Computer Vision

Visão humana parece trivial. Abrimos os olhos e instantaneamente sabemos o que está na cena: um cachorro correndo, uma placa de trânsito, um rosto conhecido, um produto com defeito na linha de produção. O que parece simples é o resultado de décadas de aprendizado evolutivo e individual processado por um sistema visual extraordinariamente complexo. Para computadores, o mesmo problema — transformar pixels em compreensão de cena — foi um dos mais difíceis da IA por décadas.

Computer Vision é o campo da IA dedicado a fazer máquinas "enxergarem" — interpretar e entender informação visual de imagens, vídeos e outros dados ópticos. A virada aconteceu em 2012, quando redes neurais convolucionais (CNNs) reduziram o erro em classificação de imagens de forma que nenhuma abordagem anterior havia conseguido. Desde então, a trajetória foi de aceleração contínua: detecção de objetos em tempo real, segmentação semântica pixel a pixel, geração de imagens fotorrealistas, reconstrução 3D de cenas a partir de fotos 2D.

Hoje, Computer Vision está em qualquer lugar: câmeras de segurança que detectam comportamentos suspeitos, sistemas de inspeção industrial que identificam defeitos invisíveis ao olho humano, aplicativos que traduzem placas em tempo real, veículos autônomos que interpretam o ambiente em milissegundos.

Classificação de imagem: dada uma imagem, atribuir uma ou mais categorias. "Esta foto é de um gato? de um produto eletrônico? de uma face humana?" A tarefa mais simples e a que inaugurou a revolução com ImageNet. CNNs como ResNet, EfficientNet e ViTs dominam.

Detecção de objetos: localizar e classificar múltiplos objetos dentro de uma imagem, com caixas delimitadoras (bounding boxes). "Há três pessoas, dois carros e uma placa de pare nesta cena, nas seguintes coordenadas." Modelos como YOLO (You Only Look Once) fazem isso em tempo real em hardware comum.

Segmentação semântica: classificar cada pixel da imagem para uma categoria. Em vez de "há uma pessoa aqui", "estes 47.000 pixels são pessoa, estes são estrada, estes são céu." Essencial em visão para veículos autônomos e análise de imagens médicas.

Segmentação de instância: vai além da segmentação semântica: distingue instâncias individuais da mesma classe. "Esta é a pessoa 1, aquela é a pessoa 2" — não apenas "há pessoas aqui". Mask R-CNN é o modelo de referência histórico; SAM (Segment Anything Model) da Meta generalizou o problema.

Reconhecimento facial: detectar e identificar faces. Pode ser verificação (esta face é a mesma que a do documento?) ou identificação (quem é esta pessoa na base de dados?). Tecnologia madura com implicações de privacidade significativas — regulamentada ou proibida em vários contextos.

OCR e leitura de documentos: extrair texto de imagens — fotos de documentos, notas fiscais, placas. OCR clássico para texto impresso; modelos modernos lidam com manuscritos, documentos de baixa qualidade e múltiplos idiomas.

Estimativa de pose: detectar e rastrear posição do corpo humano — articulações, ângulos, postura. Aplicações em fisioterapia, análise de movimento esportivo, interfaces sem toque.

Geração de imagem: criar imagens novas a partir de prompts de texto (DALL-E, Midjourney, Stable Diffusion) ou a partir de outras imagens. Diffusion models são o estado da arte atual.

Redes Convolucionais (CNNs): dominaram Computer Vision de 2012 a ~2021. Convoluções são operações que aplicam filtros locais sobre a imagem, detectando padrões independentemente de posição. As primeiras camadas detectam bordas e texturas; camadas mais profundas detectam formas e conceitos. AlexNet (2012), VGG, ResNet (com conexões residuais que permitiram redes muito mais profundas), EfficientNet — a genealogia de modelos de visão.

Vision Transformers (ViT): a arquitetura Transformer, originalmente para texto, foi adaptada para imagens em 2020: a imagem é dividida em patches, tratados como tokens. ViTs superam CNNs em escala, mas precisam de mais dados para treinamento do zero. Modelos híbridos combinam as duas abordagens.

Modelos fundacionais de visão: CLIP (OpenAI), DINOv2 (Meta), SAM — modelos pré-treinados em bilhões de pares imagem-texto que aprendem representações ricas reutilizáveis para múltiplas tarefas. Transfer learning em visão: fine-tunar um desses modelos com poucas centenas de imagens do domínio específico frequentemente supera modelos treinados do zero com milhares.

Inspeção de qualidade em manufatura: câmeras industriais combinadas com modelos de visão detectam defeitos (arranhões, rachaduras, deformações, contaminação) com precisão e velocidade que superam inspeção humana. Sistemas como Landing AI e soluções de prateleira permitem deployment sem expertise profunda em ML.

Análise de varejo: contagem de pessoas, heatmaps de fluxo, detecção de prateleiras desabastecidas, análise de comportamento de compra por câmera. Varejistas usam CV para otimizar layout de loja e reposição de estoque.

Agropecuária de precisão: drones com câmeras multiespectrais e modelos de CV monitoram saúde de plantações (identificam pragas, doenças, estresse hídrico), contam animais em pastagens, avaliam produtividade por área.

Saúde e diagnóstico: análise de imagens de radiologia (raios-X, tomografia, ressonância), dermatologia (classificação de lesões de pele), patologia digital (análise de lâminas histológicas). Modelos FDA-aprovados já operam em hospitais — como auxiliares, não substitutos de médicos.

Segurança e monitoramento: detecção de intrusão, reconhecimento de placas veiculares (ALPR), monitoramento de EPI em ambientes industriais (capacete, colete, óculos). Implicações de privacidade variam por aplicação e jurisdição.

Veículos autônomos: talvez a aplicação mais exigente — câmeras, LiDAR e radar combinados com CV para entender a cena em tempo real e tomar decisões de direção. Onde o custo de erro é máximo.

Computer Vision é voraz em dados rotulados — e rótulos de imagem são caros de produzir. Anotar 10.000 imagens com bounding boxes exige trabalho humano significativo.

Estratégias para reduzir dependência de dados: transfer learning (começar de modelo pré-treinado), data augmentation (rotação, flip, mudanças de brilho, cortes aleatórios — multiplicam dados disponíveis artificialmente), synthetic data (gerar imagens sintéticas de cenas que são difíceis ou perigosas de capturar em volume real — defeitos raros, acidentes, condições extremas), few-shot learning (modelos que generalizam de poucos exemplos com técnicas especializadas).

Qualidade de anotação: lixo entra, lixo sai. Anotações inconsistentes entre anotadores, classes ambíguas, exemplos mal rotulados — tudo se traduz em modelo que aprende padrões errados. Guias de anotação claros e revisão de qualidade são investimento obrigatório.

Computer Vision com câmeras cria tensão fundamental entre utilidade e privacidade — especialmente quando envolve reconhecimento facial e monitoramento de pessoas.

Reconhecimento facial em espaços públicos: proibido ou severamente restrito em várias jurisdições europeias sob GDPR. No Brasil, a ANPD ainda não emitiu regulação específica, mas LGPD se aplica — dados biométricos são dados sensíveis com requisitos de consentimento mais estritos.

Viés em sistemas de CV: sistemas de reconhecimento facial demonstraram taxas de erro significativamente maiores para pessoas negras e mulheres em estudos independentes — resultado de bases de treinamento não representativas. O viés não é apenas problema ético; em aplicações de segurança ou benefícios, resulta em discriminação real.

Monitoramento de funcionários: câmeras para monitorar produtividade de trabalhadores em armazéns e call centers levantam questões de relação trabalhista e dignidade que vão além da legalidade técnica.

Computer Vision é a tecnologia de IA com maior potencial não explorado em setores industriais e de manufatura no Brasil. A lacuna não é tecnológica — ferramentas acessíveis existem — é de conhecimento aplicado sobre onde implantar e como justificar o investimento.

Para PMEs industriais, o caso de entrada mais acessível é inspeção de qualidade visual em linhas de produção onde há inspeção humana hoje: o problema está bem definido, os dados (imagens de produtos bons e defeituosos) são relativamente fáceis de coletar, e o ROI em redução de retrabalho e falhas pós-venda é mensurável. Câmeras industriais são baratas; plataformas de visão industrial como Cognex, Keyence ou soluções baseadas em modelos de código aberto democratizaram o acesso. O investimento que precisa ser justificado é tempo de configuração e curadoria de dados — não licença de tecnologia.