Trilha de estudo · percepção visual
Visão
Computacional.
Como transformar pixels em informação sobre objetos, regiões, texto, movimento e eventos — com atenção à captura, ao contexto e ao custo de enxergar errado.
01 · Fundamentos
Uma imagem é uma matriz; uma cena é muito mais.
Pixels registram intensidade e cor. Perspectiva, iluminação, lente, movimento, oclusão e contexto determinam o que o algoritmo consegue inferir.
Visão Computacional
Área que cria métodos para extrair informação de imagens e vídeos: identificar conteúdo, localizar objetos, delimitar regiões, ler texto, estimar movimento e acompanhar mudanças.
Imagem digital
Resolução define a grade; canais representam cor; bit depth define níveis; metadados descrevem captura. Redimensionar, comprimir ou recortar altera o sinal.
02 · Pixels na prática
Antes de reconhecer objetos, o computador recebe números.
Aproxime a imagem, reduza a resolução e acompanhe cada quadrado de cor. Um pixel guarda intensidade; o significado surge das relações entre muitos pixels.
03 · Tarefas
A saída esperada muda todo o projeto.
“Reconhecer produto” pode significar uma classe na foto, caixas para vários itens ou uma máscara exata para medir área.
Classificação
Define uma ou mais categorias para a imagem inteira: defeito, espécie, documento ou cena.
Detecção
Localiza e classifica cada objeto. Útil para contagem, inspeção, segurança e tráfego.
Segmentação
Semântica classifica regiões; instance segmentation separa indivíduos da mesma classe.
OCR e documentos
Combina detecção, reconhecimento, layout e regras para formulários, notas e contratos.
Rastreamento
Associa o mesmo objeto entre quadros e mede direção, permanência e evento.
Pose e keypoints
Estima articulações, marcos faciais, mãos ou pontos anatômicos.
04 · Caixa de ferramentas
Visão clássica e aprendizado convivem.
Regras geométricas são eficientes quando o ambiente é controlado. Modelos aprendidos ganham flexibilidade quando há variação suficiente e dados representativos.
| Abordagem | Técnicas | Exemplo | Cuidados |
|---|---|---|---|
| Processamento | Filtro, histograma, threshold, morfologia. | Separar peça de fundo uniforme. | Iluminação e parâmetros fixos. |
| Bordas e forma | Sobel, Canny, contorno e Hough. | Linhas, círculos e dimensões. | Ruído, perspectiva e oclusão. |
| Features locais | SIFT, ORB, descritores e matching. | Alinhamento e reconhecimento. | Textura insuficiente e escala. |
| Movimento | Optical flow e background subtraction. | Rastrear deslocamento em vídeo. | Câmera móvel e sombras. |
| CNN | ResNet, EfficientNet e U-Net. | Classificação e segmentação. | Rótulos, domínio e custo. |
| Detecção | YOLO, Faster R-CNN e DETR. | Localizar múltiplos objetos. | Objetos pequenos e limiar. |
| Vision Transformer | ViT, Swin e modelos multimodais. | Representação e transferência. | Pré-treino, memória e latência. |
04.1 · Artigos e algoritmos
Abra a técnica, leia a fonte e reproduza o exemplo.
Documentação oficial para os métodos clássicos e artigos originais para as principais arquiteturas citadas nesta página.
Pixels, bordas, formas e movimento
Métodos úteis quando há regras visuais claras, pouco dado rotulado ou necessidade de processamento leve.
ThresholdingSeparação por intensidadeMorfologiaErosão, dilatação, abertura e fechamentoCannyDetecção de bordasTransformada de HoughLinhas e estruturas geométricasSIFTPontos de interesse invariantesORBFeatures rápidas e livresOptical FlowMovimento entre quadrosBackground SubtractionPrimeiro plano em vídeo
Representações aprendidas
Arquiteturas que transformaram classificação e passaram a servir como base para detecção e segmentação.
O que existe e onde está?
Modelos que devolvem classes, confiança e localização de múltiplos objetos em uma cena.
Uma classe para cada pixel
Arquiteturas para delimitar regiões ou separar instâncias individuais dentro da imagem.
Ordem sugeridaOpenCV básico→CNN + ResNet→Detecção ou segmentação→Transformers de visão
05 · Laboratório
Qual saída o negócio realmente precisa?
Escolha a pergunta visual. A página sugere a tarefa, famílias de modelos e métricas iniciais.
Antes de modelar, defina distância, câmera, iluminação, velocidade, privacidade e ação após o resultado.
Tarefa indicada
06 · Métricas
Avalie o que o usuário vê e o que a operação sofre.
Uma média global pode esconder falhas em objetos pequenos, pouca luz, tons de pele, câmeras específicas ou classes raras.
Classificação
Accuracy, precision, recall, F1, top-k e matriz de confusão. Calibração importa quando a confiança decide encaminhamento.
Detecção
IoU mede sobreposição. Average Precision combina precisão e recall por classe e limiar; mAP agrega os resultados.
Segmentação
IoU e Dice medem interseção entre máscara prevista e real. Boundary metrics ajudam quando contorno é crítico.
OCR
CER e WER medem edições em caracteres e palavras. Também avalie campos completos e impacto de negócio.
07 · Carros autônomos
Sim: visão computacional é central para entender a rua.
As câmeras ajudam a reconhecer faixas, semáforos, placas, veículos, ciclistas e pedestres. Sistemas autônomos também podem combinar lidar, radar, mapas e localização para ganhar profundidade, velocidade e redundância.
Câmeras e sensores
Câmeras capturam aparência e cor. Lidar estima geometria 3D. Radar mede distância e velocidade, inclusive em condições difíceis.
Visão computacional
Modelos detectam objetos, segmentam a pista, leem sinais, acompanham movimento e estimam espaço livre.
Movimento e intenção
O sistema estima trajetórias possíveis de veículos, ciclistas e pedestres ao longo do tempo.
Trajetória e controle
Planejamento escolhe uma ação compatível com regras, limites físicos, segurança e domínio operacional.
Uma câmera não mede tudo sozinha.
A câmera é forte em informação semântica, como a cor do semáforo. O lidar acrescenta estrutura 3D e distância; o radar acompanha velocidade e mantém vantagens em chuva, neblina ou poeira. A fusão aumenta confiança e cria redundância.
Exemplo: uma câmera pode reconhecer uma placa de “PARE”; dados de profundidade ajudam a distinguir uma placa real de um reflexo ou anúncio.
Como um veículo autônomo percebe o mundo
O guia técnico da Waymo explica câmeras, lidar, radar, fusão de sensores, oclusões e como percepção se conecta à previsão e ao planejamento.
Ler o Waymo Driver Handbook ↗Ver cenários de teste da NHTSA ↗O ponto principalVisão computacional responde “o que existe e onde está”. Dirigir ainda exige prever comportamento, planejar a trajetória, controlar o veículo, reconhecer incerteza e operar somente nas condições para as quais o sistema foi projetado.
08 · Casos e operação
A câmera faz parte do modelo.
Posição, manutenção, foco e luz precisam de monitoramento tanto quanto pesos e métricas.
Inspeção de qualidade
Classificação ou segmentação detecta defeitos. O caso exige amostras raras, iluminação controlada e rota de revisão.
Apoio à análise
Imagem médica pode priorizar exames ou marcar regiões, com validação clínica, controle de domínio e responsabilidade profissional.
Planta, praga e área
Drones e câmeras estimam cobertura, doença e contagem. Estação, altitude e sensor alteram distribuição.
Entrada automatizada
OCR extrai campos e regras validam totais, CNPJ, datas e consistência antes da integração.
Prateleira e estoque
Detecção mede presença e ruptura, mas precisa lidar com embalagem nova, oclusão e planograma.
Privacidade e viés
Minimize coleta, limite retenção e acesso, teste subgrupos e evite inferências incompatíveis com finalidade e consentimento.
09 · Leituras
Pixels, redes e prática.
Comece por processamento básico, avance para redes e sempre construa um conjunto de teste parecido com a operação.