Detecção automática de danos: a IA sugere, você decide

Como usar

No editor do mapa de danos, use o novo botão Detectar danos na barra de ferramentas sobre a imagem. A análise roda no seu navegador e leva alguns segundos. Ao terminar, as sugestões aparecem tracejadas e listadas no painel à direita, da mais confiável para a menos confiável.

• Clique numa sugestão para aproximar a imagem e ver o que o detector encontrou.
• Enter aceita como dano, Delete rejeita, e a próxima sugestão abre sozinha.
• Se a classe estiver errada (umidade em vez de sujidade, por exemplo), troque antes de aceitar.
• O controle de confiança mínima esconde as sugestões mais duvidosas.

O que ela procura

Esta primeira versão usa visão computacional clássica e não um modelo treinado. Ela funciona melhor em fachadas retificadas de reboco claro e erra mais em materiais muito escuros, texturas fortes e sombras. Por isso cada sugestão mostra uma confiança, que é uma estimativa do detector e não uma precisão medida.

Cada dano sabe de onde veio

Todo dano agora registra a origem (desenho manual, contorno IA ou detecção automática), a confiança da IA quando houver, quem validou e quando. Essa informação aparece no painel do dano e, no laudo, uma declaração automática informa quantos danos tiveram apoio da IA e que todos foram revisados pelo profissional responsável.

A autoria e a responsabilidade técnica continuam com quem assina o laudo. A IA mapeia o que é visível na imagem e não substitui ensaios, prospecções nem análise estrutural.

Sem custo e sem enviar imagens

A detecção roda inteira no navegador, como a retificação e o contorno IA. As imagens não vão para nenhum serviço externo de IA, e não há cobrança por fachada processada.

Uma IA que aprende com o restauro

Cada sugestão aceita, corrigida ou rejeitada é um exemplo do que é, e do que não é, dano em patrimônio brasileiro. Em Equipe há uma nova opção para autorizar o uso desses exemplos no treino da próxima versão da IA. Ela vem desligada e só vale com o sim de um administrador. O objetivo é treinar um modelo próprio de segmentação, afinado para materiais e argamassas locais, que continue rodando no navegador.