajuda a criar rapidamente conjuntos de dados grandes e diversificados, sem necessidade de fotografias reais ou etiquetagem manual, que pode ser dispendiosa e demorada.

Por exemplo, na área da saúde, os dados sintéticos podem ser utilizados para treinar modelos que segmentem células de cancro da mama, num contexto em 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 os dados visuais do mundo real são limitados.

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

Agora que analisámos como funcionam os diferentes tipos de dados visuais e o que conseguem fazer, vejamos mais detalhadamente quais são os mais adequados para tarefas específicas:

• Imagens RGB: São perfeitas para tarefas gerais de visão computacional, como classificação de imagens e deteção de objetos. Captam a cor e a textura, mas são limitadas em condições difíceis, como pouca luz ou visibilidade reduzida.
• Imagiologia LiDAR: Este tipo de imagiologia oferece cartografia 3D de alta precisão através de impulsos laser. É excelente para aplicações que exigem medições precisas de distância, como robótica, veículos autónomos e inspeção de infraestruturas.
• Imagiologia térmica: Como consegue detetar diferenças de temperatura, é útil em condições de baixa visibilidade, como monitorização noturna, combate a incêndios ou deteção de fugas de calor em máquinas e edifícios.
• Imagiologia multiespectral e hiperespectral: É útil para tarefas que exigem uma análise detalhada dos materiais, como monitorização agrícola, controlo de qualidade farmacêutico ou deteção remota. Estes métodos fornecem informações mais aprofundadas ao captarem dados numa ampla gama de comprimentos de onda para além da luz visível.
• Imagiologia por radar e sonar: São preferidas em ambientes de baixa visibilidade. O radar utiliza ondas de rádio e é útil na aviação e na navegação, enquanto o sonar utiliza ondas sonoras para realizar deteção subaquática.
• Dados visuais sintéticos e simulados: São ideais para treinar modelos de IA quando os dados do mundo real são limitados, inexistentes ou difíceis de etiquetar. Estes dados visuais artificiais ajudam a criar conjuntos de dados diversificados para cenários complexos, como eventos raros ou condições 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 limitações individuais, melhorando a fiabilidade e a adaptabilidade.

Por exemplo, na automação de armazéns, utilizar RGB para o reconhecimento de objetos, profundidade para medir distâncias e dados térmicos para detetar equipamentos sobreaquecidos torna as operações mais eficientes e seguras. Em última análise, os melhores resultados obtêm-se selecionando ou combinando tipos de dados com base nas necessidades específicas da tua aplicação.

Principais conclusões#

Ao criar modelos de IA de visão, é essencial escolher o tipo certo de dados visuais. Tarefas como deteção de objetos, segmentação e acompanhamento de movimentos 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 melhorar, é provável que abra caminho para que a IA de visão se torne mais rápida, adaptável e impactante em vários setores.

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