Como calcular a distância usando modelos de visão computacional?

Quando atravessas a rua e vês um carro a vir na tua direção, consegues saber instantaneamente a que distância ele está. Este julgamento rápido, quase instintivo, deve-se à tua compreensão espacial do que te rodeia. Com base nesta perceção, podes decidir se deves acelerar, parar ou continuar a andar.

Da mesma forma, a visão computacional é um ramo da inteligência artificial (IA) que possibilita que as máquinas desenvolvam uma compreensão do que as rodeia ao interpretar dados visuais. Tal como tu consegues avaliar a proximidade de um carro para tomar decisões rápidas, os modelos de visão computacional podem analisar imagens e vídeos, ajudando as máquinas a sentir e a reagir ao mundo à sua volta.

Por exemplo, o Ultralytics YOLO11 é um modelo de visão computacional que consegue detetar e rastrear objetos em imagens e vídeos em tempo real. De forma simples, o YOLO11 funciona olhando para toda a imagem de uma vez, em vez de o fazer por partes, o que o torna mais rápido e eficiente. Também consegue lidar com tarefas de visão computacional como segmentação de instâncias, estimativa de pose e classificação de imagens.

Em particular, as capacidades do YOLO11 podem ser usadas para calcular a distância entre objetos, o que é útil em muitas áreas como a indústria, o comércio e a gestão de multidões, ajudando a melhorar a segurança e a eficiência.

Neste artigo, vamos explorar como o YOLO11 pode ser usado para o cálculo de distância em aplicações de visão computacional, por que é importante e o seu impacto em diferentes setores.

Fig 1. Um exemplo de utilização do YOLO para calcular a distância de aterragem de um avião.

Link to this sectionUma visão geral do cálculo de distância em visão computacional#

O cálculo de distância em visão computacional envolve detetar, localizar e medir os píxeis entre dois objetos numa imagem. Os píxeis são as unidades individuais que compõem uma imagem digital, representando cada um um ponto único com uma cor ou valor de intensidade específico.

Para converter medições em píxeis em distâncias do mundo real, a calibração é fundamental. Podes pensar nisto como usar uma régua para medir algo e, depois, usar essa medição para compreender o tamanho de outros objetos. Ao referenciar objetos com tamanhos conhecidos, a calibração cria uma ligação entre os píxeis e as distâncias físicas reais.

Vamos ver um exemplo para perceber como isto funciona. Na imagem abaixo, a moeda é o objeto de referência e o seu tamanho (0,9 pol. por 1,0 pol.) é conhecido. Ao comparar as medições em píxeis dos outros objetos com o tamanho da moeda, podemos calcular o seu tamanho no mundo real.

Fig 2. Uma moeda pode ser usada como referência para medir o tamanho real de outros objetos.

No entanto, o cálculo de distância é feito num plano bidimensional (2D), o que significa que apenas mede as distâncias horizontais e verticais entre objetos. Isto é diferente da estimativa de profundidade, que mede a distância dos objetos num espaço tridimensional, incluindo a sua distância em relação à câmara.

Embora as câmaras de profundidade consigam medir a profundidade real e fornecer informações espaciais mais detalhadas, em muitos casos, uma simples distância calibrada é suficiente. Por exemplo, saber a distância entre objetos num plano 2D funciona bem para tarefas como rastrear objetos ou gerir filas, pelo que a estimativa de profundidade não é necessária nessas situações.

Link to this sectionCompreender como funciona o cálculo de distância usando o YOLO11#

A seguir, vamos ver como calcular a distância entre dois objetos usando o suporte do YOLO11 para deteção de objetos e rastreio. Eis uma explicação detalhada:

• Deteção e rastreio de objetos: O YOLO11 pode ser usado para detetar objetos ao reconhecê-los num frame e rastrear o seu movimento ao longo dos frames num vídeo. Atribui um ID de rastreio único a cada objeto, permitindo ao sistema monitorizar a sua posição e movimento durante todo o vídeo.
• Bounding boxes: As bounding boxes são desenhadas em torno dos objetos detetados com base nos resultados da deteção de objetos do YOLO11, o que define a sua localização na imagem.
• Seleção de objetos: Podem ser selecionados dois objetos para focar, e o YOLO11 atualiza as bounding boxes à medida que os objetos se movem em tempo real.
• Cálculo de centroides: Os centroides (os pontos centrais das bounding boxes dos dois objetos) são calculados com base nas coordenadas dos cantos da bounding box, representando as posições dos objetos.
• Cálculo de distância: Os centroides dos dois objetos podem então ser usados para calcular a distância euclidiana entre eles. A distância euclidiana é a distância em linha reta entre dois pontos num plano 2D, calculada usando as diferenças nas direções horizontal e vertical. Isto fornece a distância entre os dois objetos em píxeis.

É importante ter em mente que as distâncias calculadas usando este método são apenas estimativas, uma vez que se baseiam em medições de píxeis em 2D.

Fig 3. Usando Ultralytics YOLO para detetar uma pessoa e calcular distâncias.

Link to this sectionO impacto da estimativa de distância pelo YOLO#

Considerando que o cálculo de distâncias usando o YOLO11 é uma estimativa, podes perguntar-te: Onde pode isto ser usado e como pode fazer a diferença?

Uma vez que são usadas calibrações para chegar a estas estimativas de distância, elas são suficientemente precisas para ajudar em muitas situações práticas. A estimativa de distância do YOLO11 é particularmente útil em ambientes dinâmicos, como armazéns, onde os objetos estão em constante movimento e são necessários ajustes em tempo real para manter tudo a funcionar sem problemas.

Um exemplo interessante é usar o YOLO11 para rastrear encomendas numa passadeira rolante e estimar a distância entre elas em tempo real. Isto ajuda os gestores de armazém a garantir que as encomendas estão espaçadas corretamente, evitando colisões e mantendo o fluxo operacional.

Nesses casos, uma distância exata nem sempre é necessária. Normalmente, define-se um intervalo ou limiar para a distância ideal, pelo que uma estimativa funciona bem para estes tipos de aplicações.

Fig 4. Detetar encomendas usando o YOLO11 e calcular a distância entre elas.

Link to this sectionCálculo de distância em aplicações de visão computacional#

Várias aplicações de visão computacional podem beneficiar do cálculo da distância entre objetos usando o YOLO11. Na análise de retalho, por exemplo, ajuda a melhorar a gestão de filas ao rastrear as posições dos clientes em tempo real. Isto torna possível que as empresas aloquem melhor os recursos, reduzam os tempos de espera e criem uma experiência de compra mais fluida. Ao ajustar dinamicamente os níveis de pessoal e gerir o fluxo de clientes, as lojas podem evitar a sobrelotação e otimizar o uso do espaço.

Da mesma forma, na gestão de tráfego, a estimativa de distância ajuda a monitorizar o espaçamento dos veículos e a analisar padrões de tráfego. Isto pode ser usado para detetar comportamentos perigosos, como conduzir demasiado próximo, e ajustar os sinais de trânsito para manter o fluxo de tráfego constante. Pode ajudar a tornar as estradas mais seguras ao identificar potenciais problemas e melhorar a gestão geral do tráfego em tempo real.

Fig 5. O cálculo de distância habilitado por visão pode ser usado para monitorizar o tráfego.

Outro uso único desta tecnologia surgiu durante a pandemia de COVID-19 quando ajudou a promover o distanciamento social. Garantiu que as pessoas mantivessem uma distância segura em espaços públicos, lojas e hospitais, reduzindo o risco de propagação do vírus.

Ao rastrear distâncias em tempo real, podiam ser enviados alertas quando os indivíduos estavam demasiado próximos, tornando mais fácil para as empresas e profissionais de saúde reagir rapidamente e manter um ambiente mais seguro para todos.

Link to this sectionPrós e contras do cálculo de distância em visão computacional#

Agora que discutimos algumas das aplicações do cálculo de distância usando visão computacional, aqui tens uma análise mais detalhada dos benefícios associados a fazê-lo:

• Automação: A IA de visão pode automatizar tarefas de cálculo de distância que, de outra forma, exigiriam rastreio manual, reduzindo o erro humano e os custos de mão de obra enquanto aumenta a produtividade.
• Otimização de recursos: Ao conhecer o espaçamento aproximado e a proximidade dos objetos, os recursos (como pessoal ou maquinaria) podem ser otimizados, reduzindo o desperdício e melhorando os fluxos de trabalho.
• Complexidade de configuração mínima: Uma vez configurados, os sistemas de cálculo de distância habilitados por visão exigem uma manutenção relativamente baixa e menos intervenção humana em comparação com outros sistemas que dependem de entrada manual ou maquinaria complexa.

Apesar destas vantagens, existem também algumas limitações a ter em conta ao implementar tais sistemas. Eis um resumo rápido dos fatores-chave a considerar quando se trata de cálculo de distância usando visão computacional:

• Sensibilidade a fatores ambientais: A precisão do cálculo de distância pode ser afetada pelas condições de iluminação, sombras, reflexos ou obstruções, levando a potenciais erros ou inconsistências.
• Preocupações com a privacidade: Usar visão computacional para rastrear objetos ou pessoas pode levantar questões de privacidade, especialmente em espaços públicos ou ambientes sensíveis onde dados pessoais podem estar envolvidos.
• Complexidade em cenários com múltiplos objetos: Em ambientes com numerosos objetos em movimento, calcular com precisão as distâncias entre vários objetos simultaneamente pode levar a confusão, particularmente se estiverem próximos ou em interseção.

Link to this sectionPrincipais pontos#

Calcular a distância entre objetos usando o YOLO11 é uma solução fiável que pode apoiar a tomada de decisões. É especialmente útil em ambientes dinâmicos como armazéns, retalho e gestão de tráfego, onde manter o controlo da proximidade dos objetos pode melhorar a eficiência e a segurança.

O YOLO11 torna possível automatizar tarefas que normalmente exigiriam esforço manual. Embora existam alguns desafios, como a sensibilidade a fatores ambientais e preocupações com a privacidade, os benefícios, como a automação, a escalabilidade e a fácil integração, tornam-no impactante. À medida que a visão computacional continua a melhorar, especialmente em áreas como o cálculo de distância, é provável que vejamos uma mudança real na forma como as máquinas interagem com o que as rodeia e como o compreendem.

Junta-te à nossa comunidade! Explora o nosso repositório GitHub para saberes mais sobre a IA de visão. Se tens interesse em tirar partido da visão computacional, consulta as nossas opções de licenciamento. Aprende como a visão computacional nos cuidados de saúde está a melhorar a eficiência e vê o impacto da IA na agricultura visitando as nossas páginas de soluções!