Classificação de predadores de abelhas melíferas utilizando redes neurais convolucionais e transferência de conhecimento
Resumo
A preservação da biodiversidade é um tema crucial em um mundo cada vez mais ameaçado pelas mudanças ambientais e pela perda de habitats naturais. A apicultura e a conservação das abelhas têm se mostrado fundamentais para a polinização de diversas culturas agrícolas e para a manutenção dos ecossistemas. As abelhas são insetos polinizadores importantes para a agricultura e o meio ambiente. No entanto, elas também são vulneráveis a predadores, como formigas, vespas e moscas. A identificação de predadores de abelhas é importante para proteger as colmeias e garantir o sucesso da polinização. Neste artigo, apresentamos um modelo computacional baseado em inteligência artificial (IA) para diferenciar abelhas de predadores, onde é treinado a partir de uma base de dados de imagens de abelhas e predadores. A análise dos resultados experimentais mostrou que o modelo proposto obteve uma acurácia satisfatória em relação à métrica Acurácia, obtendo um valor de 86.94%. O modelo utiliza diferentes extratores de características baseados em redes neurais convolucionais (CNNs) para extrair características das imagens, tais características são então classificadas por diferentes classificadores de padrões, como máquina de vetor de suporte (SVM), K-vizinhos mais próximos (k-NN) e rede neural multicamada (MLP).Referências
Bhuiyan, T., Carney, R. M., and Chellappan, S. (2022). Artificial intelligence versus natural selection: Using computer vision techniques to classify bees and bee mimics. Iscience, 25(9).
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20:273–297.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Identity mappings in deep residual networks. In Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part IV 14, pages 630–645. Springer.
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., et al. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF international conference on computer vision, pages 1314–1324.
Junior, D. M. R., dos Santos, J. B. S. V., Sant’Anna, D. O., et al. (2021). Polinização, abelhas-robô e a neutralidade da tecnologia. Liinc em Revista, 17(1):e5608–e5608.
Júnior, T. D. C. and Rieder, R. (2020). Automatic identification of insects from digital images: A survey. Computers and Electronics in Agriculture, 178:105784.
Kramer, O. and Kramer, O. (2013). K-nearest neighbors. Dimensionality reduction with unsupervised nearest neighbors, pages 13–23.
Liu, Z., Mao, H., Wu, C.-Y., Feichtenhofer, C., Darrell, T., and Xie, S. (2022). A convnet for the 2020s. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 11976–11986.
Lopes, A., Henriques, D., and Pinto, M. A. (2021). Vírus: os inimigos invisíveis da abelha (apis mellifera l.). O Apicultor, (114):9–15.
Maciel, F. A. O., Braga, A. R., da Silva, T. L. C., Freitas, B. M., and Gomes, D. G. (2018). Reconhecimento de padrões sazonais em colônias de abelhas apis mellifera via clusterização. Revista Brasileira de Computação Aplicada, 10(3):74–88.
Munhoz, A. T. (2000). Tópicos sobre manejo em abelhas. In Seminário Sul Brasileiro de Apicultores, pages 77–85, Pinhal. Evangraf.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Szegedy, C., Ioffe, S., Vanhoucke, V., and Alemi, A. (2017). Inception-v4, inceptionresnet and the impact of residual connections on learning. In Proceedings of the AAAI conference on artificial intelligence, volume 31.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Tan, M. and Le, Q. (2021). Efficientnetv2: Smaller models and faster training. In International conference on machine learning, pages 10096–10106. PMLR.
Taud, H. and Mas, J. (2018). Multilayer perceptron (mlp). Geomatic approaches for modeling land change scenarios, pages 451–455.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20:273–297.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Identity mappings in deep residual networks. In Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part IV 14, pages 630–645. Springer.
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., et al. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF international conference on computer vision, pages 1314–1324.
Junior, D. M. R., dos Santos, J. B. S. V., Sant’Anna, D. O., et al. (2021). Polinização, abelhas-robô e a neutralidade da tecnologia. Liinc em Revista, 17(1):e5608–e5608.
Júnior, T. D. C. and Rieder, R. (2020). Automatic identification of insects from digital images: A survey. Computers and Electronics in Agriculture, 178:105784.
Kramer, O. and Kramer, O. (2013). K-nearest neighbors. Dimensionality reduction with unsupervised nearest neighbors, pages 13–23.
Liu, Z., Mao, H., Wu, C.-Y., Feichtenhofer, C., Darrell, T., and Xie, S. (2022). A convnet for the 2020s. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 11976–11986.
Lopes, A., Henriques, D., and Pinto, M. A. (2021). Vírus: os inimigos invisíveis da abelha (apis mellifera l.). O Apicultor, (114):9–15.
Maciel, F. A. O., Braga, A. R., da Silva, T. L. C., Freitas, B. M., and Gomes, D. G. (2018). Reconhecimento de padrões sazonais em colônias de abelhas apis mellifera via clusterização. Revista Brasileira de Computação Aplicada, 10(3):74–88.
Munhoz, A. T. (2000). Tópicos sobre manejo em abelhas. In Seminário Sul Brasileiro de Apicultores, pages 77–85, Pinhal. Evangraf.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Szegedy, C., Ioffe, S., Vanhoucke, V., and Alemi, A. (2017). Inception-v4, inceptionresnet and the impact of residual connections on learning. In Proceedings of the AAAI conference on artificial intelligence, volume 31.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Tan, M. and Le, Q. (2021). Efficientnetv2: Smaller models and faster training. In International conference on machine learning, pages 10096–10106. PMLR.
Taud, H. and Mas, J. (2018). Multilayer perceptron (mlp). Geomatic approaches for modeling land change scenarios, pages 451–455.
Publicado
08/11/2023
Como Citar
PEREIRA, Leticia Torres; CHAGAS, Antony Michael A.; SILVA, Daniel Santos da; MASCENA, Valdenio Mendes; FRANCO, Wellington; SOUZA, Renato William R. de.
Classificação de predadores de abelhas melíferas utilizando redes neurais convolucionais e transferência de conhecimento. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 310-317.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26573.
