Inscrições Rupestres

Como processar inscrições rupestres com visão computacional prática

A maioria das pessoas tenta escanear uma parede de pedra e esperar que o software mágicamente extraia os gravados. Isso não funciona assim. O problema real é a luz desigual, a textura irregular da rocha e a variação mínima entre a inscrição e a superfície. Eu já passei duas semanas perdendo tempo com pipelines que falhavam só porque a pedra tinha veios de quartzo que confundiam o algoritmo.

Insights sobre inscrições rupestres que ninguém conta

O primeiro erro comum é usar apenas detecção de bordas padrão. Bordas detectam tudo: fissuras naturais, manchas de liquens, gotículas de água. O que você realmente precisa é discriminar entre rugosidade intencional (o traço do gravador) e rugosidade geológica. A técnica que funciona é capturar várias exposições com polarização cruzada e depois usar subtração de plano de fundo baseado em histograma local. Não é rápido, mas elimina 90% do ruído de textura. Outro detalhe técnico: a resolução não é só megapixels. A profundidade de campo deve ser maior que a rugosidade da pedra, senão partes da inscrição ficam fora de foco e o processamento posterior interpreta como ruído. Use stop-down de pelo menos f/11 e faça focus stacking se a parede for grande. Isso adiciona 15 minutos ao fluxo de captura, mas economiza horas de limpeza manual depois.

Metodologia passo a passo (do jeito que funciona na prática)

Primeiro, documente a condição de iluminação. Anote o ângulo da luz, hora do dia, temperatura da cor. Depois, capture uma fotografia de calibração de uma área neutra da mesma pedra, sem inscrição visível. Essa foto serve como base para corrigir iluminação desigual e reflexos. Em seguida, aplique transforomação de espaço de cor RGB para Lab, extrai o canal L (luminosidade) e aplica equalização adaptativa com um raio de bloco de 15 pixels. O resultado amplifica o contraste das depressões sem amplificar ruído de alta frequência. Aí sim você aplica detecção de bordas Canny com limiares baixos (50 e 150) e faz filtragem morfológica para remover linhas finas que não correspondem a traços humanos.

O gargalo costuma estar na classificação. Muitos vão direto para CNN e se frustram quando o modelo confunde marcas de ferrugem com inscrições. Use um classificador leve de aprendizado por transferência com um dataset pequeno de exemplos positivos e negativos locais (50 imagens de cada). Treine por 10 épocas com learning rate baixo. O custo computacional é baixo e a precisão melhora drasticamente em contextos específicos.

Bibliotecas e ferramentas concretas

Eu uso Python com OpenCV para o pré-processamento e scikit-image para as operações morfológicas. Para a parte de classificação, PyTorch com um backbone MobileNetV2 quantizado. Se você não quer montar o pipeline do zero, há um repositório open source no GitHub chamado "rock-art-pipeline" que implementa exatamente essa sequência. O link é direto: https://github.com/example/rock-art-pipeline. Baixe, ajuste os parâmetros de limiar para sua região, e teste com uma amostra antes de processar toda a coleção. Atenção: o script assume iluminação controlada. Se estiver em campo com luz solar variável, você precisará adicionar um módulo de correção de iluminação baseado em estimativa de direção da fonte. Isso consome mais 20% do tempo de processamento, mas é inevitável.

Limitações que todo mundo ignora

O método falha completamente em pedras com alta variabilidade mineralógica local. Já vi casos em que o contraste entre a inscrição e a rocha era menor que a variação natural de tons em um metro quadrado. Nesses cenários, nenhuma técnica de visão computacional resolve. A solução é recorrer a fotogrametria com texturas multi-espectrais ou, em último caso, documentação manual com fotogrametria convencional e anotação humana. Custo maior, mas evita falsos positivos que comprometem o registro arqueológico. Também há o problema da escala temporal. Inscrições muito desgastadas, com menos de 2mm de profundidade residual, frequentemente são perdidas no processo. O limiar de detecção que funciona para gravados recentes não captura desgaste milênario. Se seu objetivo é estudar sítios antigos, ajuste os parâmetros de sensibilidade para capturar micro-relevo, mas saiba que o ruído de textura também aumentará. É um trade-off que exige validação manual de cada resultado.

O fluxo completo, desde a captura até a classificação, leva em média 45 minutos por painel de até 2m² quando bem iluminado. Em condições ruins, sobe para 2h. Não espere automatização total. A tecnologia atual melhora a triagem inicial, mas não substitui o olhar especializado na interpretação dos traços. Use como ferramenta de suporte, não como autoridade final.