Pesquisadores do Oak Ridge National Laboratory, do Departamento de Energia dos Estados Unidos, desenvolvem um algoritmo de deep learning capaz de analisar imagens de drones, câmeras e dados de sensores para identificar padrões incomuns de circulação de veículos — sinais que podem apontar para atividades ilícitas, inclusive o transporte de materiais nucleares. O trabalho foi publicado na revista científica Future Transportation.
A inovação está na combinação de diferentes fontes de informação: imagens aéreas de drones, filmagens fixas e leituras de sensores são integradas e processadas por redes neurais que procuram anomalias no comportamento e na movimentação de veículos. Em vez de se basear apenas em eventos isolados, o sistema identifica tendências espaciais e temporais que fogem ao padrão esperado, facilitando a detecção precoce de condutas suspeitas.
Esse tipo de abordagem é especialmente relevante para monitoramento de segurança e proteção de infraestruturas sensíveis, pois permite rastrear deslocamentos atípicos que, quando corroborados por outras evidências, podem indicar tentativa de transporte irregular de cargas perigosas. Os autores destacam o potencial do método para apoiar investigações e operações de vigilância, sem, no entanto, tornar-se um substituto para procedimentos legais e de verificação humana.
A publicação na Future Transportation detalha a pesquisa e seus resultados, sinalizando avanços na aplicação de aprendizado profundo à análise multimodal de dados de transporte e vigilância.
