Como implementar analíticos de vídeo com IA: edge e servidor, ONVIF M, casos de uso, PoC, precisão, recall, VMS, LGPD e critérios de aceite.
Confira!
Video Analytics com inteligência artificial é o uso de técnicas de visão computacional e modelos treinados para detectar, classificar, acompanhar e interpretar objetos ou eventos em imagens de CFTV. Em um projeto de segurança eletrônica, o resultado útil não é apenas reconhecer que existe uma pessoa ou um veículo: é converter uma observação visual em evento verificável, integrado ao VMS e passível de ação por um operador, dentro de limites mensurados. A solução pode executar processamento na câmera (edge analytics), em servidor, em nuvem ou em arquitetura híbrida, conforme requisitos de latência, custo, capacidade, proteção de dados e disponibilidade.
A passagem da teoria para a operação exige definir caso de uso, zona de interesse, câmera adequada, iluminação, evento esperado, taxa tolerável de falsos alarmes, integração, evidência gravada e procedimento de resposta. Um algoritmo com boa demonstração comercial pode ter desempenho insuficiente numa portaria com contraluz, numa área industrial com partículas suspensas ou num perímetro sujeito à movimentação de vegetação. Engenharia de analíticos é o trabalho de transformar uma capacidade de software em requisito de desempenho operacional.
O que a inteligência artificial realmente acrescenta ao CFTV
Sistemas tradicionais podiam gerar alarmes por movimento em regiões de pixels ou por regras geométricas relativamente simples. A adoção de aprendizado de máquina e deep learning ampliou a capacidade de distinguir classes de objetos e certas características observáveis. Em vez de tratar todo movimento como evento equivalente, o sistema pode diferenciar pessoas, veículos e outros objetos para aplicar regras mais específicas.
Essa mudança tem limites. Um detector de pessoas não conhece automaticamente a intenção de alguém. Estar perto de uma cerca não demonstra tentativa de invasão; atravessar uma linha virtual não comprova delito; uma estimativa de presença não informa identidade civil. As regras de negócio precisam transformar observações em alertas proporcionais, preservando confirmação humana quando as consequências são relevantes.
O white paper AI in Video Analytics, da Axis Communications, enfatiza a qualidade da imagem, a distância de detecção, a configuração de alarmes, a manutenção e as características da cena como fatores que influenciam o resultado. O documento também distingue modelo treinado de aprendizagem permanente: um produto implantado não passa necessariamente a aprender continuamente apenas por ter sido desenvolvido com machine learning.
Visão computacional, machine learning e deep learning
Visão computacional é a disciplina que extrai informação visual de imagens e vídeos. Algoritmos convencionais podem usar regiões, características e regras definidas pelo desenvolvedor. Em machine learning, o modelo ajusta parâmetros a partir de dados de treinamento. Deep learning utiliza redes com múltiplas camadas para aprender representações mais complexas, dependendo de arquitetura e dados.
Essas categorias não determinam sozinhas a utilidade do produto. Um problema simples e bem delimitado pode ser resolvido com métodos menos complexos, enquanto detecção de classes variadas em condições difíceis pode exigir modelos mais robustos. O critério de projeto deve ser a capacidade demonstrada para o cenário, não a presença da expressão “IA” na ficha comercial.
Além do treinamento, são essenciais curadoria do conjunto de dados, anotação, validação independente e análise de desempenho fora das condições inicialmente previstas. Em projetos com soluções de terceiros, nem sempre é possível acessar o treinamento do modelo. Nesse caso, a especificação deve exigir testes representativos, documentação de limitações e transparência sobre as funcionalidades fornecidas.
Arquitetura funcional: câmera, processamento, metadados e VMS
Um analítico recebe quadros do sensor ou stream, executa detecção ou classificação, associa objetos entre quadros quando necessário, avalia regras e produz eventos ou metadados. O VMS pode receber informações para mostrar alertas, relacioná-las à gravação e permitir buscas. É importante distinguir metadado estruturado, alarme de regra e ação do operador: são objetos diferentes da arquitetura, com responsabilidades e registros distintos.
A detecção pode ocorrer diretamente na câmera, com acesso aos quadros antes de algumas etapas de compressão, ou em plataforma central que consome vídeo de várias fontes. A primeira opção pode reduzir demanda de processamento central e dar resposta local; a segunda pode concentrar modelos e infraestrutura especializada. Uma solução híbrida pode combinar classificação na borda com correlação e busca no VMS.
Cada alternativa depende de licenças, processamento, hardware, firmware, conectividade e topologia. Capacidade anunciada por número de câmeras não é intercambiável entre diferentes resoluções, taxas de quadros e modelos. O dimensionamento requer perfil real de análise e condições de uso.
Diagrama da cadeia de análise e resposta
O diagrama não significa que todo alerta deva desencadear atuação física automática. Conforme a criticidade, a ação deve depender de confirmação, alçadas e regras de operação. Funções de automação precisam de gestão de falhas e testes específicos.
ONVIF Profile M: o que é interoperável e o que não é
O ONVIF Profile M define interfaces para configuração, streaming de metadados e eventos de aplicações analíticas. Pode permitir troca de classificações genéricas, informações sobre pessoas e veículos e certos eventos, conforme os recursos implementados e as obrigações aplicáveis aos produtos conformes. O perfil é importante porque reduz dependência de interfaces proprietárias para partes da troca de dados.
Contudo, um equipamento certificado em Profile M não oferece automaticamente todos os analíticos possíveis do mercado. Determinadas interfaces são condicionais à funcionalidade nativa do produto; compatibilidade declarada não garante que o VMS apresentará cada atributo, filtro ou ação desejados. A matriz de integração deve identificar a função em ambas as extremidades, a versão, a licença e o comportamento em evento real.
O produto pode transmitir objetos e alarmes conforme o perfil e ainda exigir integração customizada para correlacioná-los com cadastro de visitantes, regras de acesso ou fluxos de resposta. Um projeto de segurança integrada precisa distinguir padronização de metadados de uma integração de processos entre sistemas.
| Camada | Função | Verificação exigível |
| Captura | Imagem com detalhe e iluminação suficientes | Ensaio de câmera em condições reais |
| Analytics | Detector, classificador e regra | Matriz de eventos e desempenho |
| Metadados | Classe, posição, tempo e atributos disponíveis | Estrutura e compatibilidade da interface |
| VMS | Exibição, armazenamento, correlação e busca | Teste de ponta a ponta com evento |
| Operação | Verificação e decisão | Procedimento, responsabilidade e registro |
| Integração externa | Ações sobre outros sistemas | Matriz de causa e efeito autorizada |
Essa matriz evita confundir um evento visível na própria câmera com sua disponibilização efetiva à central de monitoramento.
Casos de uso: da função comercial ao requisito verificável
A especificação deve começar pelo evento, pela condição de detecção e pela resposta esperada, não pela simples presença de IA no catálogo.
Um perímetro pode exigir detecção de pessoa em zona definida, num intervalo temporal e sob condições conhecidas. Uma portaria pode precisar diferenciar veículo de pessoa e correlacionar acesso a uma ocorrência. Um depósito pode ser monitorado para permanência indevida após horário permitido. Cada caso exige região de interesse, comportamento esperado, condições de exclusão e consequência do alerta.
A pergunta não deve ser “a câmera tem IA?”, mas que evento precisamos observar, qual resposta esperamos e como comprovaremos que ocorreu? Um detector de objeto é apenas uma parte da cadeia. Um alarme sem operador disponível, sem procedimento e sem gravação preservada pode ter utilidade muito limitada.
Intrusão perimetral e passagem de linha
A detecção de travessia de linha depende de posicionamento, perspectiva, direção, altura aparente, obstruções e estabilidade da cena. Uma linha sobreposta à imagem não é uma barreira física. O desempenho deve ser avaliado com pessoas em diferentes posições e condições de iluminação, incluindo tentativas de cruzamento em bordas e zonas difíceis.
Em ambientes sujeitos a árvores, animais, chuva, faróis ou reflexos, o objetivo da IA é distinguir eventos relevantes e reduzir alarmes não pertinentes, mas esse resultado não é absoluto. A análise deve quantificar falsos positivos e falsos negativos dentro da amostra. Uma câmera pode ser adequada em um trecho e insuficiente em outro, mesmo com o mesmo software.
Detecção de permanência e anomalias
Loitering pode ser configurado para detectar permanência em área por tempo definido. A engenharia precisa estabelecer a finalidade: pessoas aguardando em recepção são comuns, enquanto permanência no interior de área restrita pode merecer verificação. O limiar temporal e a geometria devem decorrer da rotina real, evitando transformar comportamento normal em incidentes constantes.
A palavra “anomalia” exige cuidado. Modelos podem indicar desvio estatístico em relação a padrões, mas isso não significa necessariamente violação de procedimento ou risco físico. O alerta deve informar o que foi medido, sob que hipótese e qual confirmação é necessária antes de executar ação.
Segurança do trabalho e detecção de EPI
Algumas soluções oferecem detecção de capacete ou colete em regiões específicas. Sua presença não demonstra automaticamente cumprimento de todos os requisitos de segurança; outros EPIs podem não ser visíveis e a câmera pode não captar corretamente o contexto. O objetivo realista é auxiliar a identificação de determinadas condições observáveis.
Em instalação industrial, o analítico deve ser complementar a procedimentos, treinamento, proteção coletiva e fiscalização competente. Não deve substituir intertravamentos, sensores de segurança funcional ou avaliações de riscos. A PoC precisa abranger ângulos, oclusões e vestimentas representativas para não superestimar a eficácia.
Qualidade de imagem: a principal condição de operação
A acurácia depende do dado observado. Densidade de pixels insuficiente, baixa iluminação, contraluz, motion blur, ruído, compressão e taxa de quadros inadequada podem dificultar detecção e rastreamento. A recomendação de fabricante deve ser confrontada com o cenário instalado. A densidade geométrica pode apoiar a escolha de óptica, mas não constitui prova suficiente de desempenho analítico.
Uma câmera instalada para visão geral pode ser incapaz de detectar atributos pequenos a grande distância. Se o projeto exige identificar equipamento de proteção ou placa, a função pode necessitar de câmera dedicada, enquadramento mais estreito ou iluminação controlada. Processamento de IA não recupera automaticamente informações ausentes na captura.
A A3A Engenharia deve especificar o ponto de monitoramento a partir do objetivo e vincular óptica, posição, stream de análise, codec e condições ambientais a evidências de desempenho. A simples substituição de uma câmera 2 MP por uma 8 MP não garante melhora proporcional quando as limitações são perspectiva, exposição ou oclusão.
Câmera na borda ou servidor: compromisso técnico
Análise na borda pode reduzir tráfego para processamento remoto e melhorar algumas funções em tempo real, mas limitada por recursos de cada equipamento. Servidores com CPU ou GPU podem executar modelos mais complexos ou centralizar administração; contudo, acrescentam dependência de rede e requisitos de escala. A solução híbrida redistribui tarefas conforme latência e recursos.
| Arquitetura | Vantagem possível | Restrição a avaliar |
| Edge na câmera | Detecção local e distribuição de processamento | Capacidade por modelo, firmware e licenciamento |
| Servidor central | Gestão concentrada de modelos e recursos | GPU, throughput, rede e alta disponibilidade |
| Nuvem | Escalabilidade e serviços gerenciados conforme contrato | Conectividade, privacidade, custos recorrentes |
| Híbrida | Processamento dividido por função | Complexidade de integração e consistência temporal |
A seleção deve considerar TCO, disponibilidade, segurança e suporte. Não se deve presumir equivalência de capacidade por canal entre modelos ou arquiteturas sem teste.
Metadados: indexação, busca e diferenças de finalidade
Metadados podem representar classes de objetos, posições no quadro, trajetória e horário, conforme as informações disponíveis. Podem apoiar buscas retrospectivas e correlação de ocorrências, mas o valor da busca depende da qualidade dos dados produzidos e da consistência do índice. Uma falha de detecção na origem pode resultar em ocorrência não encontrada posteriormente.
Este artigo trata da implantação operacional dos analíticos. Os detalhes de recepção, transformação e persistência de metadados ficam melhor aprofundados no conteúdo Metadados e VMS, evitando duplicar a mesma intenção. Da mesma forma, a síntese temporal e a pesquisa forense de grandes volumes são abordadas nos artigos específicos de Video Synopsis.
Também é necessário preservar referência ao vídeo original. A miniatura gerada a partir de um evento ou trilha de metadados não constitui por si só substituto da gravação primária. Processos investigativos devem permitir recuperar câmera, timestamp e arquivo correspondente, com controles de acesso e integridade adequados.
Como especificar desempenho: precisão, recall e falsos alarmes
Em classificadores de eventos, precisão (precision) expressa a proporção de detecções positivas que estavam corretas na amostra; recall expressa a proporção de eventos positivos reais que foram detectados. Um sistema pode reduzir falsos alertas elevando o limiar de confiança e simultaneamente deixar escapar mais ocorrências. Portanto, não existe um único percentual de “acurácia” que resuma automaticamente a segurança da aplicação.
Considere uma PoC didática com 100 eventos de interesse e 100 alarmes produzidos. Se 80 alarmes correspondem a eventos verdadeiros, existem 20 falsos positivos; se 20 dos 100 eventos reais não foram detectados, existem 20 falsos negativos. Precision = 80/100 = 80% e recall = 80/100 = 80%. Os valores são ilustrativos e não descrevem desempenho de fabricante.
| Métrica | Fórmula | O que informa |
| Precision | TP ÷ (TP + FP) | Fração de alarmes positivos corretos |
| Recall | TP ÷ (TP + FN) | Fração de eventos reais recuperados |
| Falsos positivos | FP | Eventos irrelevantes classificados como alarmes |
| Falsos negativos | FN | Eventos verdadeiros não identificados |
| Tempo até alarme | Instante do alarme menos instante de referência | Desempenho temporal da cadeia |
| Disponibilidade da função | Período disponível sob critério definido | Continuidade operacional |
A matriz de confusão exige gabarito confiável e classes bem definidas. Contabilizar apenas alarmes gerados, sem conhecer o número de eventos reais, permite medir carga operacional, mas não recall. Qualquer promessa de desempenho deve declarar população, amostra, contexto e incerteza.
Prova de conceito: desenho de ensaio antes da demonstração
A A3A Engenharia estrutura matrizes de conformidade e critérios de PoC para confrontar promessas comerciais com o desempenho observado em campo.
A PoC deve ser precedida por critérios de sucesso, casos, quantidade de amostras, horários, condições ambientais, responsabilidades e método de avaliação. O fornecedor não deve escolher apenas cenas favoráveis após conhecer os resultados. É recomendável incluir rotinas normais e eventos de interesse previamente definidos, com gabarito independente e autorização de teste.
A avaliação deve contemplar instalação real ou cenário suficientemente representativo. Um detector perimetral testado em área interna sem chuva e vegetação não demonstra comportamento para cerca externa. Da mesma forma, ensaio diurno não comprova funcionamento noturno. O projeto deve definir como os resultados serão generalizados e quais situações permanecem não verificadas.
Os testes de integração precisam alcançar o VMS e a rotina operacional. Um alerta apresentado na interface de configuração da câmera pode não chegar à central ou ser exibido sem gravação correlata. Isso requer teste completo de evento, transporte, recebimento, visualização, confirmação, exportação e gestão de falhas.
Caso aplicado: 24 câmeras de perímetro industrial
Uma empresa pretende configurar detecção de pessoas em 24 pontos de perímetro. A engenharia divide os pontos por tipologia: acesso asfaltado, cerca junto à vegetação, trecho com iluminação variável e área próxima à circulação de veículos. Cada grupo recebe cenários de teste e critérios de aceitação coerentes. A mesma regra nominal pode exigir ajustes diferentes por cena.
A PoC deve produzir matriz de resultados por câmera ou tipologia, não somente uma taxa consolidada. Se 20 pontos apresentarem desempenho suficiente e quatro falharem sob iluminação específica, o projeto deve identificar intervenções nesses quatro pontos. A média geral pode ocultar a condição operacional mais crítica.
O aceite pode resultar em aprovação, aprovação condicionada a correção ou rejeição de determinada função, nos termos do contrato. A documentação deve justificar cada decisão, preservar parâmetros testados e prever reinspeção após alterações.
Governança e LGPD no processamento de imagens e metadados
A análise de vídeo envolve dados que podem identificar pessoas ou permitir inferências sobre seus movimentos. A Lei nº 13.709/2018 (LGPD) exige análise da finalidade, da base legal aplicável, da necessidade, da segurança e dos direitos pertinentes, conforme contexto. Funcionalidades envolvendo biometria ou reconhecimento facial exigem avaliação adicional. Ter licença tecnológica não constitui, por si só, base jurídica suficiente para utilização indiscriminada.
O projeto precisa estabelecer quem pode consultar vídeos e metadados, por quanto tempo são retidos, quem autoriza exportação e qual trilha de auditoria será preservada. A função de analytics também deve ser avaliada em cibersegurança: credenciais, comunicação cifrada, atualização, isolamento e hardening de câmeras e servidores.
A governança envolve comunicação com operadores e treinamento sobre limitações dos algoritmos. Um alerta probabilístico não equivale a constatação de infração. Procedimentos de resposta devem evitar decisões automáticas desproporcionais e preservar a revisão humana nos casos adequados.
Engenharia de manutenção e mudanças de cena
Uma PoC aprovada não garante desempenho imutável. Iluminação pode mudar, vegetação crescer, câmeras serem deslocadas, firmware atualizado e objetos alterarem sua aparência. O sistema precisa de plano de revisão dos parâmetros e indicadores contínuos. Uma manutenção de câmera que modifica lente ou enquadramento deve desencadear verificação das zonas e regras, não apenas teste de vídeo.
O contrato de suporte deve distinguir atualização de modelo, ajuste de regra, intervenção em câmera, problema de integração e alteração do caso de uso. Cada um pode exigir evidência e responsável diferentes. Sem gestão de versões, torna-se impossível reconstruir por que o sistema passou a gerar alarmes indevidos.
Dimensionamento de processamento e custo total
Licenças por canal, quantidade de regras, hardware de aceleração, servidores, armazenamento de metadados, retenção e suporte fazem parte do custo total. A capacidade de um servidor para 30 câmeras sob um analítico não pode ser transferida automaticamente para outro analítico mais complexo. O dimensionamento depende de resolução, taxa de quadros, modelos simultâneos, GPUs e configuração.
A memória de cálculo deve incluir margens justificadas, cenários de expansão e condições de falha. Se o sistema precisa continuar funcionando sem um servidor, a arquitetura deve demonstrar a capacidade remanescente e a recuperação dos serviços. Em aplicações de segurança crítica, licenças e failover precisam ser tratados como requisitos, não itens opcionais de última hora.
Matriz de desempenho por cenário: a PoC precisa revelar onde a IA falha
Uma taxa global de acerto pode mascarar deficiências importantes em câmeras específicas. Para um projeto com dezenas de pontos, é recomendável classificar as cenas por geometria, iluminação, atividade e risco. O objetivo é identificar quais grupos podem compartilhar parâmetros e quais exigem configuração e teste próprios. Uma câmera interna com iluminação estável não deve ser usada como única amostra para demonstrar detecção perimetral externa.
Em uma instalação industrial, por exemplo, a engenharia pode separar portões de veículos, cercamentos, corredores técnicos, áreas de acesso e depósitos. Cada região possui objetos relevantes e padrões de movimento diferentes. O teste deve incluir eventos verdadeiros e rotinas normais, evitando superestimar desempenho por baixa diversidade de situações. A amostra e o gabarito precisam ser documentados antes de computar resultados.
| Cenário | Evento de interesse | Condição adversa | Resultado a medir |
|---|---|---|---|
| Perímetro externo | Pessoa cruza região restrita | Vegetação e chuva | Recuperação de eventos e falsos alarmes |
| Portaria | Veículo permanece além do permitido | Faróis e contraluz | Detecção temporal e confirmação |
| Depósito | Presença fora do horário | Oclusão entre estruturas | Recall por posição |
| Área operacional | Objeto de classe específica | Movimento e iluminação variável | Precision e rastreabilidade |
| Circulação pública | Contagem agregada | Ocupação elevada | Erro de contagem por período |
As metas de aceitação dependem de risco e finalidade. O contrato não deve inventar um percentual universal de eficácia. Pode haver casos nos quais uma falha de detecção seja muito mais crítica que falsos alarmes; em outros, centenas de alertas diários podem tornar a operação inviável. O limiar de confiança precisa refletir essa assimetria de consequências.
Como construir um gabarito independente
O gabarito identifica eventos e períodos com base em registros confirmados. A equipe responsável deve estabelecer critérios de início, término e posição, definindo também exclusões, como ações autorizadas de manutenção. Quando o algoritmo é avaliado, as saídas são confrontadas com essa verdade de referência e não com anotações produzidas exclusivamente pelo mesmo sistema.
Um evento duplicado pode precisar de regra própria de contagem. Se a câmera gera cinco alertas para a mesma pessoa que atravessa uma zona uma única vez, o resultado pode representar carga operacional e não cinco detecções independentes. É necessário definir tolerância temporal e espacial para associar alarmes ao gabarito. Sem isso, precisão e taxa de falsos alarmes podem ficar distorcidas.
O desempenho também deve ser apresentado por período. Testar uma manhã e extrapolar o resultado para todos os turnos ignora mudanças de iluminação, clima, densidade de pessoas e procedimentos. Quando não houver dados suficientes para determinada condição, a conclusão deve registrar limitação e o ensaio complementar necessário.
Incorporação ao trabalho do operador: produtividade e confiança
Um sistema analítico tem valor quando seus eventos chegam às pessoas certas e ajudam a tomar decisões. A central precisa saber o significado de cada regra, a prioridade atribuída, a câmera de origem e o procedimento de verificação. Alarme com informação ambígua produz retrabalho, enquanto alerta excessivamente sensível pode saturar a interface e competir com ocorrências relevantes.
A engenharia deve modelar o fluxo operacional: geração, classificação, entrega, confirmação, encaminhamento, registro de ação e encerramento. O sistema precisa manter evidência de que o operador recebeu o alerta e, conforme escopo, de como tratou a ocorrência. Em integração com controle de acesso, não se deve presumir que um evento de vídeo possa alterar autorização física sem regras explícitas e validação técnica.
Uma PoC adequada pode cronometrar o tempo desde a ocorrência até o alerta, do alerta até a confirmação e da confirmação até a ação. Essas métricas são diferentes. Uma plataforma pode detectar rapidamente, mas atrasar a exibição por congestionamento ou demanda de processamento. Outra pode transmitir alerta imediato sem preservar vídeo suficiente para a investigação posterior.
Modelo simples de custo operacional de alarmes
Considere um cenário hipotético com 150 alertas diários e média de 35 segundos para verificação. O esforço é de 5.250 segundos, ou aproximadamente 87,5 minutos por dia. Se ajustes de câmera e regras reduzirem alertas indevidos sem aumentar perdas relevantes, essa carga pode cair. Contudo, menos alarmes não significa melhor desempenho quando a redução ocorre por deixar de detectar eventos verdadeiros.
O cálculo precisa considerar o volume de eventos reais, o custo de falha de detecção e a capacidade de resposta. O tempo de triagem pode ser convertido em capacidade operacional, mas não deve ser anunciado automaticamente como economia financeira sem análise de pessoal, contrato e uso efetivo dessa capacidade.
Limites de inferência: detectar objeto não é compreender intenção
Um modelo pode classificar pessoa, veículo ou determinado objeto visível, mas concluir intenção exige contexto e frequentemente interpretação humana. Não é apropriado afirmar que a IA identifica automaticamente “indivíduo suspeito” com fundamento apenas em presença numa zona. A regra deve usar critérios observáveis, verificáveis e necessários à finalidade.
O mesmo vale para iniciativas de segurança do trabalho. Detectar aparente ausência de capacete não comprova integralmente condição de risco, inclusive quando a câmera não observa toda a cena. O alerta pode justificar conferência por responsável competente. Essa distinção protege a qualidade da decisão e reduz o risco de registros conclusivos além da capacidade demonstrada do sistema.
Em aplicações com reconhecimento facial ou análise biométrica, devem ser consideradas restrições legais, avaliação de risco, segurança e controles específicos. Esses recursos não devem ser tratados como simples evolução obrigatória de qualquer sistema de CFTV. O objeto do projeto precisa limitar precisamente funcionalidades e utilização autorizadas.
Gestão de mudanças depois do comissionamento
Câmeras podem ser deslocadas por manutenção, alteração arquitetônica ou novo processo operacional. Mudanças de foco, campo de visão e altura interferem nas regras de detecção. O sistema deve ter uma baseline que permita comparar instalação e configuração após intervenções; se a cena mudou de forma relevante, o ensaio original deixa de representar integralmente a condição atual.
Atualização de firmware ou de versão de analítico também pode alterar classificação e formatos de evento. A gestão de mudanças precisa relacionar compatibilidade com o VMS, requisitos de licenciamento, plano de reversão e novos testes. Em sistemas com muitos pontos, a priorização de regressão deve considerar criticidade e diferenças entre modelos.
O plano de manutenção deve prever verificação periódica de câmeras, iluminação, obstáculos, disponibilidade do processamento e fluxo de eventos. Não basta saber que o vídeo chega ao servidor: é necessário confirmar que a regra continua ativa e produz resultados dentro das condições esperadas.
Evidências de aceite e Data Book de analytics
A documentação final deve incluir uma matriz de casos de uso por TAG, descrição das regras, zonas e limites configurados, versões, equipamentos, licenças, protocolo de integração e resultados de ensaio. O relatório deve preservar os eventos usados como amostra, horários, condições ambientais, métricas, pendências e ações corretivas, observando as regras de privacidade aplicáveis.
Na etapa de aceitação, o contratante precisa verificar se o resultado operacional foi demonstrado. É possível que o detector funcione localmente, mas não entregue metadados ao VMS, ou que o alerta apareça sem acesso autorizado à gravação. Essas situações exigem tratamento conforme a responsabilidade de cada fornecedor e o escopo contratado.
A especificação também deve estabelecer o que acontece em caso de indisponibilidade de servidor, perda da rede ou falha de sincronização temporal. Se o sistema promete redundância, ela precisa ser testada com as licenças e equipamentos efetivamente fornecidos. A documentação As Built deve descrever a arquitetura instalada e não reproduzir uma intenção de projeto já modificada em obra.
O resultado de um analytics de vídeo é demonstrado pela cadeia completa, desde a cena observada até a decisão operacional baseada em evidência. O valor da IA depende de engenharia de requisitos, aceitação e manutenção; sem essas práticas, funcionalidades avançadas podem virar fontes adicionais de alarmes e incerteza.
Considerações finais
A adoção de Video Analytics com IA deve começar pelo problema operacional, não pelo nome comercial da funcionalidade. O projeto define eventos, condições de captura, integração, desempenho, governança e aceitação, enquanto a PoC demonstra quais resultados podem ser esperados naquele ambiente.
A engenharia consultiva ajuda a evitar duas falhas frequentes: contratar algoritmos com desempenho não demonstrado e deixar de integrar os eventos aos procedimentos reais de segurança. A A3A Engenharia atua na definição de arquitetura, especificação, validação técnica e comissionamento de soluções de CFTV inteligente, com critérios verificáveis.
O comissionamento de analíticos deve provar detecção, transmissão de eventos, recuperação de gravação e condições de falha com evidências rastreáveis.
Referências técnicas
[1] AXIS COMMUNICATIONS. AI in Video Analytics: considerations for analytics based on machine learning and deep learning. White paper, 2021. Acervo técnico A3A Engenharia. Página institucional. Disponível em: https://www.axis.com/.
[2] MILESTONE SYSTEMS. Understanding AI-powered Video Analytics. Guia técnico, acervo A3A Engenharia. Página institucional. Disponível em: https://www.milestonesys.com/.
[3] ONVIF. Profile M: metadata and events for analytics applications. Specification and profile overview. Disponível em: https://www.onvif.org/profiles/profile-m/.
[4] BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm.
Perguntas frequentes
É análise de imagens por algoritmos treinados para detectar ou classificar objetos e produzir eventos e metadados úteis à operação.
Não. Muitos modelos são treinados antes da implantação e não passam a aprender localmente de forma automática.
Mudam recursos de processamento, dependência de rede, latência, administração e custos; a escolha depende da função.
Não. Padroniza interfaces, mas diversas funções são condicionais à capacidade nativa e implementação dos produtos.
Alarme gerado sem correspondência com evento real definido no gabarito.
Evento real que o algoritmo não detecta ou não classifica corretamente na avaliação.
Não. Precision mede qualidade dos alarmes positivos; recall mede recuperação de eventos reais.
Depende de resolução, FPS, modelos, aceleração, licenças e requisitos; deve ser dimensionado com dados do fabricante e ensaio.
Não de modo universal. Iluminação, perspectiva, foco, compressão e detalhe são condições fundamentais.
Com PoC representativa, gabarito, indicadores, horários, cenas difíceis e testes de integração ao VMS.
Não automaticamente. A resposta deve seguir matriz de responsabilidade e verificação adequada à criticidade.
Sim. Finalidade, base legal, retenção, segurança e controles de acesso devem ser avaliados conforme a aplicação.
Materiais técnicos complementares
Soluções relacionadas
Serviços relacionados
- Projeto de CFTV IP e Videomonitoramento
- Projeto de Segurança Eletrônica Integrada
- Comissionamento de Equipamentos
