This is the Trace Id: d4380f13f2fb97d533e4bec86beb5149
Avançar para o conteúdo principal Explorar Ver todos os produtos (200+) Microsoft Foundry Azure Copilot GitHub Copilot Azure Kubernetes Service (AKS) Azure Cosmos DB Base de Dados do Azure para PostgreSQL Azure Arc Microsoft Fabric Máquinas virtuais do Linux no Azure Modelos do Foundry Serviço de Agente do Foundry Foundry IQ Foundry Tools Foundry Control Plane Observabilidade no Foundry Control Plane Azure OpenAI em Modelos do Foundry Voz do Azure no Foundry Tools Azure Machine Learning Ver todas as bases de dados Azure Cosmos DB Azure DocumentDB SQL do Azure Base de Dados do Azure para PostgreSQL Redis Gerido pelo Azure Microsoft Fabric Azure Databricks Máquinas virtuais do Linux no Azure Windows Server no Azure Funções do Azure Conjuntos de Dimensionamento de Máquinas Virtuais do Azure Gestão de API do Azure Azure Container Apps Azure Kubernetes Service (AKS) Azure Kubernetes Fleet Manager Azure Container Registry Azure Red Hat OpenShift Azure Container Instances Armazenamento de Contentores do Azure Azure Arc Azure Local Microsoft Defender para a Cloud Azure Monitor Microsoft Sentinel Azure Migrate Ver todas as soluções (40+) Soluções de cloud para pequenas e médias empresas Centro de modernização e migração para a Cloud Análise de dados para IA Bases de Dados do Azure Aplicações e agentes de IA Microsoft Marketplace Microsoft Sovereign Cloud Aplicações e agentes de IA IA responsável com o Azure Infraestrutura de IA Análise de dados para IA Operações de aprendizagem automática (MLOps) Desenvolvimento de aplicações low-code no Azure Serviços de Integração Computação sem servidor DevOps Centro de migração e modernização Migração de aplicações .NET Bases de Dados no Azure Linux no Azure Oracle no Azure SAP na Nuvem da Microsoft Cloud adaptável Computação de alto desempenho (HPC) Infraestrutura como um serviço (IaaS) Resiliência Azure Essentials Frontier Accelerate para Azure FinOps no Azure Microsoft Marketplace Descrição geral de preços do Azure Crie uma conta do Azure Serviços do Azure gratuitos Opções de compra flexíveis Calculadora de preços FinOps no Azure Maximizar o ROI de IA Planos de poupança do Azure Reservas do Azure Benefício Híbrido do Azure Máquinas Virtuais SQL do Azure Microsoft Foundry Microsoft Fabric Azure Kubernetes Service (AKS) Microsoft Defender para a Cloud Ver mais Empresas de Desenvolvimento de Software Microsoft Marketplace Localizar um parceiro Recursos para parceiros do Azure Começar a utilizar o Azure Histórias de clientes Relatórios, documentos técnicos e e-books de analistas Vídeos Saber mais sobre computação na cloud Documentação Explore portal do Azure Recursos para programadores Modelos de início rápido Recursos para startups Comunidade de programadores Estudantes Azure para parceiros Blogue Eventos e Webinars Aprender Suporte Contactar o Departamento de Vendas Começar a utilizar o Azure Iniciar sessão

O que é a imagem digitalizada?

Compreenda o que é a imagem digitalizada, como funciona e quais são as suas aplicações no mundo real.
Introdução ao Azure Explorar a Visão de IA do Azure

A imagem digitalizada reconhece objetos, pessoas e padrões

A imagem digitalizada permite às máquinas interpretar, analisar e extrair dados significativos de imagens e vídeos. Este campo da IA utiliza a aprendizagem profunda e redes neurais para reconhecer objetos, pessoas e padrões com elevados graus de precisão. Por outras palavras, replica a visão e a capacidade cognitiva humana para interpretar dados visuais.

A imagem digitalizada tem muitas aplicações no mundo real, incluindo imagiologia médica, reconhecimento facial, deteção de defeitos e veículos autónomos. Pode ser utilizada na cloud, no local e em dispositivos edge.

Principais conclusões

  • A imagem digitalizada permite às máquinas interpretar, analisar e extrair dados significativos de imagens e vídeos ao replicar a visão e as capacidades cognitivas humanas.

  • Esta tecnologia de IA utiliza a aprendizagem profunda e redes neurais para reconhecer objetos, pessoas e padrões com elevados graus de precisão.

  • A imagem digitalizada na IA tem muitas aplicações no mundo real, incluindo imagiologia médica, reconhecimento facial, deteção de defeitos e veículos autónomos.

  • A imagem digitalizada pode funcionar na cloud, no local e em dispositivos edge. Esta versatilidade impulsiona a eficiência e a inovação em várias indústrias.

  • O futuro da imagem digitalizada na IA inclui IA no edge, IA multimodal, aprendizagem auto-supervisionada, análise de vídeo com tecnologia de IA e IA ética e explicável.

Como funciona a imagem digitalizada

A imagem digitalizada permite às máquinas analisar e interpretar dados visuais, tal como o olho humano e o cérebro fazem. As aplicações de imagem digitalizada utilizam câmaras, sensores e algoritmos avançados que são preparados com grandes quantidades de dados visuais e imagens.

Este tipo de IA impulsiona a eficiência, a inovação e a automatização em várias indústrias. Estas incluem saúde, segurança, manufatura, retalho e sistemas autónomos.

Principais passos na análise de imagens

  1. Capturar a imagem. Dispositivos como câmaras, drones ou scanners médicos gravam uma imagem ou um vídeo. Isto fornece os dados não processados a serem analisados por algoritmos de IA.

  2. Interpretar a imagem. Os dados capturados são processados por um sistema com tecnologia de IA que utiliza algoritmos para detetar e reconhecer padrões. Isto envolve analisar os dados visuais e compará-los numa grande base de dados de padrões conhecidos. Esta base de dados pode incluir objetos, rostos e até imagens médicas.

  3. Analisar e fazer sentido dos dados. Após o sistema identificar os padrões, toma decisões sobre o conteúdo da imagem. Isto pode envolver reconhecer objetos num ambiente industrial, identificar indivíduos em filmagens de segurança ou detetar um potencial problema de saúde em imagens médicas.

  4. Fornecer informações. O sistema fornece informações com base na análise da imagem que realizou. Estas informações podem influenciar decisões ou ações que o sistema recomenda. Por exemplo, pode sinalizar um problema numa linha de produção, detetar acesso não autorizado num edifício ou analisar o comportamento do cliente num ambiente de retalho.

Como funciona a aprendizagem profunda

Os sistemas de imagem digitalizada mais avançados dependem da  aprendizagem profunda, um subconjunto da IA, para melhorar a precisão e o desempenho. A aprendizagem profunda utiliza algoritmos chamados redes neurais, que são capazes de aprender a partir de grandes quantidades de dados para reconhecer padrões complexos. Esta abordagem imita a forma como o cérebro humano processa as informações e permite que as máquinas realizem tarefas como reconhecimento facial e deteção de objetos.

Os sistemas de aprendizagem profunda melhoram ao longo do tempo à medida que continuam a reter e processar dados. Isto torna-os ideais para aplicações em tempo real em indústrias como saúde, retalho, manufatura e veículos autónomos. Quanto mais imagens um sistema de imagem digitalizada analisa, mais preciso se torna.

Benefícios e aplicações no mundo real

As indústrias utilizam a imagem digitalizada de IA para obter uma variedade de vantagens, incluindo:

  • Maior eficiência operacional. Automatizar tarefas como controlo de qualidade, processamento de documentos financeiros e vigilância de segurança pode levar a economias significativas.

  • Experiência do cliente melhorada. A análise de imagens em tempo real permite que as empresas criem experiências personalizadas para os seus clientes. Por exemplo, os retalhistas estão a utilizar a tecnologia de imagem digitalizada para tornar mais fácil experimentar roupas virtualmente. Da mesma forma, os negócios de hospitalidade estão a utilizar o reconhecimento facial para fazer o check-in dos hóspedes.

  • Segurança melhorada. A imagem digitalizada com tecnologia de aprendizagem profunda pode ajudar a detetar atempadamente problemas de saúde e em veículos autónomos. Isto reduz os riscos e melhora os resultados de segurança.

Capacidades de imagem digitalizada

A imagem digitalizada em IA permite que os computadores processem e compreendam grandes quantidades de imagens e vídeos muito mais rapidamente do que os humanos. As principais capacidades incluem:

  • Classificação de objetos. Um sistema que utilize a classificação de objetos pode categorizar objetos numa imagem com base em etiquetas predefinidas. Por exemplo, pode diferenciar entre pessoas, animais e veículos. Isto é útil em aplicações como monitorização de tráfego e gestão de inventário.

  • Deteção e reconhecimento de objetos. O sistema consegue localizar objetos específicos numa imagem ou vídeo e identificá-los. Isto é utilizado no reconhecimento facial, na deteção de produtos no setor de retalho e no diagnóstico de condições médicas a partir de exames.

  • Controlo de objetos. O sistema pode controlar o movimento de objetos ao analisar os fotogramas de vídeo ao longo do tempo. Isto é útil para veículos autónomos, vigilância de segurança e análise de desempenho desportivo.

  • Reconhecimento ótico de carateres (OCR). O OCR converte texto em imagens, documentos digitalizados e vídeos em texto digital. Pode processar texto impresso e manuscrito, embora a precisão possa depender da qualidade da caligrafia. OCR suporta aplicações em automatização de documentos (como digitalização de registos em papel), tradução (ao converter texto para tradução automática) e acessibilidade (como leitores de ecrã).

  • Segmentação de imagem e vídeo. A segmentação divide uma imagem em regiões distintas, permitindo que o sistema reconheça objetos individuais e os seus contornos. Isto é importante para carros autónomos, imagiologia médica e realidade aumentada.

  • Reconhecimento de objetos 3D e perceção de profundidade. Alguns sistemas de imagem digitalizada analisam a profundidade e as relações espaciais para reconhecer objetos em três dimensões. Isto é essencial para robótica, realidade aumentada, experiências de realidade virtual e automatização industrial.

  • Compreensão de cena e consciência contextual. A imagem digitalizada pode analisar cenas inteiras e compreender como os objetos se relacionam entre si. Isto ajuda no planeamento de cidades inteligentes, moderação do conteúdo de vídeo e assistência a indivíduos com deficiência visual.

  • Geração e melhoria de imagens. A imagem digitalizada pode gerar, restaurar e melhorar imagens. Isto pode melhorar a resolução de fotografias, remover ruído e até criar imagens sintéticas para preparar modelos de IA.

Casos de utilização da imagem digitalizada

A imagem digitalizada pode ser integrada em várias aplicações e dispositivos para resolver problemas do mundo real em diversas indústrias. Seguem-se algumas das utilizações mais populares da imagem digitalizada:

  • Organização e pesquisa de imagens. A imagem digitalizada consegue reconhecer pessoas, objetos e cenários em fotografias, o que facilita a organização e a pesquisa de grandes coleções. Isto é utilizado frequentemente em aplicações de armazenamento de fotografias e plataformas de redes sociais para funcionalidades como etiquetagem automática e criação de álbuns.

  • Extração de texto e processamento de documentos. O reconhecimento ótico de carateres, ou OCR, extrai texto de imagens e documentos digitalizados. Isto permite a entrada de dados automatizada, arquivos pesquisáveis e digitalização de conteúdos. As empresas utilizam o OCR na automatização robótica de processos para otimizar os fluxos de trabalho.

  • Realidade aumentada. A imagem digitalizada deteta e controla os objetos do mundo real para sobrepor elementos digitais em espaços físicos. Isto é utilizado em aplicações de realidade aumentada para jogos, experiências de compras virtuais e ferramentas de aprendizagem interativas.

  • Agricultura e monitorização ambiental. Drones, satélites e câmaras capturam imagens de culturas. A imagem digitalizada analisa essas imagens para monitorizar a saúde das plantas, detetar pragas e ervas daninhas, e otimizar a irrigação e a fertilização.

  • Veículos autónomos e transporte. Os carros autónomos e os sistemas avançados de assistência ao condutor utilizam a imagem digitalizada para reconhecer peões, sinais de trânsito e outros veículos. Isto permite que os veículos autónomos e os sistemas de transporte naveguem em segurança e tomem decisões de condução em tempo real.

  • Saúde e imagiologia médica. A imagem digitalizada ajuda a analisar exames médicos, como raios-X, RMs e tomografias. Isto ajuda os médicos a detetar doenças, identificar anomalias e fazer diagnósticos de forma mais rápida e precisa.

  • Análise desportiva e monitorização de desempenho. Atletas e treinadores utilizam a imagem digitalizada para controlar os movimentos dos jogadores, analisar estratégias de jogo e fornecer informações em tempo real para melhorar o desempenho.

  • Manufatura e controlo de qualidade. A imagem digitalizada ajuda a garantir o controlo de qualidade ao inspecionar os produtos em linhas de montagem, detetar defeitos e verificar a embalagem correta. Também monitoriza as máquinas para manutenção preditiva.

  • Análise espacial e segurança. A imagem digitalizada controla pessoas e objetos em espaços físicos. Isto inclui a identificação do movimento de multidões em lojas de retalho, monitorização do fluxo de tráfego em cidades e melhoria da segurança através de sistemas de vigilância.

  • Reconhecimento facial e verificação de identidade. A imagem digitalizada é utilizada para reconhecimento facial em sistemas de segurança, autenticação móvel e experiências personalizadas. Exemplos incluem desbloquear dispositivos informáticos e agilizar o check-in em aeroportos.

Tendências futuras

Os avanços em IA e o poder de computação continuam a expandir o que a imagem digitalizada pode alcançar. As principais tendências neste campo em crescimento incluem:

  • IA no edge e processamento em tempo real. Mais sistemas estão em execução diretamente nos dispositivos em vez de dependerem da computação na cloud. Isto permite um processamento mais rápido e maior privacidade.

  • IA multimodal. Combinar a imagem digitalizada com o processamento de linguagem natural e a análise de áudio pode criar experiências com tecnologia de IA mais avançadas. Exemplos incluem assistentes virtuais avançados e sistemas de segurança inteligentes.

  • Aprendizagem auto-supervisionada. Os novos modelos de IA requerem menos dados etiquetados manualmente, o que torna a preparação mais eficiente e dimensionável.

  • Análise de vídeo com tecnologia de IA. A imagem digitalizada continuará a melhorar o processamento de vídeo em tempo real para uma variedade de aplicações, incluindo retalho, aplicação da lei e análise desportiva.

  • IA ética e explicável. À medida que a imagem digitalizada se torna mais disseminada, os investigadores estão a trabalhar para tornar as suas decisões mais transparentes e reduzir os desvios nos sistemas de reconhecimento.

Conclusão

A imagem digitalizada permite às máquinas interpretar e analisar dados visuais com uma precisão notável. Esta tecnologia utiliza a aprendizagem profunda e redes neurais para reconhecer objetos, pessoas e padrões, replicando a visão e as capacidades cognitivas humanas.

A imagem digitalizada está a tornar os sistemas mais inteligentes, seguros, eficientes e inovadores em diversos setores de negócios. Algumas das suas aplicações mais populares incluem imagiologia médica, reconhecimento facial, veículos autónomos e realidade aumentada. À medida que os avanços em IA e poder de computação continuam, o impacto da imagem digitalizada e os possíveis casos de utilização irão certamente crescer.
Recursos

Obtenha recursos para desenvolver e melhorar as suas competências do Azure

Uma mulher concentrada com um casaco branco e óculos a escrever num tablet. Está num escritório moderno e bem iluminado, o que transmite profissionalismo e atenção.
Recursos profissionais

Recursos do Azure para profissionais

Explore programas de formação, documentos técnicos, vídeos, eventos, blogues, exemplos de código e outros recursos do Azure.
Explorar recursos
Um homem sentado num sofá a utilizar um portátil.
Recursos para estudantes

Recursos do Azure para programadores estudantes

Adquira competências para iniciar a sua carreira em tecnologia e causar um impacto positivo no mundo.
Explorar recursos
Homem com uma camisola cinzenta concentrado a escrever com uma caneta num tablet. Está numa sala bem iluminada, com prateleiras de madeira e luz natural suave a entrar pela janela.
Eventos e webinars

Eventos e webinars do Azure

Aprenda competências novas, descubra novas tecnologias e ligue-se à sua comunidade. Participe digital ou presencialmente.
Procurar eventos e webinars

Perguntas frequentes

  • A imagem digitalizada permite aos computadores interpretar e analisar dados visuais a partir de imagens e vídeos. Este campo da IA utiliza a  aprendizagem automática, a  aprendizagem profunda e o reconhecimento de padrões para identificar objetos, detetar padrões e extrair informações significativas. Potencia aplicações em indústrias como saúde, manufatura, segurança e sistemas autónomos.
  • Sim, a imagem digitalizada é um ramo da IA que permite às máquinas processar, analisar e compreender dados visuais. Através de técnicas de IA como a aprendizagem automática e a aprendizagem profunda, a imagem digitalizada permite aos computadores reconhecer objetos, identificar padrões e tomar decisões com base em imagens e vídeos. Resumindo, a imagem digitalizada automatiza tarefas que tradicionalmente iriam requerer visão humana.
  • O principal objetivo da imagem digitalizada é equipar as máquinas para identificar, compreender e avaliar dados visuais. A meta é replicar a visão e as capacidades cognitivas humanas. Ao utilizar IA, aprendizagem automática e aprendizagem profunda, a imagem digitalizada consegue reconhecer objetos, analisar cenas e extrair informações de imagens e vídeos, da mesma forma que os humanos. Isto permite a automatização, melhora a tomada de decisões e aumenta a eficiência em várias indústrias.
  • A imagem digitalizada utiliza principalmente Python devido às suas extensas bibliotecas como OpenCV, TensorFlow e PyTorch. Estas bibliotecas simplificam o processamento de imagens e a aprendizagem profunda. Outras linguagens que a imagem digitalizada utiliza incluem C++ para aplicações que exigem alto desempenho, MATLAB para fins académicos e de pesquisa, e Java para soluções a nível empresarial.
  • A imagem digitalizada utiliza múltiplos campos. Isto inclui IA para reconhecimento de padrões, aprendizagem automática e aprendizagem profunda para melhorar a precisão ao longo do tempo, processamento de imagens para melhorar e analisar dados visuais, gráficos computacionais para modelagem 3D, matemática e estatística para desenvolvimento de algoritmos, e tecnologia de ótica e sensores para capturar imagens de alta qualidade.
O que é o Azure? Começar a utilizar o Azure Infraestrutura global Regiões de datacenter Confie na sua cloud Azure Essentials Histórias de clientes Produtos Preços do Azure Serviços do Azure gratuitos Opções de compra flexíveis FinOps no Azure Maximizar o ROI de IA Soluções Recursos para acelerar o crescimento Arquiteturas de soluções Suporte Demonstração do Azure e Q&A em direto
Empresas de Desenvolvimento de Software Microsoft Marketplace Localizar um parceiro Documentação Blogue Recursos para programadores Estudantes Eventos e Webinars Relatórios, documentos técnicos e e-books de analistas Vídeos O que é computação na cloud? O que é a segurança multicloud? O que é a aprendizagem automática? O que é a aprendizagem profunda? O que é a IAaaS? O que são os LLM? O que é um contentor? O que é DRP?
Português (Portugal) Privacidade da Saúde do Consumidor Contactar a Microsoft Privacidade Gerir cookies Termos de utilização Marcas Registadas Acerca dos nossos anúncios EU Compliance DoCs