Aplicando Redes Neurais Convolucionais em Imagens para Reconhecimento Automatizado de Abelhas Melíferas (Apis mellifera L.)

• Caio Martim Barros UFC http://orcid.org/0000-0002-0694-4542
• Emannuel Diego Gonçalves de Freitas IFCE http://orcid.org/0000-0003-4820-3459
• Antonio Rafael Braga UFC https://orcid.org/0000-0001-9105-9056
• Isac Gabriel Abrahão Bomfim IF Sertão PE https://orcid.org/0000-0001-5813-1896
• Danielo G. Gomes UFC https://orcid.org/0000-0002-8285-4629

DOI: https://doi.org/10.5753/wcama.2021.15733

Resumo

O reconhecimento de espécies de abelhas e demais polinizadores pode contribuir diretamente para a conservação de ecossistemas. O objetivo desse trabalho é desenvolver um modelo de processamento digital de imagens, para reconhecimento automático de abelhas melíferas (Apis mellifera L.) entre as demais espécies de abelhas e outros insetos, por meio do uso de redes neurais convolucionais. Para treinamento do modelo proposto foi utilizado um conjunto de dados composto por 2.300 imagens, separadas entre a espécie de abelha melífera e demais insetos (incluindo outras abelhas nessa classe), as quais foram denominadas de "Não Apis". O modelo de rede neural proposto respondeu com 94% de acurácia, culminando em um modelo de predição com um alto índice de precisão capaz de reconhecer imagens de abelhas melíferas e diferenciá-la das demais abelhas e outros insetos.

Palavras-chave: Apis mellifera L, Processamento Digital de Imagens, Classificação, CNN

Referências

Bomfim, I. G. A., Freitas, B. M., de Aragão, F. A. S., Walters, S. A., and Pessarakli, M. (2016). Pollination in cucurbit crops. Handbook of Cucurbits: Growth, Cultural Practices, and Physiology. Florida (US): CRC Press. https://doi.org/10.1201/b19233-16.

Buschbacher, K., Ahrens, D., Espeland, M., and Steinhage, V. (2020). Image-based species identification of wild bees using convolutional neural networks. Ecological Informatics, 55:37–45.

Fagundes, J. M. G., Rebelo, A. R., Digiampietri, L. A., and Bíscaro, H. H. (2020). Fully automatic segmentation of bee wing images. Revista Brasileira de Computação Aplicada, 12 (2):37–45.

Freitas, B. M. and Bomfim, I. G. A. (2017). A necessidade de uma convivência harmônica da agricultura com os polinizadores. Importância dos polinizadores na produção de alimentos e na segurança alimentar global. Brasília, DF: Centro de Gestão e Estudos Estratégicos.

Freitas, D., Camargo, S., Comin, H., Domingues, R., Gaspar, E., and Cardoso, F. (2019). Reconhecimento da ceratoconjuntivite infecciosa bovina utilizando imagens termográficas e redes neurais convolucionais. Revista Brasileira de Computação Aplicada, 11(3):133–145.

Gao, D., Sun, Q., Hu, B., and Zhang, S. (2020). A framework for agricultural pest and disease monitoring based on internet-of-things and unmanned aerial vehicles. Sensors, 20(5):1487.

Gonzalez, R. C. and Woods, R. E. (2011). Digital Image Processing. Pearson Prentice Hall, 3th edition.

Iost Filho, F. H., Heldens, W. B., Kong, Z., and de Lange, E. S. (2020). Drones: Innovative technology for use in precision pest management. Journal of economic entomology, 113(1):1–25.

Kasinathan, T., Singaraju, D., and Uyyala, S. R. (2020). Insect classification and detection in field crops using modern machine learning techniques. Information Processing in Agriculture.

Liu, S., Shih, F. Y., Russell, G., Russell, K., and Phan, H. (2020). Classification of ecological data by deep learning. International Journal of Pattern Recognition and Articial Intelligence, 34 (13):37 – 45.

Mason, L., Kondratieff, B. C., and Seshadri, A. (2018). Native Bee Watch: A Colorado Citizen Science Field Guide. Colorado State University, College of Agricultural Sciences

Milfont, M. d. O., Rocha, E. E. M., Lima, A. O. N., and Freitas, B. M. (2013). Higher soybean production using honeybee and wild pollinators, a sustainable alternative to pesticides and autopollination. Environmental chemistry letters, 11(4):335–341.

Monteiro, A. A. d. O. et al. (2019). Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais.

Morais, M. M., De Jong, D., Massage, D., and Gonçalves, L. S. (2012). Perspectivas e desafios para o uso das abelhas apis mellifera como polinizadores no brasil. Polinizadores no Brasil. Edusp, São Paulo, Brasil.

Potts, S. G., Imperatriz-Fonseca, V., Ngo, H., Biesmeijer, J. C., Breeze, T., Dicks, L., Garibaldi, L., Settele, J., Vanbergen, A. J., Aizen, M. A., et al. (2016). Summary for policymakers of the assessment report of the intergovernmental science-policy platform on biodiversity and ecosystem services (ipbes) on pollinators, pollination and food production. Technical report.

Rey, G. (2020). The bee or wasp? dataset: 19480 hand curated photos of bees, wasps and other insects. https://www.kaggle.com/jerzydziewierz/bee-vs-wasp. Accessed: 2021-04-12.

Roskov, Y., Kunze, T., Paglinawan, L., Orrell, T., Nicolson, D., Culham, A., Bailly, N., Kirk, P., Bourgoin, T., Baillargeon, G., et al. (2013). Species 2000 & itis catalogue of life, 2013 annual checklist.

Schurischuster, S. and Kampel, M. (2020). Image-based classification of honeybees. In 2020 Tenth International Conference on Image Processing Theory, Tools and Applications (IPTA), pages 1–6.

Sledevic, T. (2018). The application of convolutional neural network for pollen bearing bee classification. In 2018 IEEE 6th Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE), pages 1–4.

Tian, H., Wang, T., Liu, Y., Qiao, X., and Li, Y. (2020). Computer vision technology in agricultural automation —a review. Information Processing in Agriculture, 7(1):1–19.

Tuda, M. and Luna-Maldonado, A. I. (2020). Image-based insect species and gender classification by trained supervised machine learning algorithms. Ecological Informatics, 60:101135.

Yang, J. (2019). The beeimage dataset: Annotated honey bee images. https://www.kaggle.com/jenny18/honey-bee-annotate-images. Accessed: 2021-02-20.