Change Detection

A deteção de alterações é uma técnica de visão computacional para identificar diferenças significativas entre observações da mesma cena capturadas em momentos diferentes. Em vez de perguntar apenas o que aparece numa imagem, pergunta o que apareceu, desapareceu, se moveu, cresceu, encolheu ou mudou de estado. Um sistema pode comparar duas fotografias, fotogramas de vídeo consecutivos ou uma série temporal mais longa. O seu resultado pode ser um mapa de alterações binário, regiões rotuladas, objetos alterados ou medições como a área de terra recentemente inundada.

Como Funciona a Deteção de Alterações#

Um fluxo de trabalho típico começa com duas ou mais imagens da mesma área. A deteção de alterações bitemporal compara duas datas, enquanto a deteção de alterações multitemporal analisa uma sequência para distinguir eventos isolados de tendências graduais.

Antes da comparação, as imagens devem ser tornadas compatíveis:

1. Alinhamento: O registo de imagens coloca pontos de cena correspondentes nas mesmas coordenadas de píxeis. Caso contrário, até um pequeno desvio da câmara pode criar falsas extremidades à volta de cada objeto.
2. Normalização: O brilho, a cor, as condições atmosféricas e as respostas dos sensores são ajustados. Para análise de satélite, os produtos de reflectância de superfície melhoram as comparações ao reduzir os efeitos atmosféricos.
3. Representação: O sistema compara píxeis em bruto, caraterísticas visuais extraídas, objetos detetados ou máscaras de segmentação. Um método básico pode usar diferenças de imagem absolutas do OpenCV, enquanto modelos treinados podem reconhecer alterações semânticas apesar de diferenças modestas de iluminação ou ponto de vista.
4. Decisão: Um limiar separa a alteração significativa do ruído. Medidas de semelhança como as da API de métricas de imagem do scikit-image podem quantificar quão fortemente duas observações diferem.
5. Pós-processamento: Pequenas deteções isoladas podem ser removidas, píxeis vizinhos unidos em regiões e as alterações receber rótulos como "novo edifício" ou "componente em falta".

A alteração mínima detetável é a menor alteração que um sistema consegue separar de forma fiável do ruído do sensor, erro de registo e variação normal. Depende da resolução da imagem, do tamanho do objeto, do contraste, da qualidade do pré-processamento e do limiar selecionado.

Conceitos Relacionados e Distinções Chave#

A deteção de alterações sobrepõe-se a várias tarefas de visão, mas cada uma responde a uma pergunta diferente:

• A deteção de anomalias identifica observações que diferem de uma definição aprendida de normal, por vezes usando apenas uma imagem. A deteção de alterações requer uma comparação temporal ou de referência e não implica que a alteração seja anormal.
• A deteção de objetos localiza e classifica objetos de forma independente em cada imagem. A comparação de deteções entre datas pode revelar objetos adicionados ou removidos.
• A segmentação de imagens atribui rótulos ao nível do píxel. A deteção de alterações pode comparar máscaras de segmentação para medir formas ou áreas alteradas com precisão.
• O rastreio de objetos mantém as identidades dos objetos em fotogramas de vídeo e dá ênfase ao movimento e às trajetórias. A deteção de alterações foca-se habitualmente em alterações no conteúdo ou estado da cena, que podem ocorrer ao longo de minutos, meses ou anos.
• A deriva de dados descreve alterações na distribuição estatística das entradas de produção. Diz respeito à fiabilidade do modelo, enquanto a deteção de alterações visuais diz respeito a diferenças dentro das cenas observadas.

Aplicações no Mundo Real#

Observação da Terra e avaliação de desastres: Os analistas comparam imagens de satélite para mapear a desflorestação, a expansão urbana, o movimento da linha de costa, danos por incêndios florestais ou inundações. A análise de imagens de satélite pode combinar dados multiespectrais com segmentação para classificar cada região alterada. A coleção Earthshots do USGS demonstra como imagens Landsat de antes e depois revelam a transformação ambiental, enquanto a NASA fornece um fluxo de trabalho prático de deteção de alterações por diferença logarítmica. Programas de longo prazo como NOAA Coastal Land Cover and Change convertem estas comparações em informação para o planeamento de cheias e gestão costeira.

Inspeção industrial: Uma câmara fixa pode comparar uma montagem antes e depois de uma etapa de produção. A deteção pode revelar um parafuso em falta ou um componente recentemente colocado, enquanto a segmentação pode medir uma fissura ou superfície danificada. Na inspeção visual de fabrico automatizada, uma alteração não detetada pode permitir que um produto defeituoso continue a jusante, enquanto falsos alarmes podem causar paragens de linha desnecessárias e revisões manuais.

Deteção de Alterações com Ultralytics YOLO#

O Ultralytics YOLO pode fornecer a fase de perceção semântica de um pipeline de deteção de alterações. Por exemplo, um modelo de segmentação YOLO26 personalizado pode processar imagens registadas de antes e depois através do modo de previsão do YOLO:

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

Este fluxo de trabalho produz máscaras de objetos e rótulos para cada observação. Uma aplicação a jusante pode corresponder a classes semelhantes e comparar a sua presença, posição ou área de máscara. Para categorias especializadas, as equipas podem anotar imagens emparelhadas, treinar modelos personalizados e gerir a implementação utilizando a Ultralytics Platform.

Desafios Práticos e Melhores Práticas#

Uma deteção de alterações fiável requer mais do que subtrair imagens. O movimento da câmara, sombras, vegetação sazonal, reflexos, nuvens e oclusão podem assemelhar-se a alterações reais. As equipas devem manter os pontos de vista e as definições dos sensores consistentes, registar as imagens antes da comparação, treinar com variação representativa de "sem alteração" e selecionar limiares utilizando dados de validação.

A avaliação deve medir tanto os falsos positivos, como sombras rotuladas como alterações estruturais, quanto os falsos negativos, como pequenos defeitos que passam despercebidos. O equilíbrio adequado depende das consequências: o mapeamento de desastres pode priorizar a recuperação, enquanto uma linha de inspeção de alto volume pode precisar de uma precisão mais rigorosa para evitar alarmes excessivos. A revisão humana continua a ser valiosa para resultados ambíguos ou de alto impacto.