Sistema de processamento de imagens aéreas para detecção e localização de pontos de interesse em cetáceos

Abstract

A aplicação de visão computacional em imagens aéreas tornou o monitoramento de grandes cetáceos mais seguro e menos invasivo. Entretanto, ainda não existem abordagens de marcação para telemetria arquival que utilizem visão computacional a bordo de aeronaves remotamente pilotadas. A etapa de percepção visual necessária para essa aplicação precisa ser capaz de detectar o animal e rapidamente localizar a região anatômica adequada ao acoplamento do dispositivo de telemetria. Esse processo ainda depende, em grande parte, da operação manual. Neste contexto, este trabalho propõe o desenvolvimento de um sistema embarcado de processamento de imagens aéreas capaz de detectar baleias e localizar automaticamente pontos anatômicos de interesse em tempo real. A solução baseia-se em técnicas de deep learning, utilizando redes neurais convolucionais da arquitetura YOLOv8 para a detecção de objetos por meio de caixas delimitadoras e de pontos de interesse anatômicos para a estimativa de pose. O sistema foi treinado a partir de um conjunto de dados construído com imagens aéreas obtidas na costa brasileira, contemplando diferentes condições de iluminação, ângulo e altitude. Para viabilizar a execução em sistemas embarcados de baixo consumo, foram aplicadas técnicas de otimização, incluindo a conversão dos modelos para TensorRT. O desempenho da solução proposta foi avaliado por métricas de precisão, revocação e precisão média de médias, bem como por indicadores de eficiência computacional, como latência e taxa de quadros por segundo, tanto em ambiente convencional quanto em plataforma embarcada NVIDIA Jetson Orin Nano 8GB. Os resultados demonstram a viabilidade da execução em tempo real e indicam que o sistema pode fornecer informações visuais consistentes para aplicações futuras utilizando sistemas autônomos, contribuindo para o avanço do monitoramento de cetáceos por meio da automação da percepção visual.