Reconhecimento e classificação de espécies de peixes utilizando redes neurais convolucionais

Abstract

O aumento no consumo de alimentos provenientes de ambientes aquáticos é acompanhado por desafios ambientais e técnicos. Este aumento, impulsionado pelo crescimento populacional e urbanização, demanda uma variedade maior de alimentos. No entanto, essa crescente demanda apresenta consequências, como a sobrepesca. Um dos desafios é a identificação das espécies marinhas que são afetadas pelas atividades humanas, o que é crucial para diversas áreas, mas que se mostra complexa mesmo para especialistas, devido à ampla diversidade fenotípica e à variação morfológica sutil entre diferentes espécies, o que exige conhecimento em taxonomia e ecologia marinha. Portanto, esta pesquisa tem como objetivo analisar o desempenho dos modelos de redes neurais profundas ResNet-50 e AlexNet no desafio de classificação das espécies de peixes, seguindo cinco fases principais: levantamento bibliográfico, construção da base de imagens, desenvolvimento dos modelos de redes neurais convolucionais, treinamento e teste dos modelos, e análise dos resultados. Além disso, a pesquisa apresenta uma arquitetura modificada, baseada na estrutura básica da AlexNet, com o objetivo de melhorar a generalização do modelo para dados não vistos. Os resultados obtidos demonstram uma superioridade do modelo de rede neural ResNet-50 ao modelo AlexNet, atingindo uma acurácia de 85% em seus melhores cenários, enquanto a AlexNet alcançou 68%. No entanto, a estrutura modificada da AlexNet foi capaz de superar essa superioridade, apresentando uma acurácia de 92% em seu melhor cenário de teste.