Classificação Automática de Espécies de Peixes Utilizando Técnicas de Processamento de Imagens

Abstract

O monitoramento da pesca artesanal é crucial para a conservação marinha, mas é dificultado pela natureza trabalhosa da identificação manual das capturas. Os desafios operacionais neste ambiente incluem alta oclusão de objetos, iluminação variável e fundos dinâmicos ricos em ruído contextual. Para lidar com essas restrições, implementou-se um método automatizado voltado à classificação e contagem contínua de espécies de peixes extraídas de redes de pesca, operando sob restrições de amostragem temporal (5 FPS). A implementação do método utiliza o modelo YOLOv26 integrado ao algoritmo ByteTrack para tarefas de localização espacial e rastreamento centroide concorrente na memória RAM, mitigando problemas de supercontagem induzidos pelo baixo frame rate. Adicionalmente, desenvolveu-se o algoritmo de Seleção pelo Pico de Confiança (PCS) para reter na memória o quadro de máxima nitidez morfológica do espécime ao longo do seu ciclo de vida. No instante do descarte do rastro, o frame completo é processado por uma rede Vision Transformer (DINOv2) auto-supervisionada para extração de embeddings latentes de 1024 dimensões, os quais alimentam um classificador baseado em Máquinas de Vetores de Suporte (SVM) com kernel RBF. A avaliação foi realizada considerando um conjunto de dados proprietário provido pela ONG GEMARS de 1.448 imagens associado a testes em vídeos para a associação com a YOLO, assim como imagens de 436 espécimes classificadas em Torres/RS. Nas tarefas de inventário, a etapa de rastreamento mitigou os efeitos do baixo frame rate, obtendo uma taxa de assertividade na contagem absoluta de 90%. Combinado a isso, a etapa de classificação de espécimes alcançou uma acurácia global consolidada de 78,85%, demonstrando robustez para automação de inventários pesqueiros em cenários reais complexos.