A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index

Resumo Técnico: Revisão de Escopo sobre Deep Learning para Poluição Visual Urbana e Proposta de um Framework de Monitoramento em Tempo Real

1. O Problema (Contexto e Motivação)

A Poluição Visual Urbana (UVP - Urban Visual Pollution) é definida como a degradação da estética urbana causada por elementos desorganizados ou intrusivos, como outdoors excessivos, sinalização caótica, descarte inadequado de resíduos e fiação aérea desordenada. Diferente de outras formas de poluição, a UVP não afeta diretamente a saúde física, mas possui impactos psicológicos significativos, contribuindo para a fadiga cognitiva, estresse e redução do bem-estar dos cidadinos.

O problema central identificado é que os métodos tradicionais de monitoramento são qualitativos, manuais e subjetivos, o que os torna lentos, inconsistentes e impossíveis de escalar em cidades em rápido crescimento. Embora o Deep Learning (DL) ofereça soluções de detecção automática, a pesquisa atual está fragmentada: os estudos focam em poluentes específicos, utilizam conjuntos de dados limitados geograficamente e carecem de um sistema unificado que integre detecção, classificação e gestão em tempo real.

2. Metodologia

O estudo foi conduzido em duas frentes principais:

• Revisão de Escopo (Scoping Review): Seguindo as diretrizes PRISMA-ScR, os autores realizaram uma busca sistemática em sete bases de dados acadêmicas (Scopus, Web of Science, IEEE Xplore, etc.). Foram analisados inicialmente 3.439 artigos, resultando em uma seleção final de 26 artigos que utilizam métodos de Deep Learning para detecção ou classificação de poluição visual.
• Proposta de Framework: Com base nas lacunas identificadas na revisão, os autores propuseram um modelo conceitual de monitoramento de cinco camadas, integrando algoritmos de visão computacional com métricas de gestão urbana.

3. Principais Contribuições

O artigo oferece três contribuições fundamentais para a área:

1. Mapeamento do Estado da Arte: Uma análise detalhada das arquiteturas de DL utilizadas (predominância de variações do YOLO, Faster R-CNN e EfficientDet) e dos conjuntos de dados existentes (como TACO e datasets regionais), evidenciando a escassez de benchmarks globais e padronizados.
2. Proposta de Taxonomia Unificada: Uma sugestão de classificação sistemática de poluentes visuais, dividida em categorias como: defeitos estruturais/rodoviários, publicidade/sinalização, cabos de utilidade pública, lixo/resíduos, resíduos industriais e pichações.
3. Framework de Monitoramento em Tempo Real: Um design de sistema estruturado em cinco camadas:
   • Camada 1 (Aquisição): Coleta de dados via CCTV, drones, câmeras de rua e reportes de cidadãos.
   • Camada 2 (Detecção): Uso de modelos leves (ex: YOLOv8) para localização de objetos.
   • Camada 3 (Segmentação): Delimitação ao nível de pixel para calcular a proporção de área ocupada pelo poluente.
   • Camada 4 (Classificação): Atribuição de categorias semânticas aos objetos detectados.
   • Camada 5 (Relatórios e Indexação): Conversão de dados técnicos em decisões de gestão.

4. Resultados e Proposta de Índice (VPI)

A principal inovação quantitativa proposta é o Índice de Poluição Visual (VPI - Visual Pollution Index). O VPI é uma fórmula matemática projetada para converter detecções de IA em um score de severidade de 0 a 100, calculado da seguinte forma:

$$VPI = 100 \times (\alpha D + \beta S + \gamma R) \times W$$

Onde:

• D (Densidade): Número de poluentes por unidade de área.
• S (Razão de Severidade/Área): Fração da imagem ocupada pelos poluentes (via segmentação).
• R (Frequência de Recorrência): Periodicidade com que o problema reaparece.
• W (Peso de Contexto Espacial): Escalonamento baseado na sensibilidade da área (ex: proximidade de hospitais ou escolas).

Este índice permite a criação de mapas de calor (heatmaps) para que gestores públicos priorizem intervenções de limpeza e manutenção.

5. Significância e Impacto

O trabalho demonstra que a automação da gestão visual tem implicações que vão além da estética:

• Planejamento Urbano: Permite decisões baseadas em dados para manter o equilíbrio visual das cidades.
• Saúde Pública e Controle de Pandemias: O monitoramento de lixo e resíduos pode identificar focos de doenças (como o mosquito Aedes aegypti em áreas de descarte inadequado), auxiliando no controle de epidemias como a Dengue.
• Cidades Inteligentes: Fornece uma base tecnológica para integrar a percepção ambiental ao ecossistema de Smart Cities, transformando o monitoramento de um processo reativo em um sistema proativo e preditivo.