Native Bee Scan: App Inteligente para Identificação de Abelhas Nativas Utilizando Técnicas de IA

• Manoel F. C. Neto UFPA
• André J. A. Ramos UFPA
• João P. S. Cardoso UFPA
• William V. Direito UFPA
• Vivian C. N. Albuquerque UFRA
• Marcos E. C. Oliveira Embrapa
• Daniel S. Pereira Embrapa
• Roberto C. L. Oliveira UFPA

DOI: https://doi.org/10.5753/erad-no2.2023.236273

Resumo

Apresentamos o Native Bee Scan, aplicativo que utiliza técnicas de machine learning (ML) e visão computacional para identificar espécies de abelhas nativas sem ferrão, com foco em duas espécies, a Uruçu-amarela (Melípona flavolineata Friese) e Uruçu-cinzenta (Melipona fasciculata Smith), que desempenham um papel importante para o meio ambiente e para a criação de novos produtos baseados na biodiversidade Amazônica. Para isso, foi criado um banco de dados chamado Nbees_Dataset, com mais de 8000 imagens utilizando técnicas de Data Augmentastion, para auxiliar o desenvolvimento de um modelo de deep learning (DL). Foram realizados testes de inferência e acurácia do modelo em dispositivos Android, com precisão de 96,47%.

Referências

J. M Filho. A Revolução das Abelhas sem Ferrão. Revista Página 22, no 2019.

Potts, Simon G. et al. Global pollinator declines: trends, impacts and drivers. Trends in ecology & evolution, v. 25, n. 6, p. 345-353, 2010.

Yamamoto, M. el al. The role of bee diversity in pollination and fruit set of yellow passion fruit (Passiflora edulis forma flavicarpa, Passifloraceae) crop in Central Brazil. Apidologie. V(43): 515, 2012.

Ghazoul, Jaboury. Buzziness as usual? Questioning the global pollination crisis. Trends in ecology & evolution, v. 20, n. 7, p. 367-373, 2005.

Aizen, Marcelo A. et al. Long-term global trends in crop yield and production reveal no current pollination shortage but increasing pollinator dependency. Current biology, v. 18, n. 20, p. 1572-1575, 2008.

Arani, Samen Anjum et al. Melanlysis: A mobile deep learning approach for early detection of skin cancer. In: 2022 IEEE 28th International Conference on Parallel and Distributed Systems (ICPADS). IEEE, 2023. p. 89-97.

Zhu, Lili; Spachos, Petros. Butterfly classification with machine learning methodologies for an android application. In: 2019 IEEE Global Conference on Signal and Information Processing (GlobalSIP). IEEE, 2019. p. 1-5.

Khalid, Fatimah et al. Smartflora Mobile Flower Recognition Application Using Machine Learning Tools. In: 2022 IEEE 18th International Colloquium on Signal Processing & Applications (CSPA). IEEE, 2022. p. 204-209.

Lu, Yuzhen; Young, Sierra. A survey of public datasets for computer vision tasks in precision agriculture. Computers and Electronics in Agriculture, v. 178, p. 105760, 2020.