|
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. |
