Aplicando o Modelo YOLOv11 para Detectar e Segmentar Viveiros de Camarão em Imagens Georreferenciadas

• Alisson C. Ferreira IFCE
• Luís J. R. Oliveira UERN
• Ana Carla C. da Silva IFCE
• Bruno S. Ursulino IFCE
• Davidson A. Nunes IFCE
• Danielo G. Gomes UFC
• Raimundo V. C. F. IFCE

DOI: https://doi.org/10.5753/wcama.2025.7190

Resumo

O monitoramento de viveiros de camarão é essencial para acompanhar a produção aquícola e identificar novas áreas de cultivo. Neste artigo, propomos uma abordagem baseada em aprendizado de máquina utilizando o modelo YOLOv11 para detectar e monitorar viveiros nos estados do Ceará e Rio Grande do Norte. Criamos um conjunto de aproximadamente 200 imagens georreferenciadas da plataforma Copernicus©, abrangendo os espectros Red (R), Green (G), Blue (B), e Near-infrared (NIR), com anotações na plataforma Roboflow©. O modelo foi treinado com hold-out (80% treino, 20% validação) e avaliado pelas métricas precision, recall, mAP50 e mAP50-95. Os resultados ilustram a eficácia da abordagem na identificação de viveiros e na detecção de novas áreas de cultivo, contribuindo para o monitoramento aquícola e a formulação de políticas públicas.

Referências

Dong, D., Shi, Q., Hao, P., Huang, H., Yang, J., Guo, B., and Gao, Q. (2024). Intelligent detection of marine offshore aquaculture with high-resolution optical remote sensing images. Journal of Marine Science and Engineering, 12(1012).

Gomes, J. V. E. (2022). Detecção de objetos com a arquitetura yolo. Master’s thesis, Universidade Federal de Ouro Preto, João Monlevade, MG.

Greenstreet, W., Bucini, G., Bowen, M., and Radeloff, V. C. (2023). Detecting aquaculture with deep learning in a low-data setting. Remote Sensing in Ecology and Conservation.

IBGE (2023). Valor da produção da pecuária e aquicultura chega a R$ 122,4 bilhões em 2023. Acesso em 29 de dezembro de 2024.

Igarashi, M. A. (2022). Sinopse sobre os aspectos do potencial da produção e prospectos para o desenvolvimento do cultivo de camarão marinho no brasil, especialmente no nordeste brasileiro. Revista Semiárido De Visu, 10(3).

Jocher, G. and Qiu, J. (2024). Ultralytics yolo11.

Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., and Zitnick, C. L. (2014). Microsoft coco: Common objects in context. In Computer vision–ECCV 2014: 13th European conference, zurich, Switzerland, September 6-12, 2014, proceedings, part v 13, pages 740–755. Springer.

Quaade, S., Vallebueno, A., Alcabes, O. D. N., Rodolfa, K. T., and Ho, D. E. (2024). Remote sensing and computer vision for marine aquaculture. Science Advances, 10(eadn4944).

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection.

Werneck, P. R., Macedo, H. R., Morsoleto, F. M. d. S., Lira, K. C. d. S., and Feiden, A. (2023). Use of georeferencing as a sustainable planning tool for aquaculture production in small municipalities: a case study for ouro verde do oeste/pr. Research, Society and Development, 12(3):e17012338683.