🎯 Capítulo 2.6 – Métricas de Comparação e Acurácia
Como o CCMBR Visor mede a precisão do reconhecimento por imagem
Quando o usuário envia uma imagem para o CCMBR Visor, o sistema retorna uma ou mais sugestões de moedas ou cédulas com base na similaridade visual.
Mas como o sistema “sabe” o que é mais parecido?
Como ele mede a certeza de que aquela é a peça correta?
A resposta está nas métricas de comparação e acurácia — algoritmos que calculam a distância visual entre a imagem enviada e as imagens cadastradas no banco.
🧠 O que a IA compara?
Durante o processo de reconhecimento, a IA transforma cada imagem em um conjunto de dados matemáticos — chamados vetores de características.
Esses vetores representam:
-
Bordas e contornos
-
Padrões de textura (ex: relevo, hachuras, molduras)
-
Proporções geométricas
-
Contrastes locais
-
Marcas visuais (ex: datas, selos, símbolos)
A IA então compara os vetores da imagem enviada com os vetores das imagens conhecidas.
📏 Principais Métricas Utilizadas
1. Cosine Similarity (Similaridade do Cosseno)
-
Mede o ângulo entre dois vetores de características
-
Resultados próximos de 1.0 indicam altíssima similaridade
-
Muito usada em reconhecimento visual
2. Euclidean Distance (Distância Euclidiana)
-
Mede a “distância” entre dois pontos no espaço vetorial
-
Quanto menor a distância, mais próximas são as imagens
3. Top-N Accuracy
-
Acurácia por posição de sugestão:
-
Top-1: o item mais provável foi o certo
-
Top-3: o item certo está entre os três primeiros
-
Top-5: está entre os cinco primeiros
-
4. Confidence Score (Pontuação de Confiança)
-
A IA retorna uma porcentagem de certeza com base no histórico do modelo
-
Exemplo:
-
Moeda de 50 centavos 2002 – 94% de confiança
-
Moeda de 1 real 1998 – 72%
-
Cédula de 100 cruzeiros 1974 – 58%
-
📊 O que o usuário vê?
O sistema pode exibir os resultados de forma intuitiva:
E também oferecer:
-
Imagens comparativas lado a lado
-
Link para "ver mais detalhes" ou "não é essa? tente de novo"
-
A possibilidade de confirmar ou corrigir o resultado, o que alimenta o aprendizado da IA
🚀 O sistema aprende com o tempo
Quanto mais usuários enviarem imagens e confirmarem os resultados corretos, melhor o modelo se torna. Isso é chamado de aprendizado supervisionado contínuo.
Você cria, com o tempo, uma IA brasileira, especializada e altamente precisa.
Comentário
