Identificação de elasmobrânquios marinhos ameaçados de extinção por meio de aprendizado de máquina profundo

Abstract

ResumoA detecção de espécies de peixes ameaçadas de extinção, especialmente em ambientes de pesca comercial, representa um desafio para a preservação da biodiversidade nos ecossistemas marinhos. A pesca acidental é responsável pela morte de animais marinhos não-alvo, e os métodos manuais de identificação falham em atender às demandas das operações pesqueiras modernas devido à sua baixa velocidade e precisão. Nesse contexto, a automação por meio de aprendizado de máquina profundo surge como uma possível solução. O objetivo desta pesquisa é analisar o desempenho de uma abordagem de aprendizado profundo, baseada em aprendizado por transferência e ajuste fino, para a identificação de elasmobrânquios marinhos ameaçados de extinção. Para isso, o estudo implementa uma estratégia de pré-processamento e aumento de dados e desenvolve o modelo utilizando a arquitetura MobileNetV2 pré-treinada. O modelo proposto MobileNetV2 alcançou uma acurácia média de 81,66%, um F1-score de 74,73% e uma precisão média de 69,12%, ao longo de 11 testes realizados que permitiram a obtenção de médias e desvio padrão para comprovação da consistência do modelo. A análise dos resultados indicou que a performance está diretamente associada à distinção visual entre as classes, concluindo-se que a alta similaridade morfológica presente no conjunto de dados foi um fator determinante para o desempenho da arquitetura na tarefa de classificação. Para futuras pesquisas, a expansão da base de dados com maior variabilidade de amostras é indicada como um passo fundamental para aprimorar os resultados e viabilizar a implementação de arquiteturas mais robustas.