A correlação de eventos como pilar de segurança crítica ferroviária
Por Jadir Azeredo
Uma passagem de nível (PN) em uma ferrovia de carga não se trata de um simples cruzamento; ela se torna um ponto de interseção crítico onde o tráfego rodoviário comum cruza com a física pesada de uma composição ferroviária. Quando um veículo leve para sobre os trilhos, a margem para erro é zero. O tempo de reação de uma locomotiva de carga pesada não é medido em segundos, mas em quilômetros de frenagem obrigatória. Em cenários de segurança crítica como este, a tecnologia de monitoramento não pode atuar apenas como um sensor de registro passivo. Ela precisa funcionar como um mecanismo de garantia de vida ultrapreciso, onde falsas leituras ou atrasos de milissegundos impactam diretamente a eficiência operacional e a integridade humana.
A proteção regulamentar da passagem de nível é definida pela ABNT NBR 15942, que classifica os equipamentos de proteção obrigatórios — da sinalização passiva à cancela automática. A solução aqui descrita não substitui esses dispositivos nem redefine a proteção normativa da travessia: atua como camada suplementar de monitoramento, ampliando a percepção situacional da operação e antecipando ao maquinista a informação de obstrução detectada em campo. Monitorar uma malha que se estende por mais de 700 km altera completamente a natureza do problema, transformando-o de um desafio puramente logístico em um problema complexo de arquitetura de dados e infraestrutura. A abordagem, por vezes, ingênua do mercado — implementar câmeras comerciais com IA embarcada e direcionar os alertas diretamente para a operação — torna-se ineficaz em larga escala. Sistemas isolados de vídeo-analítico geram um volume massivo de falsos positivos devido às condições do cenário, variações climáticas e à própria dinâmica da via. Esse excesso de ruído causa fadiga de alarmes nos operadores do Centro de Controle Operacional (CCO), o que, na prática, anula a eficiência da segurança. O verdadeiro desafio não está em capturar a imagem, mas em filtrar e validar o dado bruto em tempo real antes que ele sature a operação.
Para mitigar essas vulnerabilidades na Estrada de Ferro Carajás (EFC), desenhamos uma topologia de rede e monitoramento baseada em redundância física e lógica. Cada passagem de nível utiliza uma célula composta por quatro câmeras: uma câmera fixa com leitura de placas (LPR), duas câmeras com analíticos de vídeo inteligente (IVS) e uma PTZ de alta velocidade com recurso de auto-tracking. O canal LPR monitora a PN permanentemente, utilizando algoritmos de estacionamento proibido para identificar veículos estáticos na zona de risco por um período mínimo configurado. Simultaneamente, os canais IVS processam o fluxo de pedestres e cruzamentos cotidianos, criando uma camada de dupla confirmação com o LPR. Toda essa telemetria é concentrada no software de gerenciamento de vídeo (VMS), que unifica os 700 km de malha. Se o evento é validado, a matriz de comutação direciona um pop-up imediato em um videowall no CCO, plota a coordenada exata no mapa georreferenciado e comanda a câmera PTZ para travar o foco e rastrear o alvo, registrando o snapshot e o fluxo de vídeo em storages dimensionados para uma retenção mínima de 90 dias.
A necessidade dessa arquitetura ficou evidente durante a fase de testes em campo. O vídeo-analítico puro falhou diante do principal elemento da via: a própria locomotiva. Ao cruzar a PN de forma lenta ou realizar manobras operacionais, o trem ocupava a zona delimitada por tempo suficiente para uma falsa detecção. O algoritmo de IA interpretava aquela massa metálica estática como um veículo obstruindo a via de forma irregular e gerava alertas contínuos de “estacionamento proibido”. Para a operação, esses falsos positivos gerados pela IA isolada tornaram-se insustentáveis.
A resolução do problema não consistiu em ajustar a sensibilidade do algoritmo ou aplicar filtros ópticos, mas em alterar a lógica de tomada de decisão do sistema, tirando o peso da decisão da IA primária. Desenvolvemos uma regra de evento combinado dentro do VMS, baseada em correlação de dados. Estabelecemos dois pontos virtuais de checagem física na linha férrea: um à direita e outro à esquerda da PN. A lógica foi reconfigurada para que, se os sensores detectarem a passagem sequencial da locomotiva por esses dois pontos, qualquer gatilho ativo de estacionamento proibido naquela janela de tempo seja sumariamente descartado pelo sistema. Com isso, o vídeo-analítico foi rebaixado para a função de proponente de eventos, enquanto a lógica de correlação de múltiplas variáveis assumiu o papel de decisão final. O sistema passou a validar o contexto e não apenas o objeto.
O caso prático consolida uma lei geral para engenharia de sistemas em infraestruturas críticas: em ambientes onde a falha gera riscos catastróficos, nenhum analítico isolado deve reter a lógica primária de segurança. A inteligência artificial é uma excelente ferramenta estatística para reconhecimento de padrões, mas carece de contexto operacional. A confiabilidade de um sistema de missão crítica não é mensurada pela capacidade de detecção de uma única câmera pontual, mas pelo nível de maturidade da camada de correlação lógica que valida o evento através de fontes de dados independentes. Trata-se de desenhar arquiteturas onde as ferramentas propõem cenários, mas as regras de negócio e de correlação dispõem a resposta.
A aplicação desse princípio lógico resultou na identificação de obstruções reais em tempo real nas PNs, traduzindo dados de vídeo em alertas audiovisuais preditivos. Essa automação permite a antecipação da resposta dos condutores e maquinistas quilômetros antes do trecho afetado, otimizando o tempo de reação, preservando a integridade dos ativos de TI e infraestrutura e, prioritariamente, salvando vidas nos trilhos.
Jadir Azeredo
Atua há mais de 25 anos em tecnologia, com trajetória consolidada há mais de 15 anos em projetos de segurança eletrônica para os setores de energia, financeiro, governamental e forças armadas. É técnico em Telecomunicações, graduado em Gestão de TI e Análise de Sistemas, e possui múltiplas pós-graduações em Gestão de Projetos, Infraestrutura, Redes e Computação Forense.
