ALGORITMO PARA ANÁLISE DE IMAGENS DO GOOGLE STREET VIEW E DETERMINAÇÃO DE ÍNDICE DE CAMINHABILIDADE

INTRODUÇÃO: A acessibilidade urbana é um desafio importante nas cidades modernas, especialmente para pessoas com mobilidade reduzida. Irregularidades nas calçadas, obstáculos e falta de padronização podem dificultar o deslocamento seguro de pedestres. Embora plataformas como o Google Street View permitam a visualização do ambiente urbano e sirvam de base de dados para sistemas de identificação de obstáculos, suas imagens podem estar desatualizadas e não refletir mudanças recentes nas condições reais das vias. OBJETIVOS: Este trabalho, inserido em um projeto de cidades inteligentes voltado à determinação de rotas mais acessíveis a partir de imagens do Google Street View, investigou a viabilidade de imagens aéreas, obtidas por veículo aéreo não tripulado (VANT), como fonte complementar de atualização dessas informações. MATERIAIS E MÉTODO: Um conjunto de 25 imagens aéreas do bairro Hugo Lange, em Curitiba, foi anotado na plataforma Roboflow, definindo-se cinco classes de terreno (fundo, árvore, asfalto, calçada e grama), e convertido em máscaras de segmentação semântica. Um modelo de segmentação (arquitetura U-Net com encoder ResNet-18 pré-treinado no ImageNet) foi treinado a partir desse conjunto (19 imagens de treino, 6 de validação). RESULTADOS: O modelo atingiu um índice de acurácia de interseção sobre união (mIoU) de 0,6343 no conjunto de validação, resultado comparável, ainda que inferior, ao de um segundo modelo treinado sob condições equivalentes a partir do Semantic Drone Dataset (mIoU de 0,7606, com 360 imagens de treino), diferença atribuível ao volume expressivamente maior de dados desse segundo conjunto. A aplicação exploratória do modelo próprio a um conjunto adicional de 11 imagens evidenciou sobreposição da classe árvore sobre outras superfícies de até 32,30% em uma única imagem, além de uma média de 40,12% de área não classificada, resultado atribuído tanto à oclusão da calçada pela copa das árvores quanto à cobertura parcial das classes definidas frente à diversidade de elementos presentes nas imagens aéreas (como telhados e veículos). Constatou-se que essa limitação persiste mesmo em um modelo devidamente treinado para o contexto local, o que indica tratar-se de uma restrição estrutural da perspectiva aérea, e não de um problema de ajuste do modelo. Identificaram-se ainda restrições adicionais, como a perda de percepção de profundidade, relevante para a identificação de desníveis, e a inviabilidade operacional de um mapeamento recorrente em larga escala, dada a necessidade de autorização de voo específica para cada captura. CONSIDERAÇÕES FINAIS: Concluiu-se que a perspectiva aérea, apesar de permitir maior atualização temporal, apresenta mais limitações do que vantagens frente ao uso de imagens de nível de rua para os fins propostos. Como direcionamento para a continuidade da pesquisa, propõe-se a investigação de um banco de imagens próprio, capturado a partir de uma perspectiva terrestre semelhante à do Google Street View, de modo a conciliar atualização temporal e adequação de perspectiva.

PALAVRAS-CHAVE: Cidades inteligentes; Acessibilidade urbana; Visão computacional; Segmentação semântica; Mobilidade reduzida.