Camera Que Pega Placa De Carro

O que realmente funciona na hora de ler placas no Brasil

A maioria das soluções de visão computacional para leitura de placas no Brasil esbarra num problema que o pessoal de fora do país nunca entende: a variedade absurda de fundos, fontes e estados. Placa preta do Mercosul, placa branca antiga, caracteres gastos por salinidade no litoral, sujeira, ângulos de montagem ruins. Se você só testou com imagens limpas da internet, seu sistema vai quebrar na primeira chuva. Vou direto ao ponto. O pipeline básico é: captura de vídeo, detecção de região de placa, correção geométrica, segmentação de caracteres e reconhecimento por rede neural. Mas é aí que a coisa complica na prática.

Escolhendo a camera que pega placa de carro

Não adianta comprar uma câmera de 4K com sensor bonito se o processamento vai rodar em cima de GPU integrata. O ganho real vem de sensores com good low-light performance e, se possível, global shutter. Rolling shutter distorce placas em movimento porque cada linha da imagem é capturada em instante ligeiramente diferente. Num cenário real, com veículo a 60 km/h, isso gera um desvio de uns 8 centímetros na placa processada. Já vi gente tentar compensar isso no pós-processamento e perder 40% dos frames por causa da distorção. O que eu recomendo baseado no que eu vi funcionando em campo: câmera IP com suporte a ONVIF, sensor CMOS com exposição manual ajustável, lente fixa de 6mm a 12mm dependendo da distância desejada, e iluminação auxiliar com LED infravermelho se for operar à noite. Placa com refleto responde muito bem a IR, mas cuidado com reflexo em para-brisas de veículos à frente.

Pipeline de detecção e reconhecimento

O padrão da indústria hoje usa YOLO ou similares para detectar a placa na cena, depois um modelo de segmentation como CRNN ou TransLRN para extrair os caracteres. A parte mais crítica não é o modelo em si, mas o pré-processamento. Normalização de contraste, correção de perspectiva baseada nos quatro cantos detectados, e aumento de dados com variações reais de clima e iluminação fazem toda a diferença. Um detalhe que pouca gente menciona: a placa do Mercosul tem dois caracteres extras na faixa lateral esquerda. Modelos treinados só com o formato antigo de três letras e quatro números vão falhar nesses casos. Você precisa de dataset que cubra ambos os formatos ou um módulo de classificação de tipo de placa antes do reconhecimento. No meu caso, eu enfrentei um problema específico num estacionamento com piso de concreto exposto a sol direto. A refração térmica acima do asfalto causava tremores visíveis na imagem da câmera, suficientes para derrubar a precisão de 94% para cerca de 67%. A solução foi simples mas contra-intuitiva: instalei a câmera com inclinação de 35 graus para baixo em vez dos 45 graus padrão, reduzi a altura de mount de 3 metros para 2,2 metros, e apliquei um estabilizador de imagem baseado em flux optical no pré-processamento. O resultado subiu para 91% de acerto, não tão alto quanto a teoria prometia, mas aceitável para operação real.

Dados e treinamento

O gargalo número um é dataset. Bancos públicos como ANPR e ALPR só têm placas americanas e europeias. Para o Brasil você precisa coletar suas próprias imagens ou comprar datasets especializados. Um dataset decente pra operar no país precisa de pelo menos 50 mil imagens anotadas, cobrindo todos os estados, ambos os formatos de placa, condições de chuva, noite e dia, e ângulos variados. Treinamento com transfer learning a partir de modelos pré-treinados em COCO ou ImageNet já começa num patamar razoável, mas o fine-tuning com dados brasileiros é obrigatório. Eu costumo usar learning rate em torno de 1e-4 com scheduler cosine, 50 epochs, e data augmentation agressiva com blur simulado, mudança de brilho e rotação aleatória. Batch size depende da GPU disponível, mas se tiver que escolher entre mais epochs ou batch maior, opte por mais epochs com batch menor. A generalização melhora.

Implantação e manutenção

Deploy não é instalar e esquecer. Câmeras precisam de recalibração periódica porque vibração de tráfego e variações térmicas deslocam o foco e o alinhamento. Eu reviso a calibração a cada três meses em pontos de alto tráfego. O modelo também pode degradar se o padrão de placas mudar – o que já aconteceu no Brasil com a transição para o Mercosul – então monitore a taxa de erro ao longo do tempo e retreinene quando cair abaixo de 85%. Se o seu uso é esporádico ou em baixa velocidade, considere soluções mais simples baseadas em templates e correspondência de características. Redes neurais profundas são overkill nessa situação e consomem recursos desnecessários. Por outro lado, se você precisa de alta taxa de captura em vias movimentadas, não economize em hardware de edge computing. Uma GPU tipo Jetson Orin NX roda inferência em tempo real com latência abaixo de 100ms por frame, o que é suficiente para a maioria dos cenários urbanos. O Brasil tem particularidades que documentação genérica não cobre. Placa de motorista profissional, placa temporária de transito, veículos antigos sem placa traseira, refleto danificado. Seu sistema precisa ter fallbacks para cada um desses casos, senão você vai ter muitos falsos negativos que parecem erros aleatórios mas na verdade são padrões previsíveis.