Qualificação de doutorado do discente Rodolfo Leocádio, dia 22/09/2023 as 14:00.

Qualificação de doutorado do discente Rodolfo Leocádio, dia 22/09/2023 as 14:00.

Título: Monitorização automática de colmeias de abelhas nativas utilizando técnicas não invasivas com visão computacional

Resumo: Abordagens de inteligência artificial, como visão computacional, podem ajudar a entender melhor o comportamento e o manejo das abelhas. No entanto, a qualidade dos dados afeta a qualidade do software baseado em IA, pois eles dependem de conjuntos de dados e a detecção precisa e o rastreamento de espécies de abelhas no campo continuam sendo um desafio para os métodos tradicionais. Neste estudo propomos métodos a fim de tornar a detecção e o rastreamento de espécies de abelhas mais robusto e efetivo. Inicialmente, (i) propomos um método para preparar datasets, visando otimizar a variabilidade e representatividade dos dados. Para avaliação deste método, apresentamos um estudo de caso com abelhas do tipo Tetragonisca angustula (Jataí), comparando a YOLOv7 e a YOLOv8, com o objetivo de detectar e classificar abelhas nativas. Em seguida, propomos (ii) integrar dois algoritmos de rastreamento (EuclidianTrack e ByteTrack) com YOLOv8 a fim de melhorar a identificação e rastreio, produzindo uma mean average precision (mAP50) de 0,969 e mAP50-95 de 0,682. Por fim, introduzimos (iii) um algoritmo de Optical flow para monitorar entradas e saídas de colmeias. Avaliamos nossa abordagem comparando-a com benchmarks de desempenho humano para a mesma tarefa com e sem o auxílio da tecnologia. As métricas propostas para avaliar os conjuntos de dados e o treinamento usando YOLOv8 mostram que o conjunto de dados é variado e representativo dos dados presentes. Acreditamos que a metodologia proposta avalia a qualidade dos conjuntos de dados abordando características dos padrões ISO/IEC 25012 e ISO/IEC 2502. Nossas descobertas destacam oclusões e outliers (anomalias) como as principais fontes de erros no sistema. Devemos considerar um acoplamento de ambos os sistemas em aplicações práticas porque o ByteTrack conta o total de abelhas com um erro relativo médio de 11 %, o EuclidianTrack monitora as abelhas que chegam com 9 % (21 % se houver outliers). Ambos monitoram as abelhas que saem, o ByteTrack com 18% se houver outliers e EuclidianTrack com 33% caso contrário. O maior desafio encontrado é obter condições e dados das espécies de interesse no campo para compor o dataset customizado. Mas as duras condições comuns em ambientes naturais que dificultam o uso e a manutenção do hardware e os problemas causados principalmente por oclusões e outliers também são desafios a serem superados. Pretendemos até o termino deste doutorado analisar a importância e as vantagens das técnicas de detecção de objetos para o reconhecimento das abelhas e investigar sua menor configuração para embarcar. Em seguida, analisar o custo-benefício entre número de imagens e épocas de treinamento para transfer learning aplicado em campo. Fazer o mesmo para Multiple object tracking (MOT) e Optical Flow para descrever o movimento dos insetos e realizar sua contagem e gerar informações sobre a direção dos insetos em relação à entrada da colmeia, respectivamente. Por fim, implementaremos a identificação de pólen no monitoramento para gerar informações sobre a nutrição da colmeia. Dessa forma, é possível reduzir os erros de origem humana.

Membros: Orientador: Prof. Dr. Gustavo Pessin; Co-orientador: Prof. Dr. Alan Kardek Rego Segundo; Prof. Dr. Eduardo Jose Da Silva Luz; Prof. Dr. Cláudio Jung.

 

Reunião do Microsoft Teams

Ingressar no seu computador, aplicativo móvel ou dispositivo de sala

Clique para ingressar na reunião

ID da Reunião: 210 190 681 578
Senha: wDcNx2

Baixar o Teams | Participe na web

Ingressar em um dispositivo de videoconferência

ID de Vídeo Conferência: 111 552 594 4

Instruções VTC Alternativas

Ou chamar (somente áudio)

+55 21 3180-0714,,598680414# Brazil, Rio de Janeiro

ID do Telefone de Conferência: 598 680 414#

Localizar um número local | Redefinir PIN