Image Segmentation

Image Segmentation (Segmentação de Imagem)

Definição:
Segmentação de Imagem é uma técnica de Visão Computacional que divide uma imagem em regiões ou pixels com significado, permitindo identificar onde exatamente estão objetos ou áreas de interesse, e não apenas o que são.

Como funciona (visão modular):

  • Captura de imagem (câmera/sensor)
  • Pré-processamento (filtros, normalização)
  • Análise por modelo (ML/DL)
  • Classificação pixel a pixel ou por regiões
  • Geração de mapa segmentado (máscara)

✔ Separação clara: imagem ≠ processamento ≠ segmentação ≠ interpretação

Principais abordagens:

  • Semantic Segmentation
    • Classifica cada pixel por categoria (ex: fundo, objeto)
  • Instance Segmentation
    • Diferencia múltiplos objetos da mesma classe
  • Panoptic Segmentation
    • Combina segmentação semântica + instâncias

E o que isso tem a ver com IoT/embarcados?

Image segmentation, no contexto de IoT e sistemas embarcados, é a evolução dos sensores tradicionais para sensores visuais inteligentes, capazes de dividir uma imagem em regiões (pixels agrupados) para identificar exatamente onde estão objetos, áreas ou condições específicas . Em vez de apenas detectar “algo presente”, o sistema embarcado entende o que é cada parte da cena e onde ela está, o que é crítico para decisões mais precisas no mundo físico.

Na prática, isso é implementado em dispositivos com câmera + processamento embarcado (MCU, SBC ou edge device), que capturam a imagem, processam localmente e tomam decisões em tempo real — algo essencial em IoT, onde latência e autonomia são críticas . Aplicações diretas incluem inspeção industrial (identificar exatamente a área defeituosa de uma peça), agricultura (separar planta vs. praga vs. solo), segurança (isolar pessoas de fundo) e robótica (mapear ambiente navegável). O desafio técnico está em rodar esses algoritmos com recursos limitados (CPU, memória, energia), o que exige modelos otimizados (TinyML/edge AI). Resultado: o dispositivo embarcado deixa de apenas “ver” e passa a entender espacialmente o ambiente, permitindo automação muito mais precisa e confiável.

Exemplos práticos (IoT / automação):

  • Inspeção de defeitos
    • Identifica exatamente onde está a falha em uma peça (trinca, desgaste)
  • Monitoramento de nível
    • Detecta nível de líquido em tanques através da imagem
  • Separação de objetos em esteiras
    • Segmenta produtos para contagem ou classificação
  • Mapeamento de áreas operacionais
    • Identifica zonas de operação, risco ou bloqueio em ambiente industrial

Boas práticas:

  • Garantir boa qualidade de imagem
  • Escolher modelo adequado ao tipo de segmentação
  • Validar máscaras geradas com dados reais
  • Evitar depender apenas da visão quando sensores simples resolvem
  • Separar análise visual de execução física

Diferença-chave vs detecção de objetos:

  • Detecção → localiza objetos com caixas (bounding box)
  • Segmentação → identifica pixel a pixel com precisão

Por que usar:

  • Alta precisão espacial
  • Permite análise detalhada
  • Útil para medições visuais
  • Detecta formas e regiões complexas

Quando usar:

  • Necessidade de localização precisa
  • Inspeção visual detalhada
  • Análise de forma, área ou volume

Quando NÃO usar:

  • Quando bounding box já resolve
  • Sistemas simples onde sensores são suficientes
  • Quando custo computacional não se justifica

Resumo direto:

Segmentação de Imagem = dividir a imagem em regiões significativas pixel a pixel.