Vision Transformers para a Classificação de Cianobactérias a partir de Imagens

• Rafael Prates Quevedo UNIPAMPA
• Bruno Boessio Vizzotto UNIPAMPA
• Elder de Macedo Rodrigues UNIPAMPA
• Rodrigo Brandão Mansilha UNIPAMPA
• Eliezer Soares Flores UNIPAMPA

DOI: https://doi.org/10.5753/eramiars.2025.16642

Resumo

A qualidade da água é afetada pela presença de cianobactérias, cuja identificação por métodos tradicionais é lenta e/ou imprecisa. Abordagens baseadas em redes neurais convolucionais (CNNs) possuem limitações na captura de relações espaciais globais. Este trabalho propõe o uso de arquiteturas baseadas em Transformadores como extrator de características para o processo de classificação. O sistema proposto superou uma alternativa baseada em MobileNet, alcançando um F1-Score ponderado de 96,89% em um conjunto de teste desbalanceado. Os resultados evidenciam o potencial dos Transformadores para automatizar a identificação de cianobactérias, demonstrando robustez em cenários com desbalanceamento de classes.

Referências

Caron, M., Touvron, H., Misra, I., Jégou, H., Mairal, J., Bojanowski, P., and Joulin, A. (2021). Emerging properties in self-supervised vision transformers.

Chorus, I. and Welker, M. (2021). Toxic cyanobacteria in water: A guide to their public health consequences, monitoring and management. Taylor & Francis, London, 2 edition.

Dashkova, V., Malashenkov, D., Poulton, N., Vorobjev, I., and Barteneva, N. S. (2017). Imaging flow cytometry for phytoplankton analysis. Methods, 112:188–200.

Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., et al. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.

He, H. and Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9):1263–1284.

Khan, S., Naseer, M., Hayat, M., Zamir, S. W., Khan, F. S., and Shah, M. (2022). Transformers in vision: A survey. ACM Computing Surveys, 54(10s):1–41.

Kianian, I., Mottaqi, M. S., Mohammadipanah, F., and Sajedi, H. (2024). Automated identification of toxigenic cyanobacterial genera for water quality control purposes. Journal of Environmental Management, 362.

MacKeigan, P. W., Garner, R. E., Monchamp, M.-È., Walsh, D. A., Onana, V. E., Kraemer, S. A., Pick, F. R., Beisner, B. E., Agbeti, M. D., da Costa, N. B., et al. (2022). Comparing microscopy and DNA metabarcoding techniques for identifying cyanobacteria assemblages across hundreds of lakes. Harmful Algae, 113:102187.

Zamyadi, A., Choo, F., Newcombe, G., Stuetz, R., and Henderson, R. K. (2016). A review of monitoring technologies for real-time management of cyanobacteria: Recent advances and future direction. TrAC Trends in Analytical Chemistry, 85:83–96.