Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35300
Título: | Segmentação semântica de mamíferos em regiões de mata com U-NET |
Título(s) alternativo(s): | Semantic segmentation of mammals in forest regions with U-NET |
Autor(es): | Cunha, Jhonatan Guilherme de Oliveira |
Orientador(es): | Foleis, Juliano Henrique |
Palavras-chave: | Redes neurais (Computação) Aprendizado do computador Animais silvestres Banco de dados Processamento de imagens Neural networks (Computer science) Machine learning Forest animals Data bases Image processing |
Data do documento: | 21-Ago-2024 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Campo Mourao |
Citação: | CUNHA, Jhonatan Guilherme de Oliveira. Segmentação semântica de mamíferos em regiões de mata com U-NET. 2024. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2024. |
Resumo: | O monitoramento ambiental é uma ação importante para a preservação da biodiversidade de animais, permitindo aos pesquisadores ter métricas sobre a saúde do meio ambiente e auxiliar ao combate de extinção. Desta forma, é importante a realização do mapeamento da fauna de regiões de matas para o melhor planejamento em tomada de decisões. Entretanto, este mapeamento demanda grande esforço de tempo dos biólogos quando realizado manualmente. Com base nisso, este trabalho utilizou técnicas de Deep Learning para auxiliar o processo de detecção de animais mamíferos da mata da região noroeste do Paraná, por meio de vídeos fornecidos pelo NAPI Biodiversidade. Sendo assim, foi implementado um algoritmo de segmentação semântica de imagens de mata por meio da rede neural convolucional U-NET. Os experimentos realizados mostraram que, após a equalização do histograma e sem o agrupamento de florestas, o Dice Coef foi de 79,40% e o F1 Score Macro para a classificação de presença de animais foi de 86%. Contudo, com o agrupamento de florestas, houve uma queda substancial no desempenho do modelo, evidenciando dificuldades de generalização para novas localidades. Isso ressalta a necessidade de treinar modelos específicos para cada localidade. A equalização de histograma por contrast stretching melhorou a qualidade das máscaras e a classificação, porém, a ocorrência de falsos negativos sugere que mais dados de treinamento são necessários. |
Abstract: | Environmental monitoring is vital for preserving animal biodiversity, providing researchers with essential metrics on environmental health and aiding efforts to combat extinction. Mapping the fauna of forest regions is, therefore, essential for informed decision-making and effective planning. However, manual mapping is time-consuming and labor-intensive for biologists. To address this, our study utilized Deep Learning techniques to assist in detecting mammal species in the forests of northwestern Paraná, using videos provided by NAPI Biodiversidade. We implemented a semantic segmentation algorithm using the U-NET convolutional neural network to segment forest images. Our experiments demonstrated that after histogram equalization and without forest grouping, the Dice Coefficient was 79.40%, and the F1 Macro Score for animal presence classification was 86%. However, with forest grouping, there was a substantial drop in the model’s performance, highlighting difficulties in generalizing to new locations. This suggests the necessity of training location-specific models. Additionally, applying histogram equalization through contrast stretching improved the quality of the generated masks and classifications. However, the presence of false negatives indicates a need for more training data. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35300 |
Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
segmentacaosematicamamiferosunet.pdf | 6,55 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons