Identificação de elasmobrânquios marinhos ameaçados de extinção por meio de aprendizado de máquina profundo
| Título | Identificação de elasmobrânquios marinhos ameaçados de extinção por meio de aprendizado de máquina profundo | pt_BR |
| Autor | Silva, Cristopher de Oliveira | |
| Orientador | Machado, Rodrigo | |
| Orientador | Garcia, Merisandra Côrtes de Mattos | |
| Resumo / Abstract | A 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. | pt_BR |
| Data de publicação | 2025-12 | |
| Tipo | Trabalho de Conclusão de Curso - TCC | pt_BR |
| Idioma | pt_BR | pt_BR |
| Palavras-chave | Visão computacional | pt_BR |
| Palavras-chave | Aprendizado por transferência | pt_BR |
| Palavras-chave | Classificação de espécies | pt_BR |
| Palavras-chave | Captura acidental | pt_BR |
| Palavras-chave | Conservação marinha | pt_BR |
| Descrição | Artigo de Conclusão de Curso, apresentado para obtenção do Grau de Bacharel no curso de Ciência da Computação da Universidade do Extremo Sul Catarinense, UNESC. | pt_BR |
| Data de depósito | 2026-07-16T23:46:23Z | |
| Data de disponibilização | 2026-07-16T23:46:23Z | |
| URI | http://repositorio.unesc.net/handle/1/12957 | |
| Cobertura espacial | Universidade do Extremo Sul Catarinense | pt_BR |
| Data de criação | 2025-12 |