Temas de TCC de Ciência da Computação em Visão Computacional
Equipe editorial TCC Pronto · atualizado em
Visão Computacional busca extrair informação de imagens e vídeos: detectar objetos, segmentar regiões, reconhecer padrões e medir distâncias. Com câmeras em todo lugar, os problemas são abundantes, mas a qualidade das anotações e a ética no uso de imagens pedem cuidado. Veja temas de TCC de Ciência da Computação em Visão Computacional e como executá-los.
Temas de TCC: 12 ideias em Visão Computacional
Ideias de temas para TCC e monografia em Visão Computacional, cada uma já delimitada: problema de pesquisa, objetivo e metodologia para levar ao orientador.
1. Detecção de doenças em folhas de café por redes convolucionais leves para uso em celular
- Problema:
- Redes convolucionais leves mantêm boa acurácia na classificação de doenças em folhas de café quando executadas em celulares de entrada?
- Objetivo:
- Comparar acurácia, tamanho do modelo e tempo de inferência de arquiteturas leves na classificação de doenças foliares.
- Metodologia:
- Conjunto público de folhas complementado por fotos de campo, transferência de aprendizado, quantização e medição em celular real.
2. Contagem de veículos em vídeos de câmeras de trânsito com detecção e rastreamento de múltiplos objetos
- Problema:
- A combinação de um detector de estágio único com rastreador por associação conta veículos com erro inferior a 5% em vias urbanas?
- Objetivo:
- Implementar um sistema de contagem de veículos e medir o erro em diferentes condições de iluminação e tráfego.
- Metodologia:
- Vídeos públicos de câmeras de trânsito, contagem manual de referência e análise do erro por período do dia.
3. Segmentação de lesões de pele em imagens dermatoscópicas com U-Net e variações
- Problema:
- Mecanismos de atenção na U-Net melhoram a segmentação de bordas de lesões de pele em imagens dermatoscópicas públicas?
- Objetivo:
- Comparar a U-Net original com variantes com atenção na segmentação de lesões de pele.
- Metodologia:
- Conjunto público e anonimizado de dermatoscopia, validação cruzada, coeficiente Dice e IoU e análise dos casos de falha.
4. Detecção de focos de lixo descartado irregularmente em imagens de vias públicas
- Problema:
- Um detector de objetos treinado com poucas centenas de imagens anotadas identifica descarte irregular de lixo em fotos de ruas?
- Objetivo:
- Construir um conjunto anotado e avaliar a detecção de pontos de descarte irregular em imagens urbanas.
- Metodologia:
- Coleta de fotos em vias públicas sem pessoas identificáveis, anotação por dois anotadores, treino com transferência e mAP.
5. Reconhecimento de caracteres em placas de identificação de imóveis antigos com OCR de código aberto
- Problema:
- Ferramentas abertas de OCR leem números de imóveis em fachadas com fontes decorativas e desgaste?
- Objetivo:
- Medir a taxa de acerto de ferramentas de OCR e o efeito de pré-processamentos na leitura de placas de fachada.
- Metodologia:
- Fotos de fachadas públicas, pré-processamentos com OpenCV, taxa de erro por caractere e comparação entre ferramentas.
6. Estimativa de profundidade monocular para navegação de robôs de baixo custo em ambientes internos
- Problema:
- Modelos de estimativa de profundidade a partir de uma única câmera permitem evitar obstáculos com segurança em corredores?
- Objetivo:
- Avaliar o erro de profundidade e a taxa de colisões de um robô que usa estimativa monocular para navegar.
- Metodologia:
- Comparação com sensor de distância como referência, percurso padronizado com obstáculos e métricas de erro e de colisão.
7. Classificação de resíduos recicláveis em esteira com visão computacional embarcada
- Problema:
- Um classificador embarcado em placa de baixo custo separa plástico, papel e metal com velocidade compatível com uma esteira de triagem?
- Objetivo:
- Implementar e avaliar um classificador de resíduos recicláveis em hardware embarcado quanto a acurácia e latência.
- Metodologia:
- Conjunto público de resíduos mais fotos próprias, treino com transferência, implantação em placa embarcada e medição em esteira simulada.
8. Detecção de quedas de idosos em vídeo por estimativa de pose humana com privacidade preservada
- Problema:
- Usar apenas o esqueleto estimado, sem armazenar o vídeo, mantém a precisão na detecção de quedas?
- Objetivo:
- Desenvolver um detector de quedas baseado em pose e comparar seu desempenho com abordagens que usam o quadro completo.
- Metodologia:
- Conjuntos públicos de quedas simuladas, extração de pose, classificador temporal e métricas de sensibilidade e especificidade.
9. Aumento de dados sintéticos gerados em motor gráfico para detecção de objetos industriais
- Problema:
- Imagens sintéticas renderizadas reduzem a necessidade de fotos reais anotadas na detecção de peças industriais?
- Objetivo:
- Medir o ganho de desempenho ao combinar imagens sintéticas e reais em diferentes proporções no treino.
- Metodologia:
- Geração de cenas sintéticas com modelos 3D das peças, treino com proporções variadas e avaliação em fotos reais.
10. Robustez de classificadores de imagens a perturbações adversariais e a ruídos naturais
- Problema:
- Classificadores robustos a ataques adversariais também resistem melhor a ruídos naturais como desfoque e baixa iluminação?
- Objetivo:
- Comparar a queda de acurácia de modelos com e sem treino adversarial sob perturbações artificiais e naturais.
- Metodologia:
- Conjunto público de imagens com corrupções padronizadas, ataques de gradiente e análise da correlação entre os dois tipos de robustez.
11. Medição do diâmetro de troncos de árvores urbanas por fotos de celular com objeto de referência
- Problema:
- Fotos de celular com um cartão de tamanho conhecido permitem estimar o diâmetro de troncos com erro menor que 5%?
- Objetivo:
- Desenvolver e validar um método de estimativa do diâmetro de troncos a partir de fotos e segmentação.
- Metodologia:
- Fotos de árvores em praças públicas, segmentação do tronco, cálculo de escala pelo objeto de referência e comparação com fita métrica.
12. Detecção de fadiga de motoristas por análise de piscadas em vídeo com câmera infravermelha
- Problema:
- A frequência e a duração das piscadas, medidas por visão computacional, indicam sonolência em simulação de direção?
- Objetivo:
- Construir um detector de fadiga baseado em marcos faciais e avaliar sua concordância com escalas de sonolência.
- Metodologia:
- Experimento com voluntários em simulador, gravação aprovada pelo CEP via Plataforma Brasil, escala de sonolência e análise de concordância.
Do tema ao TCC: próximos passos
Escolhido o tema, transforme-o em estrutura: o gerador de sumário de TCC monta os capítulos a partir do problema e do objetivo. O passo a passo de como fazer monografia mostra cada etapa até a defesa, e as referências ABNT saem formatadas a partir das obras com DOI. Para entender o que a IA faz e o que continua sendo seu, veja TCC com IA.
Como escolher um tema de TCC em Visão Computacional
Defina a tarefa visual primeiro: classificação diz o que há na imagem, detecção diz onde está, segmentação delimita o contorno, e rastreamento acompanha ao longo do vídeo. A tarefa determina o tipo de anotação, o esforço de rotulagem e a métrica.
Em seguida, confira se há imagens disponíveis. Conjuntos públicos, como COCO, ImageNet e PlantVillage, servem para pré-treino e comparação. Se o problema for local, como uma praga regional ou um tipo de placa, você terá de coletar e anotar imagens próprias. Calcule as horas de anotação antes de assumir o tema.
Pense também no destino do modelo. Rodar em servidor com GPU é diferente de rodar em celular ou placa embarcada. Restrições de hardware viram critério de avaliação e ajudam a diferenciar o seu trabalho.
Linhas de pesquisa em alta em Visão Computacional
Os modelos de fundação para imagens mudaram a forma de começar um projeto, mas não eliminaram a necessidade de dados de qualidade e de avaliação rigorosa. O SIBGRAPI reúne a produção brasileira na área.
- Modelos leves para celulares e dispositivos embarcados
- Aprendizado com poucos exemplos e autossupervisionado
- Dados sintéticos e adaptação de domínio
- Visão computacional na agricultura e no meio ambiente
- Imagens médicas com foco em explicabilidade
- Estimativa de pose humana e análise de movimento
- Robustez a perturbações e ataques adversariais
- Visão computacional com preservação de privacidade
Metodologias mais usadas em Visão Computacional
O desenho experimental padrão começa com um conjunto anotado, dividido em treino, validação e teste sem sobreposição de cenas. Depois você treina modelos, geralmente com transferência de aprendizado, e compara métricas da tarefa: acurácia e F1 para classificação, mAP para detecção, Dice e IoU para segmentação.
Para medir algo no mundo físico, como diâmetro ou distância, compare com um instrumento de referência e use análises de concordância. Testes de robustez, com variação de iluminação, ângulo ou ruído, mostram se o modelo funcionará fora do laboratório.
Como fazer o TCC de Visão Computacional: passo a passo
Para a revisão, use o IEEE Xplore, a ACM Digital Library, o Portal de Periódicos da CAPES, os anais do SIBGRAPI e as versões abertas de artigos das grandes conferências da área. Bibliotecas como OpenCV e PyTorch têm documentação que serve de referência técnica.
Planeje a anotação com cuidado. Escreva regras claras sobre o que conta como objeto, use uma ferramenta de anotação de código aberto e, se possível, peça a um segundo anotador uma amostra para medir concordância. Divida os dados por local ou por sessão de captura, e não por imagem, para evitar que fotos quase idênticas apareçam no treino e no teste.
Os temas de TCC de Ciência da Computação em Visão Computacional com imagens de pessoas, como rostos, exames ou gravações, exigem aprovação do Comitê de Ética em Pesquisa pela Plataforma Brasil, conforme as Resoluções CNS 466/2012 e 510/2016. Dados biométricos são dados pessoais sensíveis na LGPD e pedem cuidado redobrado.
O sumário costuma incluir introdução, fundamentação, trabalhos relacionados, conjunto de dados e anotação, modelos, protocolo experimental, resultados, análise de falhas e conclusão.
- Defina a tarefa visual, o domínio e a métrica principal.
- Revise a literatura em IEEE, ACM, CAPES e SIBGRAPI.
- Escolha conjuntos públicos ou planeje coleta e anotação próprias.
- Se houver pessoas nas imagens, submeta o projeto ao CEP antes da coleta.
- Divida os dados por local ou sessão para evitar vazamento.
- Treine uma linha de base e o modelo proposto com o mesmo protocolo.
- Avalie robustez e mostre exemplos de acertos e de falhas.
Erros comuns no TCC de Visão Computacional
Os erros abaixo inflam resultados ou comprometem a ética do trabalho, e a banca costuma notá-los.
- Dividir imagens quase iguais entre treino e teste. Separe por local, vídeo ou paciente.
- Treinar e testar só em condições ideais. Avalie também com variação de luz e ângulo.
- Anotar sem regras escritas. Defina critérios e meça a concordância entre anotadores.
- Usar imagens de pessoas sem consentimento. Passe pelo CEP e siga a LGPD.
- Reportar acurácia em detecção. Use mAP com o limiar de IoU declarado.
- Ignorar o tempo de inferência quando o uso é embarcado. Meça no dispositivo real.
Obras para começar a pesquisa
Artigos em português sobre Visão Computacional publicados desde 2019, encontrados nas bases abertas OpenAlex e Crossref. Cada DOI foi conferido em 16/11/2026.
- GONÇALVES, Luiz M. G.; CLUA, Esteban. Aprendizado de Máquina Encontra Visão Computacional. Computação Brasil, 2019. DOI: 10.5753/compbr.2019.39.4524
- RODRIGUES, Pedro Henrique Benigno; LASTHAUS, Alexandre. Técnicas de visão computacional para classificação de peças. Revista Mackenzie de Engenharia e Computação, 2021. DOI: 10.5935/rmec.v21n1p144-167
- MORETTO, Marcos; KONFLANZ, Renato Mello. Protótipo de um robô seguidor de piso tátil utilizando visão computacional. Revista Eletrônica de Iniciação Científica em Computação, 2020. DOI: 10.5753/reic.2020.1712
- LOURENÇO, Luís; NERIS, Luciano. Visão Computacional Flexível para Autonomia Assistiva: Uma Solução Edge AI Não-Invasiva de Baixo Custo. Revista Eletrônica de Iniciação Científica em Computação, 2026. DOI: 10.5753/reic.2026.6703
- BARACHO, Marta dos Santos; TOLON, Yamilia Barrios. VISÃO COMPUTACIONAL E MONITORAMENTO DO COMPORTAMENTO DE SUÍNOS. Ciência & Tecnologia, 2025. DOI: 10.52138/citec.v17i01.409
Perguntas frequentes
Quantas imagens preciso para treinar um modelo no TCC?
Com transferência de aprendizado, algumas centenas de imagens por classe já produzem resultados razoáveis em muitos problemas. O número exato depende da variabilidade das imagens. Reserve um conjunto de teste independente e reporte intervalos de confiança.
Posso usar reconhecimento facial no TCC?
Pode, mas é um tema sensível. Dados biométricos são dados pessoais sensíveis segundo a LGPD, e a pesquisa com pessoas exige aprovação do Comitê de Ética em Pesquisa. Prefira conjuntos públicos com consentimento documentado e discuta riscos de viés.
Qual biblioteca usar em visão computacional?
OpenCV é a referência para processamento clássico de imagens. Para redes neurais, PyTorch é amplamente usado na pesquisa. Ferramentas de detecção prontas aceleram o trabalho, mas descreva bem a arquitetura e os parâmetros usados.
Como diferenciar meu TCC de tantos trabalhos de classificação de imagens?
Escolha um problema local, uma restrição de hardware ou uma pergunta metodológica, como o efeito de dados sintéticos ou da anotação. Um conjunto de dados novo e bem documentado também é uma contribuição valorizada.
Como montamos esta página
Os temas foram redigidos pela equipe do TCC Pronto como ponto de partida e precisam da aprovação do seu orientador. As obras vêm de bases acadêmicas abertas (OpenAlex e Crossref) e o DOI de cada uma foi conferido antes da publicação. Leia a obra antes de citá-la no seu trabalho.