Aplicação De Aprendizado De Máquina Na Identificação Automática De Marrecos-Assobiadores (Dendrocygna Spp.) Por Meio De Imagens Digitais

Título do Trabalho

APLICAÇÃO DE APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO AUTOMÁTICA DE MARRECOS-ASSOBIADORES (DENDROCYGNA SPP.) POR MEIO DE IMAGENS DIGITAIS

Autores

Jefferson Darlan Costa Braga
André Silva
Marilia de Paiva Pereira
Elivelton de Salles da Silveira
LARYSSA DOS SANTOS RUDEK
Pilatos João Matavela
Vitoria hoffmann
Fedner Cadeau
RODRIGO GAROFALLO GARCIA
Vanessa Aparecida de Moraes Weber

Modalidade

Resumo I Fórum Brasileiro de Pecuária de Precisão, IA e Sustentabilidade

Área temática

1.1) Pecuária de Precisão e IA

Data de Publicação

28/08/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/anais-ecpantanaltech/1641447-aplicacao-de-aprendizado-de-maquina-na-identificacao-automatica-de-marrecos-assobiadores-(dendrocygna-spp)-por-

ISSN

Palavras-Chave

Visão computacional; Aprendizado de máquina; Dendrocygna autumnalis; Dendrocygna viduata; Inception v3.

Resumo

A identificação precisa de espécies morfologicamente semelhantes é um desafio recorrente em programas de monitoramento da fauna, vigilância epidemiológica, conservação e manejo de animais silvestres. No caso de Dendrocygna autumnalis e Dendrocygna viduata, erros de identificação podem comprometer levantamentos populacionais, estudos de distribuição geográfica, avaliações ecológicas e ações de manejo conduzidas por profissionais das áreas de Medicina Veterinária, Zootecnia e Ciências Ambientais. Nesse contexto, ferramentas baseadas em inteligência artificial e visão computacional apresentam elevado potencial para automatizar a identificação taxonômica, reduzir erros humanos, acelerar o processamento de grandes volumes de imagens obtidas em campo e apoiar sistemas de monitoramento da biodiversidade. O presente estudo avaliou o potencial de algoritmos de aprendizado de máquina para distinguir Dendrocygna autumnalis e Dendrocygna viduata utilizando imagens digitais processadas no software Orange Data Mining. O conjunto de treinamento foi composto por 145 imagens, sendo 72 de D. autumnalis e 73 de D. viduata, selecionadas a partir das páginas dedicadas às respectivas espécies na plataforma Birds of the World (Cornell Lab of Ornithology), um repositório especializado em informações e documentação ornitológica utilizado como fonte para a composição do banco de imagens deste estudo. As imagens foram submetidas à extração automática de características pelo módulo Image Embedding do Orange, empregando a rede neural convolucional pré-treinada Google Inception v3, treinada no ImageNet, para converter informações visuais em vetores numéricos (embeddings) utilizados na classificação. Posteriormente, esses vetores foram processados por três algoritmos: Support Vector Machine (SVM), k-Nearest Neighbors (kNN) e Árvore de Decisão (Decision Tree). A avaliação foi realizada por validação cruzada estratificada com cinco partições (5-fold cross-validation). O modelo SVM apresentou desempenho superior, alcançando AUC, acurácia e precisão iguais a 1,000. O kNN também apresentou elevado desempenho (AUC = 0,993; acurácia = 95,9%), enquanto a Árvore de Decisão obteve AUC de 0,890 e acurácia de 89,0%. Em seguida, o modelo SVM foi exportado e aplicado a dois conjuntos independentes de imagens inéditas. No primeiro, composto por 80 imagens de indivíduos isolados, ocorreu apenas uma classificação incorreta, resultando em acurácia global de 98,75%. No segundo, formado por 70 imagens contendo grupos de indivíduos da mesma espécie (29 de D. autumnalis e 41 de D. viduata), observou-se redução do desempenho, com erros de 20,68% para D. autumnalis e 4,87% para D. viduata. Esse comportamento sugere que a presença simultânea de múltiplos indivíduos aumenta a complexidade visual das imagens devido à sobreposição dos corpos, variações de postura e ocultação de características diagnósticas. Os resultados demonstram que a combinação entre extração automática de características por redes neurais profundas e algoritmos de aprendizado de máquina apresenta elevado potencial para a identificação automatizada de aves do gênero Dendrocygna, destacando o modelo SVM como uma abordagem robusta para aplicações em monitoramento e pesquisa.

Título do Evento: II Encontro Técnico-Científico do Pantanal Tech MS 2026
Cidade do Evento: Aquidauana
Título dos Anais do Evento: Anais do Encontro Técnico-Científico do Pantanal Tech MS
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

BRAGA, Jefferson Darlan Costa et al.. APLICAÇÃO DE APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO AUTOMÁTICA DE MARRECOS-ASSOBIADORES (DENDROCYGNA SPP.) POR MEIO DE IMAGENS DIGITAIS.. In: . Disponível em: https//www.even3.com.br/anais/anais-ecpantanaltech/1641447-APLICACAO-DE-APRENDIZADO-DE-MAQUINA-NA-IDENTIFICACAO-AUTOMATICA-DE-MARRECOS-ASSOBIADORES-(DENDROCYGNA-SPP)-POR-. Acesso em: 29/08/2026