IA e gestão de dados: transformar milhares de fotos em registros sobre os quais você pode agir

A IA de imagem na inspeção é, em sua maior parte, aprendizado profundo: ela aprende a aparência de fissuras, ferrugem e afins a partir de grandes conjuntos de fotos rotuladas. Por nível de detalhe, há três tipos de tarefa.

Na prática, elas são encadeadas: a classificação afunila para as imagens que parecem suspeitas, a detecção ou a segmentação extrai posição e forma, e os resultados são sobrepostos à fotogrametria para posicionar cada defeito em um elemento. Imagens ruins derrotam qualquer modelo; metade da precisão da IA é decidida no planejamento da captura.

O desempenho depende menos do nome do modelo do que daquilo com que ele aprendeu. Existem conjuntos de dados públicos de pesquisa, como coleções de imagens de fissuras em concreto (por exemplo, o SDNET2018, com mais de 56.000 imagens de tabuleiros de pontes, paredes e pavimentos) e conjuntos de pontes com múltiplos defeitos, com cinco classes de defeito sobrepostas (por exemplo, o CODEBRIM). Mas modelos treinados apenas com dados públicos quase sempre tropeçam em campo.

• Mudança de domínio: materiais, sujeira, luz, câmeras e distâncias diferentes dos dados de treinamento degradam o desempenho.
• Sósias: marcas de fôrma, juntas, remendos de reparo, sombras, escorrimentos de chuva, cabos, pichações. Tudo isso precisa ser aprendido como “não é defeito”.
• Desbalanceamento: imagens sem defeito dominam. Quanto mais raro o defeito, menos exemplos e mais omissões.
• Ruído de rotulagem: pessoas diferentes traçam a mesma fissura de formas diferentes. Escreva um guia de rotulagem alinhado à norma de inspeção.
• Reserve dados de avaliação: só imagens de locais não usados no treinamento revelam o desempenho real.

A largura da fissura orienta as decisões de reparo. O pipeline da IA é: ① segmentar os pixels da fissura, ② extrair a linha central (esqueleto), ③ contar os pixels perpendiculares a ela, ④ multiplicar pelo GSD (mm por pixel). Veja o capítulo de imagem visível para o GSD.

Como regra prática, conte com pelo menos cerca de ±1 pixel de erro na largura. Com GSD de 0,5 mm, isso dá em torno de ±0,5 mm. Se as decisões de reparo dependem de 0,2 ou 0,3 mm, aquela imagem não pode definir a largura. Relate sempre as larguras da IA junto com o GSD e o erro esperado.

O verdadeiro valor da inspeção está na mudança: a fissura cresceu, a ferrugem se espalhou, apareceu algo novo? No entanto, subtrair a foto do ano passado da deste ano quase nada significa — posições, luz, estação e sujeira são diferentes, então a maior parte da diferença é a forma como as fotos foram tiradas.

• Registre primeiro: alinhe as imagens dos dois anos ao modelo 3D ou às coordenadas do elemento.
• Compare defeitos, não pixels: construa um mapa de defeitos a cada ano e compare os mapas.
• Iguale as condições: mesma rota, mesma distância, luz semelhante. Reutilize o plano de captura todos os anos.
• Associe o erro à mudança: se “alargou 0,1 mm” for menor que o erro de medição, não é uma mudança.

A IA comete dois tipos de erro: falsos positivos (apontar o que não existe) e falsos negativos (deixar passar o que existe). Na inspeção, as omissões são as perigosas. Por isso os sistemas costumam ser ajustados com um limiar mais baixo para reduzir as omissões, deixando a revisão humana eliminar os falsos alarmes.

Igualmente importantes são as imagens que a IA nunca teve a chance de ver direito: desfocadas, escuras demais ou nunca tiradas. Os defeitos nelas produzem silêncio. Uma verificação de cobertura que mostre o que não foi capturado importa tanto quanto a própria detecção.

A IA acelera a busca, a medição e a comparação. Classificar, decidir a ação e explicar continuam com o inspetor responsável — algo que dificilmente mudará no regime de inspeção de qualquer país. Incorpore ao fluxo de trabalho a divisão entre humano e IA.

• Tela de revisão: mostre cada candidato da IA ao lado da imagem original, da localização e da imagem do ano anterior, para que uma pessoa possa aceitar, rejeitar ou editar.
• Realimente as correções: as edições humanas viram os próximos dados de treinamento (aprendizado com humano no circuito).
• Registre a versão do modelo: anote qual versão do modelo e qual limiar produziram cada resultado.
• Proteja-se contra a dependência excessiva: pessoas amostram algumas imagens que a IA não sinalizou.
• Pessoas assinam: as classificações de condição e as ações levam o nome do engenheiro responsável.

Para saber como as constatações da IA se tornam um relatório que um engenheiro pode assinar, veja redigir as constatações de drone e IA em um relatório de inspeção de fachada (Airffic Flight Institute).

A divisão entre o que a IA aponta e o que uma pessoa decide também é tratada, do lado do cliente, em como a IA e as pessoas dividem a inspeção predial (Airffic World).

Comparar ao longo dos anos exige que cada imagem carregue, em forma legível por máquina, qual estrutura, qual elemento, qual ponto e como foi capturada. Sem isso, nem a IA nem os gêmeos digitais conseguem acumular.

Fixe a nomenclatura dos elementos desde o início, alinhada à norma de inspeção e aos desenhos. Existem formatos comuns, como o BIM/CIM no Japão e o IFC da buildingSMART (estendido a pontes, estradas, ferrovias e portos com o IFC 4.3 em 2024). Os formatos mudam, por isso nunca perder o conteúdo — IDs, poses, condições — importa mais do que o formato.

Até 2035, as imagens de inspeção receberão IDs de elementos e condições no momento em que forem tiradas; a IA proporá candidatos e só as mudanças em relação à última vez chegarão à tela do engenheiro. As pessoas interpretam as mudanças, verificam-nas em campo e assinam seus julgamentos. A IA continua aprendendo com as correções humanas, e seu desempenho por tipo de estrutura e por região é publicado para comparação. Esta é a visão dos editores.

O que mais importa aí não é uma IA chamativa, mas convenções de dados pouco glamorosas: nomear, registrar condições, anotar os erros. As estruturas em que isso é mantido ano após ano são aquelas em que a inspeção realmente fica mais fácil.