PlantAI: Aplicativo de classificação e localização de plantas em risco de extinção na Mata Atlântica
Resumo
A identificação de espécies de plantas em extinção é uma tarefa importante, porém complexa. O projeto Lista Vermelha existe para catalogar a lista de plantas classificadas em diferentes níveis de ameaça e conta com uma equipe composta por profissionais responsáveis em avaliar o risco de extinção de espécies da flora brasileira. Ainda assim, devido à diversidade e à similaridade contida nos biomas brasileiros, a identificação correta de plantas não é uma tarefa trivial. Os avanços tecnológicos vieram contribuir neste sentido, tornando possível a obtenção de um grande volume de dados de diferentes fontes, o que motivou este trabalho a apresentar um aplicativo protótipo instruído para classificar plantas com diferentes níveis de ameaça da Mata Atlântica, e mapeá-las de forma colaborativa. Uma Rede Neural Convolucional foi treinada com amostras aumentadas de diferentes espécies de plantas, utilizando a técnica de transferência de aprendizado em diferentes blocos de convolução do modelo MobileNet, e é utilizada para a classificação online de imagens coletadas com o aplicativo. Os experimentos foram realizados no município de Jacareí-SP. Para as duas espécies avaliadas, Araucária e Pitanga, obteve-se a acurácia superior a 90%.
Referências
Degrossi, L. C. (2015). Uma abordagem para obtenção e disponibilização em tempo real de informações geográficas voluntárias no contexto de gestão de risco de inundação. PhD thesis, Universidade de São Paulo.
Flora do Brasil 2020 em construção (2020). Jardim botânico do rio de janeiro. Disponível em: < https://bit.ly/3drneKf >. Acesso em: 2020-03-15.
Goodchild, M. F. (2007). Citizens as sensors: the world of volunteered geography. Geo- Journal, 69(4):211–221.
Goodchild, M. F. and Li, L. (2012). Assuring the quality of volunteered geographic information. Spatial statistics, 1:110–120.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press. http://www.deeplearningbook.org.
Hirota, M. M. (2016). A mata atlântica invisível nas cidades. Disponível em: < https: //bit.ly/3afkfma >. Acesso em: 2020-03-13.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages 1097–1105.
Kumar, N., Belhumeur, P. N., Biswas, A., Jacobs, D. W., Kress, W. J., Lopez, I. C., and Soares, J. V. (2012). Leafsnap: A computer vision system for automatic plant species identification. In Computer vision–ECCV 2012, pages 502–516. Springer.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436– 444.
MMA(1998). Primeiro relatório nacional para a convenção sobre diversidade biológica. https://bit.ly/2UBftZN.
MMA (2016). Quinto Relatório Nacional para a Convenção sobre Diversidade Biológica. https://bit.ly/2UgPR5e.
MMA(2018). Mata atlântica. https://bit.ly/3aePoWS. Acesso em: 2020-03-15.
Nielsen, M. A. (2015). Neural networks and deep learning, volume 2018. Determination press San Francisco, CA, USA:.
Perez, L. and Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621.
Rawat, W. and Wang, Z. (2017). Deep convolutional neural networks for image classification: A comprehensive review. Neural Computation, 29(9):2352–2449. PMID: 28599112.
Schutt, R. and O’Neil, C. (2013). Doing Data Science: Straight Talk from the Frontline. O’Reilly Media, Inc.
Yosinski, J., Clune, J., Bengio, Y., and Lipson, H. (2014). How transferable are features in deep neural networks? In Advances in neural information processing systems, pages 3320–3328.
