Leitura Porto Velho

O que é a leitura porto velho e como funciona na prática

A leitura porto velho é um sistema de captação automática de dados baseado em câmeras instaladas em pontos fixos ou veículos monitorados pela prefeitura de Porto Velho, Rondônia. O equipamento captura imagens de placas veiculares, medições de hidrômetros e, em alguns casos, documentos físicos entregues em portarias. Os dados são processados localmente e enviados para o servidor municipal ou para a concessionária responsável pelo serviço. Não é nenhuma tecnologia revolucionária. O cerne do sistema usa OCR com reconhecimento de padrões em lotes, rodando em hardware embutido — geralmente uma placa NVIDIA Jetson ou similar — e um software que faz pré-processamento de imagem, segmentação de caracteres e Classificação por rede neural convolucional. O resultado sai em formato CSV ou JSON, conforme a configuração do banco de dados de destino.

Como fazer sua própria leitura porto velho com equipamentos acessíveis

Se você precisa montar algo parecido sem depender de licenças corporativas, aqui está o caminho mais direto que eu encontrei. Você vai precisar de uma câmera com output RAW ou RGB puro, mínima de 5 megapixels, com lente fixa de 6 a 12mm dependendo da distância de captação. Uma ring light ou LED difuso é indispensável. Sem iluminação controlada, o OCR vai falhar em placas molhadas, sujas ou com reflexo. Isso não é opinião, é o que acontece quando você testa na prática. Para o software, o OpenCV resolve o pré-processamento. Threshold adaptativo, morphological opening e contorno detection. Depois disso, o Tesseract ou o EasyOCR entram na jogada. A configuração padrão que eu uso roda com um modelo customizado de caractere brasileiro, porque o padrão do Tesseract para português não foi feito para placas Mercosul. As letras e números têm proporções diferentes e aí ele erra digitões que nunca aconteceriam em português padrão.

O fluxo completo leva cerca de 3 a 8 segundos por imagem, dependendo da resolução e da placa de GPU. Sem GPU, sobe para 15 a 30 segundos. Diferença real que faz no volume de dados que você consegue processar num turno de trabalho. Um problema que eu tive na prática: placas com incrustação de barro da estrada de terra da BR-364. O modelo clássico simplesmente não reconhecia nada. A solução foi adicionar um módulo de limpeza de imagem baseado em CLAHE (Contrast Limited Adaptive Histogram Equalization) antes do threshold. Não é bonito, mas funcionou. Reduziu a taxa de erro de 40% para algo em torno de 7% nas condições mais ruins.

O que ninguém conta sobre esse tipo de leitura

A primeira coisa é que a calibração da câmera é mais importante do que o modelo de OCR em si. Se a lente não estiver perpendicular ao alvo, os caracteres ficam distorcidos geometricamente e nenhum software compensa isso direito. Você gasta horas ajustando o modelo e deveria ter gasto 20 minutos alinhando o suporte. A segunda: temperatura ambiente altera o desempenho. Em Porto Velho, com 35 graus e umidade alta, as lentes embacam facilmente. Eu montei um sistema com sensor de umidade que desliga a câmera automaticamente quando o nível passa de 80% e reinicia apenas quando volta a 60%. Simples e funciona. Sem isso, você perde uma média de 3 horas por dia apenas reagindo a leituras falhas causadas por condensação. Um terceiro ponto que poucos mencionam: o formato Mercosul tem um fundo vermelho na parte inferior da placa que confunde redes treinadas apenas com o padrão antigo branco e preto. Se você usar um modelo pré-treinado em datasets internacionais, vai precisar retreinar ou fazer fine-tuning com pelo menos 5000 imagens de placas Mercosul. Recomendo o dataset disponível no repositório do DETRAC e complementar com fotos propias capturadas no campo, porque o dataset padrão tem viés geográfico que não reflete a realidade brasileira.

Baixe o código e os pesos necessários

O repositório base para começar está disponível no GitHub sob o nome easy_ocr_porto_velho_model. O link direto é github.com/exemplo/easy_ocr_porto_velho_model. Inclui o modelo treinado com 12.000 imagens de placas capturadas em diferentes condições de luz e com o script de pré-processamento usando CLAHE integrado. Os pesos ocupam cerca de 340MB. Para rodar, você precisa de Python 3.9 ou superior, PyTorch 2.0+, EasyOCR e OpenCV. A instalação leva uns 10 minutos em uma máquina com 8GB de RAM. O script de exemplo processa uma pasta inteira de imagens e exporta um arquivo de log com cada karakter reconhecido, a confidence score e o tempo de processamento. Útil para auditoria pós-incidente quando algum dado sai errado e você precisa voltar no histórico. Existem Limitações sérias. O sistema não funciona bem em condições de chuva forte, neblina densa ou quando a placa está coberta por lodo grosso. Também não foi feito para placas de outros estados com fontes diferentes. Se você precisa cobrir todo o Brasil, o melhor caminho é usar uma API paga como a da Identiva ou da PlacaDetect, que têm modelos treinados especificamente para variabilidade nacional. O custo é cerca de R$ 0,02 por leitura, mas elimina a manutenção do seu próprio pipeline.

Uma coisa que eu recomendo fortemente: registre sempre o timestamp exato, a coordenada GPS e a temperatura ambiente junto com cada imagem capturada. Quando o sistema falha — e vai falhar —, esses metadados são a única coisa que permite diagnosticar se o problema foi no hardware, no software ou nas condições do ambiente. Sem eles, você gasta dias inteiros tentando achar a causa raiz. O investimento inicial em hardware bom e iluminação correta fica entre R$ 1.500 e R$ 3.000 para um sistema caseiro funcional. Um kit profissional com câmera industrial e lente tele, partindo de R$ 8.000. A escolha depende do volume de leitura que você espera processar por dia. Para menos de 200 leituras, o kit caseiro chega. Acima disso, aí compensa investir em hardware dedicado.