Menu
sexta, 29 de março de 2024 Campo Grande/MS
PREFEITURA CAMPO GRANDE MARÇO 2024 3
Ciência e Tecnologia

Metodologia inédita permite identificar espécies de animais do Pantanal com imagens térmicas

Mato Grosso do Sul enfrenta redução do número de várias espécies, principalmente, com a expansão de áreas tomadas pela agropecuária

11 abril 2019 - 17h52Por UFMS
Metodologia inédita permite identificar espécies de animais do Pantanal com imagens térmicas

Identificar as espécies de animais no Pantanal e estimar suas populações é tarefa árdua para pesquisadores que se embrenham pelo maior bioma brasileiro de forma a encontrar meios de proteção às muitas espécies ameaçadas.

Alinhado a esse desafio, o pesquisador Mauro dos Santos de Arruda desenvolveu no Programa de Mestrado em Ciência da Computação (Facom/UFMS) a pesquisa e dissertação “Identificação de Espécies de Animais do Pantanal usando Imagens Térmicas e Redes Neurais Convolucionais”, propondo assim uma nova abordagem de visão computacional, com orientação dos professores Wesley Nunes Goncalves e Bruno Brandoli Machado.

O pesquisador enfatiza que Mato Grosso do Sul enfrenta redução do número de várias espécies, principalmente, com a expansão de áreas tomadas pela agropecuária. “Os protetores desses ambientes vão a campo, com as armadilhas fotográficas e fazem captura de imagens nos locais principais onde detectam que há mais passagem de animal e tentam fazer o levantamento de populações em cada região para traçar metas de proteção às espécies. Fazem tudo isso de forma manual: capturam, tem de olhar um para um, fazer contagem”.

As técnicas de imagens digitais para identificação de espécies de animais enfrentam grande desafio devido às mudanças de iluminação e poses presentes nas imagens capturadas, segundo o pesquisador.

“Para resolver isso, desenvolvemos uma nova metodologia que usa imagens térmicas para localizar o animal na cena e propor regiões para serem classificadas pela rede neural convolucional”, explica.

Início

As pesquisas com imagens térmicas foram iniciadas ainda na graduação no Câmpus de Ponta Porã (CPPP), em estágio realizado pelo pesquisador com a Companhia Energética do Estado de São Paulo (Cesp).

“Inicialmente, a proposta era fazer levantamento da população animal nos locais de instalação de hidrelétricas. Era uma metodologia visual, onde os pesquisadores sobrevoavam a região e faziam a contagem. A Cesp queria automatizar isso, aí surgiu a ideia de usar a câmera térmica para identificar o animal na imagem e fazer a detecção, classificação desse animal e assim, o levantamento populacional”.

Na graduação, Mauro desenvolveu essa metodologia inicial para mapear a parte da imagem térmica para a visual de forma a conseguir fazer essa identificação. “A imagem visual tem o problema com a pelagem do animal, que é muito semelhante à vegetação, o que torna difícil identificar. A imagem térmica vem para solucionar isso porque a temperatura corporal do animal consegue bem sinalizar onde ele está na imagem”, expõe.

A partir dessa localização, e diante das características de cor do animal, entre outras, é preciso treinar a rede para classificação das espécies, que nessa pesquisa foi limitada a oito classes: anta, arara-canindé, capivara, cateto, papagaio-verdadeiro, quati e tamanduá-bandeira, muitos desses animais em extinção.

“O grande diferencial dessa abordagem é usar a parte térmica para a localização e a visual para reconhecer que classe é o animal”, diz Mauro.

Para montar o banco de imagens, o pesquisador teve parceria do Instituto de Meio Ambiente de Mato Grosso do Sul (Imasul) e do Centro de Reabilitação de Animais Silvestres (CRAS).

“Fizemos essa base com imagens visuais e térmicas e desenvolvemos em cima disso. A ideia desse projeto de mestrado seria desenvolver um método automático para fazer o reconhecimento, levantamento de população de espécies de animais do Pantanal, tentar automatizar para fazer esse suporte a esse problema aqui no nosso estado”.

O aprimoramento dessa metodologia foi feito com as Redes Neurais Convolucionais, que “são uma sequência de camadas, onde cada camada transforma um volume de ativações para outro através de uma função. O método utiliza o algoritmo de segmentação SLIC e a diferença de temperatura entre o corpo do animal e o seu ambiente para detectar as regiões de interesse. Estas regiões são então projetadas no mapa de características da rede neural convolucional, e depois uma subamostragem máxima é realizada para ajustar o tamanho final das características com a camada totalmente conectada. Além disso, nós analisamos duas arquiteturas de redes neurais convolucionais com o intuito de avaliar se a profundidade melhora o desempenho da abordagem”, afirma Mauro.

Para a detecção de regiões de interesse, a nossa abordagem usa a segmentação de imagens térmicas e RGB usando o algoritmo SLIC.

Para isso, o pesquisador treinou o sistema, alimentando a rede com as imagens, aplicando filtros, fazendo convolução, operações matemáticas e atualizando os pesos dessa rede. “Aí, quando entra uma nova imagem, a partir daqueles pesos, são feitos milhões de cálculos para chegar num resultado final. A partir do momento que se treina a rede com uma base de imagem grande, ela consegue detectar o animal de diferentes posições, de diferentes situações de iluminação”, afirma.

O pesquisador utilizou a Câmera Flir SC 640, obtida pela UFMS em parceria com a UCDB e Anhanguera-Uniderp. “As avaliações visuais foram interessantes. Com a delimitação do animal pela temperatura corporal, consegue-se diferenciar melhor a espécie e reconhecer mais de um por cena”.

Resultados

A abordagem proposta superou desafios clássicos de identificação em imagens visuais, como os problemas de iluminação, e a semelhanças entre a pelagem do animal e o seu ambiente, segundo o pesquisador. “Além disso, neste trabalho nós construímos uma base de imagens composta por 1.600 imagens térmicas e visuais de espécies do Pantanal ameaçadas de extinção”. Ao todo, foram 4.800 imagens para treinamento.

Os testes demonstraram que o desempenho foi 5,5% superior as técnicas testadas anteriormente e em algumas classes chegou a ser 10 a 12% maior, o que segundo Mauro é bastante promissor. A precisão no geral chegou a 86%.