CLASSIFICAÇÃO DE IMAGENS DE CRUSTÁCEOS USANDO APRENDIZADO DE MÁQUINA E APRENDIZADO PROFUNDO, COM ÊNFASE NA SUPERORDEM PERACARIDA (MALACOSTRACA: CRUSTACEA)

Maria Luiza de França Duda; Luciano de Souza Cabral

doi:10.15628/holos.2025.17940

Autores

Maria Luiza de França Duda Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE) https://orcid.org/0000-0002-8903-7656
Luciano de Souza Cabral Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE) https://orcid.org/0000-0002-4235-5753

DOI:

https://doi.org/10.15628/holos.2025.17940

Palavras-chave:

Reconhecimento de imagens, Redes Neurais Convolucionais, Biologia Computacional, Amphipoda, Cumacea

Resumo

Este estudo aborda o uso de inteligência artificial e reconhecimento de imagem para classificação de espécimes da Superordem Peracarida. Buscando identificar o modelo ideal de rede neural, foi conduzida uma revisão sistemática da literatura sobre o emprego de inteligência artificial na identificação do . O experimento comparou redes neurais (ANN, CNN e SVM) na classificação de imagens de nove ordens de crustáceos, revelando que o modelo CNN obteve a maior acurácia geral, alcançando 82,8%. Subsequentemente, o segundo experimento focou no treinamento e predição de imagens exclusivamente da Superordem Peracarida, obtendo uma acurácia geral de 63,69%. O desafio destacado foi a semelhança morfológica entre as ordens de Peracarida.

Downloads

Não há dados estatísticos.

Biografia do Autor

Maria Luiza de França Duda, Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)

Doutoranda em Ciências da Computação pelo Centro de Informática da Universidade Federal de Pernambuco, com tese na área de Inteligência Computacional. Possui Mestrado em Oceanografia pelo programa de Pós-Graduação em Oceanografia da UFPE, defendeu a dissertação intitulada "Taxonomia e ecologia do gênero Campylaspis G.O. Sars, 1866 (Cumacea, Nannastacidae) nas Bacias de Sergipe e Campos". Possui graduação em Ciências Biológicas Licenciatura pela UFPE (2021), e graduação em Análise e Desenvolvimento de Sistemas pelo Instituto Federal de Pernambuco (2023). Tem experiência em Divulgação Científica, Taxonomia da ordem Cumacea (Peracarida, Crustacea) e Classificação de imagens de crustáceos peracáridos utilizando Machine e Deep Learning. Premiada duas vezes na Jornada de Iniciação Científica da FACEPE 2019 e 2020, com o projeto intitulado "Representatividade científica e social do Museu de Oceanografia da UFPE, e a utilização da instituição como um espaço não formal de ensino", Prêmio Ricardo Ferreira ao Talento Jovem Cientista.

Luciano de Souza Cabral, Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)

Bacharel em Sistemas de Informação com ênfase em Engenharia de Software (Estácio/FIR-2006), Mestre em Ciências da Computação / Inteligência Artificial (CIn-UFPE-2009), Doutor em Engenharia Elétrica / Comunicações (DES-UFPE-2015), Pós-doutorado em Ciências da Computação / Inteligência Artificial (CIn-UFPE-2017) e Pós-doutorado em Ciências da Computação / Inteligência Artificial (C.E.S.A.R-2023) . Atualmente é Professor Associado e Pesquisador do Instituto Federal de Pernambuco / Cientista de Dados e Pesquisador NEES-UFAL. Possui experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, Engenharia de Software, Redes, Segurança e Tecnologias emergentes. Especialista em diversas tecnologias, possuindo algumas certificações internacionais, tais como: Dell Certified Systems Expert, Microsoft Certified Systems Administrator, AWS Certified Solutions Architect, Huawei Certified ICT Associate - Artificial Intelligence, Oracle Certified Professional. Ainda é Instrutor oficial e certificado em diversos projetos de ensino e extensão, tais como: Huawei Certified Academy Instructor, AWS Academy Accredited Educator, Cisco Certified Academy Instructor Cisco Certified Instructor Trainer. Possui mais de 50 publicações em congressos e revistas nacionais e internacionais, ainda é autor de 5 livros e 1 patente. No IFPE - Campus Jaboatão exerceu as funções de Diretor Geral substituto e Diretor de Ensino (2018-2020), Chefe da Divisão de Pesquisa, Extensão, Inovação e Pós-graduação (2015-2017), Coordenador de Curso (2015-2015), Coordenação PRONATEC (2015-2015) e Coordenação de Tecnologia da Informação e Comunicação (2014-2015).

Referências

AHMED, S. A.; DEY, S.; SARMA, K. K. (2011). Image texture classification using Artificial Neural Network (ANN). In: National Conference on Emerging Trends and Applications in Computer Science, 2., 2011. doi: 10.1109/ncetacs.2011.5751383. Acesso em: 27 jan. 2023.

ARAI, T. I. (2024). Peracarida in Catálogo Taxonômico da Fauna do Brasil. PNUD. Disponível em: http://fauna.jbrj.gov.br/fauna/faunadobrasil/186142. Acesso em: 20 jan. 2024

BI, H.; GUO, Z.; BENFIELD, M. C.; FAN, C.; FORD, M.; SHAHRESTANI, S.; SIERACKI, J. M. (2015). A semi-automated image analysis procedure for in situ plankton imaging systems. PloS one, vol. 10, no. 5, p. e0127121, 2015. Disponível em: 10.1371/journal.pone.0127121. Acesso em: 20 jan. 2023.

BRITO, A. D. R.; SEREJO, C. S. (2020). On the taxonomy of the genus Cyclaspis Sars, 1865 (Crustacea: Cumacea: Bodotriidae) from the Brazilian coast, with three new records and descriptions of three new species. Marine Biodiversity, v. 50, n. 5, p. 66, 2020. Disponível em: https://doi.org/10.1007/s12526-020-01073-9. Acessado em: 22 fev. 2023.

BRUSCA, R.C. & BRUSCA, G.J. (2007). Invertebrados. 2a edição. Editora Guanabara-Koogan, Rio de Janeiro. 968 pp.

CÉSPEDES SISNIEGA, J. et al. (2018). Clasificación de imágenes de especies de zooplancton utilizando Deep Learning. 2018. Disponível em: http://hdl.handle.net/10902/16300. Acessado em: 18 dez. 2022.

DAHMS, H.-U. (1995). Dormancy in the Copepoda—an overview. Hydrobiologia, vol. 306, pp. 199-211, 1995. Disponível em: https://doi.org/10.1007/BF00017691. Acessado em: 20 jan. 2023.

DEMİR, B.; ERTÜRK, S. (2009). Improving SVM classification accuracy using a hierarchical approach for hyperspectral images. In: IEEE International Conference on Image Processing (ICIP), 2009, 16., 2009. doi: 10.1109/icip.2009.5414491. Acessado em: 27 jan. 2023.

DENG, J.; DONG, W.; SOCHER, R.; LI, L.-J.; LI, K.; FEI-FEI, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, pp. 248-255, 2009. Disponível em: 10.1109/CVPR.2009.5206848. Acessado em: 28 jan. 2023.

DUNN, C. W.; Giribet, G.; EDGECOMBE, G. D.; HEJNOL, A. (2014). Animal phylogeny and its evolutionary implications. Annual review of ecology, evolution, and systematics, vol. 45, pp. 371-395, 2014. Disponível em: 0.1146/annurev-ecolsys-120213-091627. Acessado em: 18 jan. 2023.

DU TOIT, I. (2015). Crustacea Zooscan Image Database. Kaggle, 2015. Disponível em: https://www.kaggle.com/datasets/iandutoit/crustacea-zooscan-imagedatabase. Acessado em: 14 nov. 2022.

DYBÅ, T.; DINGSØYR, T.; HANSSEN, G. (2007). Applying Systematic Reviews to Diverse Study Types: An Experience Report. Proceedings - 1st International Symposium on Empirical Software Engineering and Measurement, pp. 225-234, ESEM 2007.

HEREDIA, I. (2017). Large-scale plant classification with deep neural networks, in Proceedings of the Computing Frontiers Conference, pp. 259–262, ACM, 2017. Disponível em: 10.1109/ESEM.2007.59. Acessado em: 02 fev. 2023.

JIAO, W.; ATWAL, G.; POLAK, P.; KARLIC, R.; Cuppen, E.; PCAWG Tumor Subtypes and Clinical Translation Working Group; DANYI, A.; DE RIDDER, J.; VAN HERPEN, C.; Lolkema, M. P.; Steeghs, N.; Getz, G.; MORRIS, Q. D.; STEIN, L. D.; PCAWG Consortium. (2020). A deep learning system accurately classifies primary and metastatic cancers using passenger mutation patterns. Nat Commun, vol. 11, no. 1, p. 728, 2020. Disponível em: https://doi.org/10.1038/s41467-019-13825-8. Acessado em: 23 jun. 2023.

KITCHENHAM, B.; CHARTERS, S. (2007). Guidelines for performing Systematic Literature Reviews in Software Engineering. Technical Report EBSE 2007-001, Keele University and Durham University Joint Report, 2007. Disponível em: https://www.cs.auckland.ac.nz/~norsaremah/2007%20Guidelines%20for%20performing%20SLR%20in%20SE%20v2.3.pdf. Acessado em: 13 dez. 2023.

KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, pp. 1097-1105, 2012. Disponível em: https://doi.org/10.1145/3065386. Acessado em: 08 mar. 2023.

LAI, C. F.; WEN, T. H.; LEE, H. C. (2016). Identification of lenses for the imaging of planktonic organisms. Optics Express, vol. 24, no. 2, pp. A97-A104, 2016.

LEOW, K. Y.; CHONG, V. C.; CHOO, W. H. (2015). Automated identification of copepods using digital image processing and artificial neural network. Environmental Science and Pollution Research, vol. 22, no. 18, pp. 14160-14169, 2015. Disponível em: https://doi.org/10.1186/1471-2105-16-S18-S4. Acessado em: 18 fev. 2023.

LUO, T.; KRAMER, K.; GOLGOF, D. B.; HALL, L. O.; SAMSON, S.; REMSEN, A.; HOPKINS, T. (2004). Recognizing plankton images from the shadow image particle profiling evaluation recorder. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 34, no. 4, pp. 1753- 1762, 2004. Disponível em: 10.1109/TSMCB.2004.830340. Acessado em: 09 dez. 2022.

MARTIN, J. W.; DAVIS, G. E. (2001). An updated classification of the recent Crustacea. Science Series, vol. 39, pp. 1-124, 2001. Disponível em: https://doi.org/10.1163/20021975-99990355. Acessado em: 27 mai. 2023.

NAKAGAWA, E. Y.; SCANNAVINO, K. R. F.; FABBRI, S. C. P. F.; FERRARI, F. C. (2017). Revisão Sistemática da Literatura em Engenharia de Software: Teoria e Prática. Elsevier Brasil, 2017. Disponível em: https://repositorio.usp.br/item/002944453. Acessado em: 14 jul. 2023.

NIELSEN, M. (2015). Neural Networks and Deep Learning: A Textbook. 2015. Disponível em: http://neuralnetworksanddeeplearning.com/. Acesso em: 20 abr. 2023.

PAVLOPOULOU, N.; KYRPIDES, N. C.; KOSTADINOV, I. (2019). Artificial intelligence in microbial bioinformatics: quo vadis? Environmental Microbiology, vol. 21, no. 5, pp. 1689-1704, 2019. Disponível em: https://doi.org/10.1111/1462-2920.14318. Acessado em 24 mar. 2023.

QUEENIE T. K. LAI; LAU, A. K. S.; TANG, A. H. L.; WONG, K. K. Y.; TSIA, K. K. (2016). High-throughput time-stretch imaging flow cytometry of phytoplankton. High-Speed Biomedical Imaging and Spectroscopy: Toward Big Data Instrumentation and Management, SPIE, pp. 137-142, 2016. Disponível em: 10.1364/OE.24.028170. Acessado em: 28 jan. 2023.

RONNEBERGER, R.; FISCHER, P.; BROX, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Springer International Publishing, 18th International Conference, Munich, Germany, October 5-9, Part III 18, pp. 234-241, 2015. Disponível em: https://doi.org/10.48550/arXiv.1505.04597. Acessado em: 16 jul. 2023.

REN, S.; HE, K.; GIRSHICK, R.; SUN, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, Junho 2017. Disponível em: 10.1109/TPAMI.2016.2577031. Acessado em: 15 jun. 2023.

SADAIAPPAN, B.; PRASANNAKUMAR, C.; NAMBIAR, V. U. et al. (2021). Meta-analysis cum machine learning approaches address the structure and biogeochemical potential of marine copepod associated bacteriobiomes. Sci Rep, vol. 11, no. 1, p. 3312, 2021. Disponível em: 10.1038/s41598-021-82482-z. Acessado em: 11 abr. 2023.

SUN, Z.; CHANG N. B.; CHEN, C. F.; GAO W. (2022). Lake algal bloom monitoring via remote sensing with biomimetic and computational intelligence. International Journal of Applied Earth Observation and Geoinformation, 2022. Disponível em: https://doi.org/10.1016/j.jag.2022.10299. Acessado em: 15 abr. 2023.

TAIGMAN, Y.; YANG, M.; RANZATO, M.; WOLF, L. (2014). DeepFace: Closing the Gap to Human-Level Performance in Face Verification. IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, pp. 1701-1708, 2014. Disponível em: 10.1109/CVPR.2014.220. Acessado em: 12 jun. 2023.