Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40166| Título: | Reconhecimento de fauna silvestre com o uso de deep learning |
| Título(s) alternativo(s): | Wildlife recognition using deep learning |
| Autor(es): | Lima, Felipe Kauã de |
| Orientador(es): | Lopes, Fabrício Martins |
| Palavras-chave: | Espécies Redes Neurais (Computação) Aprendizado profundo Species Neural networks (Computer science) Deep learning (Machine learning) |
| Data do documento: | 28-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | LIMA, Felipe Kauã de. Reconhecimento de fauna silvestre com o uso de deep learning. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | O monitoramento automatizado da fauna tem ganhado destaque em estudos ambientais, especialmente com o avanço de técnicas de visão computacional. Este trabalho apresenta o desenvolvimento e validação de um sistema de detecção automatizada de fauna silvestre utilizando redes neurais convolucionais, especificamente a arquitetura YOLOV8, aplicado a filmagens de câmeras-trilha. A metodologia envolveu o processamento de 60 vídeos originalmente coletados entre outubro e novembro de 2021, resultando em 19.808 quadros anotados manualmente através da ferramenta CVAT. O conjunto de dados abrangeu sete espécies da fauna brasileira: Sus scrofa (javali-europeu) 61,7% das ocorrências, Cuniculus paca (paca) 10%, Nasua nasua (quati) 8,3%, Salvator merianae (lagarto-teiú) 8,3%, Dasypus novemcinctus (tatu-galinha) 6,7%, Didelphis (gambá) 5% e aves (classe generalizada) 3,3%. O treinamento foi conduzido em estágios progressivos, iniciando com 3.000 imagens e expandindo gradualmente para o conjunto completo, utilizando hardware acessível (GPU GTX 1060) com tempo total de processamento de 50 horas e 25 minutos. Os resultados demonstraram a viabilidade operacional do modelo, apresentando precisão na detecção das espécies-alvo mesmo em condições adversas de iluminação noturna e ocultação parcial por vegetação. O desempenho tornou-se mais consistente com o aumento da quantidade de dados, destacando-se a eficácia na identificação de Sus scrofa (mAP50 de 0.734), espécie exótica invasora de relevância para políticas de controle ambiental. |
| Abstract: | Automated wildlife monitoring has gained prominence in environmental studies, particularly with the advancement of computer vision techniques. This work presents the development and validation of an automated wildlife detection system using convolutional neural networks, specifically the YOLOV8 architecture, applied to footage from camera traps. The methodology involved processing 60 videos originally collected between October and November 2021, resulting in 19.808 frames manually annotated using the CVAT tool. The dataset encompassed seven species of Brazilian fauna: Sus scrofa (wild boar) 61.7% of occurrences, Cuniculus paca (paca) 10%, Nasua nasua (coati) 8.3%, Salvator merianae (teiú lizard) 8.3%, Dasypus novemcinctus (nine-banded armadillo) 6.7%, Didelphis (opossum) 5% and birds (generalized class) 3.3%. Training was conducted in progressive stages, starting with 3,000 images and gradually expanding to the full dataset, using accessible hardware (GTX 1060 GPU) with a total processing time of 50 hours and 25 minutes. The results demonstrated the operational feasibility of the model, showing accurate detection of the target species even under adverse conditions of nighttime illumination and partial vegetation occlusion. Performance became more consistent with an increased amount of data, with particular effectiveness in identifying Sus scrofa (mAP50 of 0.734), an invasive exotic species of relevance to environmental control policies |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40166 |
| Aparece nas coleções: | CP - Engenharia da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| reconhecimentofaunadeeplearning.pdf | 4,59 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
