Câmeras instaladas em veículos, drones, robôs de inspeção e pontos fixos estão deixando de ser simples equipamentos de gravação. Associadas à inteligência artificial, elas passam a identificar vazamentos, defeitos em pavimentos, tampas desniveladas, erosões, irregularidades em redes de esgoto, problemas de segurança e falhas na execução de obras praticamente sem depender de alguém assistindo continuamente às imagens.
Essa transformação já chegou ao saneamento brasileiro.
A Sabesp passou a utilizar câmeras, sensores e visão computacional em veículos para reconhecer irregularidades no pavimento e cruzá-las com informações sobre ativos e intervenções da companhia. O sistema consegue evidenciar buracos, fissuras, escorregamentos, desníveis em poços de visita e indícios de possíveis vazamentos. Além disso, as imagens podem ser utilizadas para verificar a conformidade de serviços executados em campo. (MundoGEO)
Enquanto isso, o Grupo Águas do Brasil desenvolveu um projeto no qual fotografias das valas são analisadas por visão computacional para medir automaticamente largura, comprimento e espessura. Ou seja, uma atividade que tradicionalmente depende de medição presencial começa a ganhar uma camada digital de conferência e rastreabilidade. (Saneamento Ambiental)
No exterior, a aplicação já alcançou escala ainda maior na inspeção de redes de esgoto. Houston, nos Estados Unidos, utiliza inteligência artificial para analisar vídeos de CCTV, controlar a qualidade das inspeções e apoiar decisões sobre uma rede com milhares de quilômetros de tubulações. (sewerai.com)
Portanto, o avanço da Computer Vision no saneamento não representa simplesmente a instalação de novas câmeras. A mudança mais importante ocorre na forma como as companhias transformam imagem em dado técnico e dado técnico em decisão operacional.
O que é Computer Vision no saneamento?
Computer Vision, ou visão computacional, é um conjunto de técnicas de inteligência artificial que permite que sistemas computacionais interpretem imagens e vídeos.
Em termos simples, uma câmera registra a cena. Em seguida, algoritmos analisam os pixels, identificam padrões e classificam o que aparece naquela imagem.
Assim, o sistema pode aprender, por exemplo, como normalmente se apresenta:
- um vazamento aparente;
- uma fissura no asfalto;
- um buraco;
- uma tampa de poço de visita desnivelada;
- uma erosão;
- uma vala fora do padrão;
- uma tubulação fissurada;
- uma raiz invadindo uma rede de esgoto;
- um trabalhador sem capacete;
- uma recomposição asfáltica defeituosa.
Quanto maior e melhor for a base de imagens utilizada para treinar e validar o modelo, maior tende a ser sua capacidade de diferenciar situações normais de situações potencialmente anormais.
Entretanto, existe uma diferença fundamental entre reconhecer um objeto e tomar uma decisão técnica.
Uma câmera pode identificar uma fissura. Contudo, definir se aquela fissura exige intervenção imediata, monitoramento ou nenhuma ação continua dependendo de critérios de engenharia, manutenção, risco e orçamento.
Por isso, a aplicação mais consistente de Computer Vision no saneamento utiliza a inteligência artificial como ferramenta de apoio aos profissionais e não como substituta do conhecimento técnico.
Por que a visão computacional ganhou espaço agora?
As companhias de saneamento possuem uma característica que favorece enormemente esse tipo de tecnologia: existem milhares ou milhões de ativos distribuídos territorialmente.
Redes, ligações, poços de visita, tampas, reservatórios, estações, elevatórias, adutoras, valas, pavimentos e obras precisam ser continuamente observados.
Entretanto, a fiscalização tradicional encontra uma limitação inevitável: pessoas conseguem inspecionar apenas uma quantidade limitada de locais por dia.
A câmera muda essa relação.
Um veículo operacional já utilizado para outras atividades pode, por exemplo, coletar imagens das ruas enquanto circula. Um drone pode percorrer quilômetros de faixas de servidão. Um robô pode filmar centenas de metros de uma tubulação. Uma câmera fixa pode acompanhar continuamente um canteiro.
Posteriormente, a inteligência artificial filtra milhares de imagens e apresenta apenas as ocorrências relevantes aos profissionais.
Consequentemente, a lógica da inspeção começa a migrar de uma atividade baseada exclusivamente em amostras para uma atividade de monitoramento muito mais abrangente.
1. Vazamentos podem ser identificados por imagens
Um dos usos mais interessantes da Computer Vision no saneamento está na identificação de sinais superficiais de vazamento.
Um vazamento subterrâneo nem sempre aparece claramente na superfície. No entanto, quando existem indícios visuais, algoritmos podem procurar padrões como:
água acumulada em períodos sem chuva, fluxo anormal próximo ao meio-fio, manchas persistentes, pavimento úmido ou alterações recorrentes na superfície.
A Sabesp já utiliza uma solução com câmeras e sensores instalados em veículos que circulam pelas cidades. Os dados são georreferenciados e analisados por algoritmos capazes de reconhecer alguns desses padrões. (Aranda Net)
Isso não elimina métodos tradicionais.
Geofones, correlacionadores, sensores acústicos, balanços hídricos, telemetria, análise de vazão mínima noturna e modelagem hidráulica continuam fundamentais.
A visão computacional acrescenta mais uma camada.
Quando diferentes tecnologias são combinadas, uma companhia pode utilizar dados hidráulicos para identificar uma região suspeita e imagens para priorizar locais onde existam evidências visuais.
Dessa maneira, reduz-se a quantidade de inspeções improdutivas e aumenta-se a probabilidade de direcionar equipes para pontos realmente relevantes.
2. Redes de esgoto são uma das aplicações mais maduras
Provavelmente, uma das aplicações mais consolidadas de Computer Vision no saneamento ocorre dentro das próprias tubulações de esgoto.
Durante décadas, o processo tradicional de inspeção por CCTV funcionou basicamente assim:
um robô equipado com câmera percorria a rede, gravava as imagens e posteriormente um técnico assistia ao vídeo, identificando defeitos e classificando a condição da tubulação.
Esse processo continua sendo extremamente importante. Entretanto, pode consumir muitas horas e apresentar diferenças entre interpretações realizadas por profissionais distintos.
Estudos científicos mostram justamente que a análise manual de imagens de redes pode ser trabalhosa e sujeita a inconsistências, reforçando o potencial da automação como ferramenta de apoio. (doi.org)
Com inteligência artificial, parte dessa análise passa a ser automática.
Algoritmos podem procurar:
trincas, juntas deslocadas, infiltrações, raízes, depósitos, deformações, obstruções, corrosão e outros padrões registrados pelas câmeras.
O profissional recebe então uma inspeção previamente classificada e concentra seu tempo na validação das ocorrências mais relevantes.
A mudança é significativa.
O especialista deixa de gastar grande parte de sua jornada procurando defeitos em horas de vídeo e passa a dedicar mais energia à interpretação do risco, definição da intervenção e planejamento da manutenção.
Houston mostra o potencial da tecnologia em escala
A cidade de Houston representa um dos casos internacionais mais relevantes.
O sistema de coleta de esgoto possui aproximadamente 6 mil milhas de rede e mais de 129 mil poços de visita. Dentro de um amplo programa de avaliação exigido por acordo com autoridades ambientais norte-americanas, a cidade passou a incorporar inteligência artificial às inspeções.
Segundo o caso divulgado pela empresa responsável pela plataforma, o uso da solução contribuiu para aumentar em 53% a quantidade anual de quilômetros inspecionados e reduzir falhas na entrega de dados de contratadas. (sewerai.com)
O aspecto mais importante, entretanto, não é simplesmente a velocidade.
O sistema cria uma segunda camada de controle.
Isso permite que a companhia confronte imagens, classificações e serviços apresentados pelas empresas de inspeção antes de utilizar essas informações para tomar decisões de investimento.
Em sistemas de grande porte, pequenas diferenças na classificação de milhares de quilômetros podem modificar significativamente a priorização do CAPEX.
3. Tampas de poços de visita podem ser monitoradas automaticamente
Outro campo com grande potencial é a inspeção de tampas de poços de visita.
As tampas estão espalhadas por toda a cidade e submetidas diariamente ao tráfego, recalques do pavimento e intervenções de diferentes concessionárias.
Uma inspeção manual em larga escala é cara.
Entretanto, veículos equipados com câmeras podem registrar milhares de quilômetros de vias enquanto executam outras atividades.
Modelos de inteligência artificial conseguem localizar tampas e avaliar determinadas condições visuais.
Pesquisas recentes demonstram capacidade de identificar tampas por visão computacional e analisar situações como deslocamento, dano e subsidência. Um estudo publicado no Scientific Reports alcançou elevada precisão na identificação automática desse tipo de infraestrutura, demonstrando a viabilidade técnica da abordagem. (Nature)
Para companhias de saneamento, essa tecnologia pode permitir a criação de um verdadeiro cadastro dinâmico.
Cada passagem de um veículo poderia atualizar a condição visual daquele ativo.
Assim, uma tampa em boas condições hoje poderia ser automaticamente comparada com a imagem capturada alguns meses depois.
4. Recomposição de pavimento pode deixar de depender apenas da vistoria presencial
Uma das maiores oportunidades de Computer Vision no saneamento está justamente depois da execução do serviço.
Uma ligação nova, reparo de vazamento ou intervenção em rede pode ser tecnicamente perfeita abaixo do solo e, ainda assim, gerar insatisfação caso a recomposição da via seja mal executada.
Buracos, recalques, fissuras, desníveis e acabamento inadequado afetam diretamente a percepção do cliente.
Além disso, o problema pode provocar retrabalho, abertura de reclamações, sanções municipais e custos adicionais.
A Sabesp avançou exatamente nesse ponto.
A solução utilizada pela companhia combina câmeras inteligentes, sensores e visão computacional para acompanhar intervenções em vias públicas. O sistema identifica defeitos e cruza as ocorrências com informações sobre ativos e serviços realizados pela empresa. (MundoGEO)
Segundo divulgação do Governo de São Paulo, tecnologias de inspeção e inteligência artificial passaram a integrar a estratégia de melhoria das recomposições, em um período no qual houve redução de 42% no tempo médio de recuperação das vias. Esse resultado não deve ser interpretado como efeito isolado de um algoritmo, mas demonstra como digitalização, fiscalização e gestão operacional podem atuar conjuntamente. (Agência SP)
O potencial vai além.
Uma futura rotina automatizada pode comparar a imagem da via antes da intervenção, imediatamente depois da recomposição e novamente após determinado período.
Dessa forma, seria possível acompanhar também a durabilidade do serviço.
5. Visão computacional pode conferir dimensões de valas
A medição de valas é outra atividade aparentemente simples, porém extremamente importante.
Largura, comprimento e profundidade influenciam quantitativos de escavação, reaterro, materiais, transporte e recomposição.
Consequentemente, essas dimensões também podem impactar medições contratuais.
O Grupo Águas do Brasil desenvolveu um projeto-piloto justamente para automatizar essa atividade.
Por meio de imagens enviadas do campo, a solução utiliza visão computacional para estimar largura, comprimento e espessura das valas. (Saneamento Ambiental)
A aplicação aponta para uma transformação relevante na fiscalização contratual.
Uma fotografia deixa de funcionar apenas como comprovação visual de que o serviço ocorreu.
Ela passa a possuir potencial metrológico.
Associada a geolocalização, horário, ordem de serviço e dados contratuais, a imagem pode formar uma evidência muito mais estruturada da execução.
Isso não elimina levantamentos tradicionais quando a precisão formal exigida assim determinar. Contudo, cria uma poderosa camada de conferência.
6. Erosões e taludes podem ser acompanhados por drones e IA
Adutoras, estações, barragens, reservatórios e faixas de servidão frequentemente ocupam grandes áreas.
Inspecionar todos esses locais continuamente exige equipes, deslocamento e tempo.
Drones reduzem parte desse esforço.
Porém, a verdadeira transformação acontece quando milhares de imagens captadas pelo drone deixam de ser analisadas individualmente.
Soluções atuais já combinam drones, processamento 3D, visão computacional e inteligência artificial para detectar erosão, subsidência, vegetação excessiva, fissuras e outras anomalias em infraestrutura hídrica. (Siemens)
Além disso, imagens coletadas em períodos diferentes podem ser comparadas.
Com isso, uma pequena erosão identificada em janeiro pode ser confrontada com registros de abril, julho e outubro.
O interesse deixa de ser simplesmente saber se existe erosão.
Passa-se a medir sua evolução.
Esse conceito é particularmente importante para manutenção baseada em risco.
7. Câmeras podem ajudar a identificar falta de EPI
A segurança operacional também está entrando no campo da visão computacional.
Algoritmos já disponíveis comercialmente conseguem verificar elementos visuais como capacete, colete de alta visibilidade, óculos, luvas e outros equipamentos claramente identificáveis na imagem.
Também podem observar pessoas entrando em zonas previamente definidas como restritas.
Em grandes obras de saneamento, estações, escavações e canteiros, isso permite criar uma camada adicional de prevenção.
Uma câmera deixa de apenas registrar um acidente depois que ele aconteceu.
Ela pode gerar um alerta sobre uma condição de risco.
Plataformas para construção já utilizam modelos desse tipo, e provedores de infraestrutura em nuvem vêm documentando arquiteturas específicas para detecção automatizada de EPI por inteligência artificial. (Amazon Web Services, Inc.)
Entretanto, é fundamental manter um princípio claro.
A câmera não substitui SESMT, fiscalização de segurança, treinamento, análise preliminar de risco, procedimentos operacionais ou obrigações previstas nas Normas Regulamentadoras.
No Brasil, a NR-6 continua estabelecendo os requisitos relacionados aos equipamentos de proteção individual. (Serviços e Informações do Brasil)
Portanto, a tecnologia deve funcionar como barreira complementar.
8. A IA pode acompanhar a própria execução da obra
Outro avanço ocorre no acompanhamento do progresso físico.
Câmeras fixas, smartphones e drones conseguem produzir registros frequentes de uma obra.
Modelos de visão computacional podem comparar essas imagens ao planejamento, identificar elementos já executados e organizar evidências por frente de serviço.
Essa abordagem permite verificar, por exemplo:
se uma frente realmente avançou;
se determinado trecho foi executado;
quando ocorreu determinada etapa;
quanto tempo determinado equipamento permaneceu no local;
se uma área foi recomposta;
se o canteiro permaneceu organizado;
e se existe incompatibilidade entre avanço registrado e medição apresentada.
A aplicação é especialmente relevante para companhias que administram simultaneamente centenas ou milhares de ordens de serviço e contratos.
Consequentemente, a Computer Vision no saneamento começa a aproximar operação, engenharia, fiscalização, gestão contratual e tecnologia da informação.
9. O que muda para os profissionais de saneamento?
Uma leitura superficial poderia sugerir que a tecnologia reduziria a importância dos profissionais.
Na prática, ocorre exatamente o contrário quando a implantação é bem conduzida.
Quanto maior a quantidade de informação produzida automaticamente, maior se torna a necessidade de profissionais capazes de interpretar corretamente essa informação.
A inteligência artificial consegue indicar que determinado ponto possui 87% de probabilidade de apresentar uma anomalia.
Entretanto, o profissional de saneamento precisa decidir:
qual é a criticidade do ativo;
qual o risco para o abastecimento;
qual o risco ambiental;
qual serviço deve ser executado;
qual equipe deve ser mobilizada;
qual prioridade deve ser atribuída;
qual norma deve ser aplicada;
qual solução possui melhor custo do ciclo de vida.
Portanto, o conhecimento operacional não perde valor.
Ele passa a ser potencializado.
A função humana migra progressivamente da coleta repetitiva de informação para tarefas de maior valor técnico: validação, diagnóstico, engenharia, fiscalização e tomada de decisão.
10. Como funciona tecnicamente uma solução de Computer Vision no saneamento?
Embora cada aplicação possua particularidades, uma arquitetura moderna geralmente possui cinco camadas.
Primeira camada: captura
As imagens podem vir de câmeras instaladas em veículos, smartphones, CCTV de redes de esgoto, drones, câmeras fixas, robôs ou outros equipamentos.
Segunda camada: localização e contexto
A imagem ganha muito mais valor quando possui coordenada, data, horário, ativo relacionado, ordem de serviço e identificação da intervenção.
Terceira camada: processamento por IA
Modelos de deep learning analisam as imagens.
Dependendo da aplicação, podem realizar detecção de objetos, classificação, segmentação ou comparação temporal.
Quarta camada: validação
As ocorrências relevantes são apresentadas para profissionais.
Em aplicações críticas, a validação humana continua essencial.
Quinta camada: integração
Finalmente, o resultado precisa chegar aos sistemas corporativos.
GIS, gestão de ativos, manutenção, ordens de serviço, gestão de contratos e dashboards podem receber essas informações.
Sem essa última etapa, existe risco de se criar apenas mais um sistema isolado.
11. Quais indicadores devem medir o sucesso?
Um projeto de Computer Vision no saneamento não deveria ser avaliado pela quantidade de câmeras instaladas.
Também não deveria ser avaliado simplesmente pela quantidade de imagens processadas.
O indicador principal precisa estar relacionado ao problema operacional.
Em detecção de vazamentos, podem ser avaliados:
percentual de alertas confirmados, tempo entre identificação e reparo, volume estimado recuperado e redução de inspeções improdutivas.
Em recomposição de pavimento:
tempo médio de recomposição, reincidência, retrabalho, reclamações e não conformidades.
Em CCTV:
quilômetros avaliados por profissional, tempo de análise, divergência entre classificações e quantidade de defeitos críticos identificados.
Em segurança:
quantidade de eventos detectados, reincidência por frente de serviço e tempo de resposta.
Em obras:
diferenças de medição, produtividade da fiscalização e redução do tempo de aprovação.
A tecnologia gera valor quando um desses indicadores melhora.
12. O maior erro seria comprar a tecnologia antes de definir o problema
A implantação deve começar pelo processo e não pela câmera.
Primeiramente, precisa ser identificado um problema mensurável.
Por exemplo:
“existem muitas reclamações relacionadas a recomposição de pavimento”.
Em seguida, deve ser estabelecido um indicador de referência.
Depois, coleta-se uma base real de imagens da própria operação.
Somente então o modelo deve ser testado.
Essa sequência evita um problema frequente em projetos de transformação digital: comprar tecnologia sofisticada e depois tentar encontrar onde utilizá-la.
13. A precisão precisa ser medida no ambiente real
Modelos apresentados em demonstrações podem funcionar perfeitamente.
Uma operação real é diferente.
No saneamento existe chuva, lama, reflexo, poeira, baixa iluminação, vegetação, veículos, pessoas, água, tubulações de materiais diferentes e câmeras posicionadas em ângulos diferentes.
Uma fissura observada sob luz solar pode parecer diferente à noite.
Um vazamento pode ser confundido com água de chuva.
Uma tampa pode estar parcialmente coberta.
Uma rede de concreto pode gerar reflexos distintos daqueles observados em PVC.
A literatura técnica sobre inspeção de pavimentos e infraestrutura mostra justamente que iluminação, ambiente, variedade de defeitos e qualidade da base de treinamento afetam a robustez dos modelos. (Sage Journals)
Consequentemente, indicadores como precisão, recall, falsos positivos e falsos negativos precisam ser medidos utilizando imagens reais da área de operação.
14. Falso positivo e falso negativo possuem custos diferentes
Esse é um dos pontos mais importantes da implementação.
Um falso positivo acontece quando a inteligência artificial aponta um problema que não existe.
Isso pode provocar uma vistoria desnecessária.
Um falso negativo ocorre quando existe problema, mas o modelo não identifica.
Dependendo da aplicação, isso pode ser muito mais grave.
Uma erosão crítica, uma falha estrutural ou uma situação de segurança não detectada pode gerar consequências importantes.
Portanto, não existe simplesmente “uma taxa de acerto boa”.
O desempenho precisa ser analisado de acordo com o risco do processo.
15. LGPD também precisa fazer parte do projeto
Câmeras instaladas em vias públicas e ambientes de trabalho podem registrar pessoas, veículos e outras informações.
Por isso, governança de dados precisa ser prevista desde o início.
A Autoridade Nacional de Proteção de Dados destaca que informações relacionadas a pessoas identificadas ou identificáveis são dados pessoais e chama atenção para riscos ligados ao uso de inteligência artificial, transparência e finalidade do tratamento. (Serviços e Informações do Brasil)
Consequentemente, projetos devem avaliar finalidade, necessidade de armazenamento, tempo de retenção, controle de acesso, segurança da informação e tratamento das imagens.
Reconhecimento facial, por exemplo, representa uma categoria muito mais sensível do que simplesmente detectar se existe uma pessoa usando capacete.
Por isso, sempre que possível, a arquitetura deve coletar apenas as informações necessárias ao objetivo operacional.
16. Companhias que já utilizam ou testam a tecnologia
A adoção já possui exemplos relevantes.
Sabesp — Brasil
A Sabesp utiliza câmeras embarcadas, sensores e visão computacional para apoiar a identificação de defeitos no pavimento, desníveis, fissuras, possíveis vazamentos e acompanhamento de intervenções urbanas. (MundoGEO)
Grupo Águas do Brasil — Brasil
O Grupo desenvolveu piloto de visão computacional para mensuração automática de dimensões de valas a partir de imagens capturadas em campo. (Saneamento Ambiental)
Houston Public Works — Estados Unidos
Houston utiliza inteligência artificial para apoiar a análise e o controle de qualidade de inspeções de redes de esgoto por CCTV em um dos maiores programas desse tipo no mundo. (SewerAI)
Northumbrian Water — Reino Unido
A utility incorporou inteligência artificial à análise de inspeções de rede para apoiar a priorização de intervenções relacionadas a bloqueios e alagamentos por esgoto. Segundo o caso divulgado, foram analisadas milhares de inspeções e houve melhoria de indicadores operacionais entre 2023 e 2024. (Vapar)
City West Water — Austrália
Em projeto de validação, aproximadamente 14 quilômetros de redes foram analisados e quase 5 mil características e defeitos foram digitalizados, buscando maior padronização da avaliação das inspeções. (Vapar)
Greater Western Water — Austrália
A aplicação de IA analisou aproximadamente 38 quilômetros de filmagens de redes e identificou mais de 15 mil características e defeitos, contribuindo para revisar prioridades de investimentos. (Vapar)
Phoenix — Estados Unidos
A cidade avaliou diferentes fornecedores de inteligência artificial antes de selecionar uma solução para apoiar um programa de avaliação de aproximadamente 107 milhas de redes de esgoto. (SewerAI)
Esses casos mostram que a discussão deixou de ser exclusivamente experimental.
17. O futuro será a combinação de imagem com outros dados
A próxima geração de Computer Vision no saneamento provavelmente não funcionará isoladamente.
Uma câmera identificará água acumulada.
O GIS informará qual rede passa naquele local.
A telemetria mostrará comportamento anormal de vazão.
O histórico indicará ocorrências anteriores.
O modelo hidráulico mostrará a pressão daquele setor.
O sistema comercial informará possíveis impactos aos clientes.
E a inteligência artificial poderá calcular uma prioridade.
Portanto, o maior valor não estará apenas na imagem.
Estará na combinação entre imagem, localização, histórico, sensores e conhecimento operacional.
18. Edge AI pode levar a decisão para o próprio equipamento
Outra tendência importante é o processamento na borda, conhecido como Edge AI.
Atualmente, muitas imagens são enviadas para servidores ou nuvem antes de serem analisadas.
Entretanto, chips cada vez mais eficientes permitem executar modelos diretamente em câmeras, drones e dispositivos móveis.
Isso reduz a necessidade de transmitir grandes volumes de vídeo.
Por exemplo, um veículo poderia analisar as imagens enquanto percorre a cidade e transmitir apenas as ocorrências classificadas como relevantes.
Consequentemente, diminuem consumo de dados, latência e necessidade de armazenamento.
19. O histórico visual poderá criar um “filme” da infraestrutura
Talvez uma das transformações mais interessantes esteja na comparação temporal.
Hoje, grande parte das inspeções responde à pergunta:
“Como está este ativo agora?”
Com imagens históricas organizadas, outra pergunta se torna possível:
“Como este ativo está se deteriorando?”
Esse conceito muda profundamente a gestão de ativos.
Uma fissura pode ser pequena.
Entretanto, se sua área aumentou rapidamente nos últimos seis meses, a prioridade pode mudar.
Uma erosão aparentemente limitada pode estar avançando.
Uma recomposição aparentemente adequada pode apresentar recalque progressivo.
Assim, Computer Vision no saneamento pode evoluir de detecção de defeitos para acompanhamento da velocidade de deterioração.
20. A melhor inteligência artificial ainda depende de bons profissionais
Existe um ponto que nenhuma evolução tecnológica elimina.
Saneamento envolve engenharia, operação, meio ambiente, segurança, atendimento à população e responsabilidade sobre serviços essenciais.
Algoritmos reconhecem padrões.
Profissionais entendem consequências.
Por isso, equipes de campo, engenheiros, técnicos, operadores, gestores de ativos, fiscais de contratos, especialistas de segurança e profissionais de tecnologia precisam participar conjuntamente desses projetos.
São esses profissionais que conhecem os defeitos relevantes.
São eles que ajudam a definir as imagens utilizadas no treinamento.
São eles que validam as ocorrências.
E, principalmente, são eles que transformam uma identificação produzida por inteligência artificial em uma intervenção que realmente melhora o sistema.
O verdadeiro salto da Computer Vision no saneamento
A grande transformação não acontece quando uma companhia instala uma câmera.
Ela acontece quando a empresa consegue transformar milhares de imagens em uma rotina estruturada de decisão.
A câmera observa.
A inteligência artificial procura padrões.
O sistema organiza a informação.
O profissional interpreta.
A operação executa.
E o resultado volta ao sistema para melhorar decisões futuras.
Esse ciclo cria algo que as companhias de saneamento sempre buscaram: maior capacidade de fiscalização sem precisar aumentar o esforço humano na mesma proporção.
No curto prazo, vazamentos aparentes, CCTV de redes de esgoto, inspeção de pavimentos, valas, tampas, erosões e segurança operacional aparecem entre as aplicações mais promissoras.
No médio prazo, a integração com GIS, telemetria, gestão de ativos, drones, gêmeos digitais e sistemas de ordens de serviço tende a ampliar ainda mais a utilização.
Por fim, a Computer Vision no saneamento não deve ser entendida como uma tecnologia destinada a substituir profissionais.
O verdadeiro potencial está justamente no sentido oposto.
Ao automatizar a procura por anomalias em milhares de imagens, a inteligência artificial libera os profissionais de saneamento para aquilo que exige conhecimento, experiência e responsabilidade: compreender o problema, avaliar o risco e decidir o que precisa ser feito.
E provavelmente será essa combinação entre inteligência artificial e inteligência técnica humana que definirá as operações de saneamento mais eficientes dos próximos anos.
Fontes e referências
Sabesp — aplicação de IA e visão computacional em intervenções urbanas
MundoGEO — Sabesp adota IA e visão computacional
Sabesp — tecnologia para monitoramento de pavimentos
InfraROI — Sabesp adota IA para obras em pavimentos
Grupo Águas do Brasil — projetos de visão computacional e inovação
Saneamento Ambiental — projetos-piloto do Grupo Águas do Brasil
Houston — inspeção de esgoto com inteligência artificial
SewerAI — City of Houston Case Study
Northumbrian Water — IA aplicada a redes de esgoto
VAPAR — Northumbrian Water Case Study
City West Water — análise automatizada de CCTV
VAPAR — City West Water Case Study
Estudo científico sobre visão computacional em inspeções de esgoto
ScienceDirect — Automated sewer pipe defect tracking
Pesquisa sobre detecção automática de tampas de poços de visita
Scientific Reports — Real-time detection of road manhole covers
Revisão científica sobre visão computacional em pavimentos
Digital Transportation and Safety — Machine vision for pavement cracks
NR-6 — Equipamentos de Proteção Individual
Ministério do Trabalho e Emprego — NR-6
ANPD — Inteligência artificial e proteção de dados
ANPD — Inteligência Artificial e proteção de dados
