Aplicativo de celular para identificação das principais espécies comerciais de camarões / Mobile app for identification of the main commercial shrimp species

(1)

Braz. J. of Develop., Curitiba, v. 6, n. 7, p. 44058-44067, jul. 2020. ISSN 2525-8761

Aplicativo de celular para identificação das principais espécies comerciais de

camarões

Mobile app for identification of the main commercial shrimp species

DOI:10.34117/bjdv6n7-140

Recebimento dos originais: 12/06/2020 Aceitação para publicação: 07/07/2020

Rudiard Nardelli

Mestre em Ciências pelo Instituto Federal Catarinense Instituto Federal Catarinense

Endereço: Rua Carlos de Paula Seara, 1430, Navegantes – SC, Brasil e-mail: rudiard.nardelli@gmail.com

Carlos Eduardo N. Martins

Doutor em Zootecnia pela Universidade Federal de Santa Maria Instituto Federal Catarinense

Endereço: Rodovia BR 280, Km 27, Araquari – SC, Brasil e-mail: carlos.martins@ifc.edu.br

Robilson Antônio Weber

Doutor em Aquicultura pela Universidade de Santiago de Compostela Instituto Federal Catarinense

Endereço: Rodovia BR 280, Km 27, Araquari – SC, Brasil e-mail:robilson.weber@ifc.edu.br

RESUMO

Apesar da considerável comercialização de camarões extrativos e de cultivo, ainda não existem dispositivos eletrônicos para verificação das espécies de camarões dentro da indústria. Atualmente o reconhecimento da espécie dentro da planta industrial é feito de maneira visual por um profissional treinado no controle de qualidade, e também pelos documentos fornecidos pelas embarcações ou produtores. Uma possível solução para auxiliar nesta tarefa seria o uso de técnicas de processamento digital de imagens, sendo uma delas a classificação digital de imagens com uso de redes neurais, as quais identificam e aprendem a reconhecer os padrões espectrais por meio da análise do valor digital de um pixel da imagem. O objetivo deste trabalho foi desenvolver um aplicativo utilizando o sistema de redes neurais na identificação das principais espécies de camarões comercializadas em Santa Catarina. A regressão logística foi o método considerado no modelo de redes neurais e a validação cruzada estratificada para a amostragem. A avaliação do modelo apresentou um valor de 99,5% para a Area Under Curve e precisão de 93,7% quando todas as fotos foram analisadas conjuntamente. No teste dentro da indústria a avaliação do dispositivo obteve acerto médio de 87,85%, com banco de imagem utilizando 3424 fotos. Os resultados apresentados demonstraram que o aplicativo pode ser utilizado como ferramenta auxiliar para classificar as espécies comerciais de camarões.

Palavras-chave: processamento de imagem; identificação de espécie; matriz de confusão; camarões. ABSTRACT

Despite the considerable commercialization of extracted and farmed shrimp, there are still no electronic devices for verifying shrimp species within the industry. Currently the recognition of the

(2)

species within the industrial plant is made visually by a professional trained in quality control, as well as documents provided by vessels or producers. A possible solution to assist in this task would be the use of digital image processing techniques, one of which is the digital classification of images using neural networks, which identify and learn to recognize spectral patterns by analyzing the digital value of one pixel of the image. The goal of this paper was to develop an application using the neural network system to the identification the main species of shrimp marketed in Santa Catarina. Logistic regression was the method considered in the neural network model and stratified cross-validation for sampling. The model evaluation presented a value of 99.5% for the Area Under Curve and precision of 93.7% when all the photos were analyzed together. In the test within the industry the evaluation of the device obtained average hit of 87.85%, with image bank using 3424 photos. The results showed that the app can be used as an auxiliary tool to classify commercial shrimp species.

Key words: image processing; species identification; confusion matrix; shrimp. 1 INTRODUÇÃO

Embora as capturas de camarão extrativo contribuam para o total produzido no mundo, grande parte da produção de camarões atualmente é de cultivo, sendo o Litopenaeus vannamei a principal espécie comercializada (FAO, 2018). Os maiores países produtores são Sudeste Asiático e América Latina. O consumo de per capita por ano de camarão no mundo gira ao redor de 0,7kg (FAO, 2018).

Os camarões marinhos costeiros de importância econômica que ocorrem na costa do Brasil são: camarão-rosa (Farfantepenaeus brasiliensis) camarão-vermelho nacional (Pleoticus muelleri), camarão sete-barbas (Xiphopenaues kroyeri), ferrinho (Artemesia longinaris), camarão-branco do Pacífico (Litopenaeus vannamei), camarão-camarão-branco (Litopenaeus schmitti), camarão rio grande (Farfantepenaeus paulensis) e camarão cristalino (Plesionika edwardsii) (IBAMA, 2011; COSTA et al., 2018).

Apesar da considerável comercialização de camarões extrativos e de cultivo, ainda não existem dispositivos eletrônicos para verificação das espécies de camarões. Atualmente o reconhecimento da espécie dentro da indústria é feito de maneira visual por um profissional treinado no controle de qualidade, além de documentos fornecidos pelas embarcações ou produtores. Quando o profissional encarregado em identificar tem dúvidas quanto a identificação da espécie, este discute com outros profissionais, e/ou consulta literatura específica, chegando a um consenso final.

As Redes Neurais são caracterizadas por sistemas que, em certo grau, se assemelham à estrutura do cérebro humano e ganham relevância em razão de suas potencialidades para diversas áreas (NUNES, 2012). A sua arquitetura possibilita um desempenho extraordinário, pois o processo usual de resolução de problemas é fundamentado na aprendizagem e nas generalizações, que são proporcionadas pela adaptação de seus parâmetros a um conjunto de padrões previamente apresentados. A capacidade de generalizar, de aprender por meio de um conjunto de exemplos e dar

(3)

respostas coerentes a dados não conhecidos, torna possível a resolução de problemas computacionais complexos (SIQUEIRA-BATISTA et al., 2012).

A identificação de espécies específicas vegetais através do uso de aplicativos móveis (Plantnet, Gardência e Leafsnap) já é utilizada na área da Botânica, cujo banco de dados contém mais de 4.000 espécies de plantas (HUFFPOST BRASIL, 2018). O sistema utiliza o método de aprendizagem baseado na estimativa de máxima verossimilhança que captura as características morfológicas e geométricas como: diâmetro, comprimento, largura, perímetro, área, razão de aspecto, fator liso, fator de forma, retangularidade, fator estreito, relação perímetro x diâmetro, relação comprimento x largura e características (BABATUNDE et al., 2015). É importante ressaltar que a decisão é baseada na distância estatística do parâmetro, a partir do nível de referência (DUTTA et al., 2018).

Então, considerando a dificuldade de identificar com segurança e rapidez as principais espécies de camarões processadas nas plantas industriais, este trabalho tem como objetivo a desenvolvimento de um aplicativo para celular, para a identificação das principais espécies comerciais de camarões.

2 MATERIAL E MÉTODOS

Todo trabalho de captação de imagens foi realizado dentro da planta industrial de duas empresas que processam pescado nos municípios de Penha e Navegantes, estado de Santa Catarina. As imagens foram feitas em um mini estúdio fotográfico (Mutu Produtos Criativos - modelo Pop Up Studio 35), utilizando a câmera de um celular da marca Samsung, modelo S8. O celular foi posicionado sobre o camarão a ser fotografado a uma distância aproximada de 20 centímetros. As imagens foram realizadas com os camarões inteiros, eviscerados e eviscerados com telson, nas posições dorsal, ventral e lateral, sobre uma superfície branca. As espécies de camarões utilizadas para alimentar a biblioteca de imagens (banco de imagens) foram o camarão-rosa (Farfantepenaeus

brasiliensis), camarão-vermelho nacional (Pleoticus muelleri), camarão sete-barbas (Xiphopenaues kroyeri), camarão-ferrinho (Artemesia longinaris), camarão-branco do Pacífico (Litopenaeus vannamei), camarão-branco (Litopenaeus schmitti), rio grande (Farfantepenaeus paulensis) e

camarão cristalino (Plesionika edwardsii). Por ser um projeto pioneiro na área de identificação de espécies de camarões, adotou-se como premissa inicial a necessidade de um banco de dados mínimo com 3000 imagens, considerando que outros aplicativos para identificação de espécies vegetais utilizando redes neurais, utilizaram um número semelhante (Oliveira, 2018).

As imagens foram armazenadas e analisadas, inicialmente, no programa Orange, versão 3.11, pacote Image Analytics. A regressão logística foi o método considerado no modelo de redes neurais e a validação cruzada estratificada para a amostragem. O aprendizado da máquina foi realizado na linguagem Python 3.6, onde utilizou-se a plataforma Tensorflow, modelo MobileNet, com 1000

(4)

passos para o treinamento do modelo. Definido o modelo de classificação das imagens, utilizou-se o programa Android Studio, versão 3.4, para o desenvolvimento do aplicativo.

Os dados de acertos e erros do modelo foram submetidos ao teste do Qui-quadrado e análise de componentes principais com auxílio do programa estatístico R (R Development Core Team, 2009), cujo nível de significância adotado foi de 5%.

3 RESULTADOS E DISCUSSÃO

Em uma avaliação inicial do dispositivo dentro da indústria, quando utilizadas 168 imagens com cinco diferentes espécies obteve-se média de 27,71% de acertos, onde apenas o camarão rosa não apresentou diferença entre as frequências de acertos e erros do modelo 1 (P>0,05) (Figura 15). Durante a avaliação observou-se que a posição lateral possibilitou a maior quantidade de características captadas pelo aplicativo. Então aumentou-se a quantidade de imagens nesta posição. Também se observou que fotos com camarões inteiros apresentaram maior quantidade de acertos do aplicativo. Nesta primeira avaliação pode-se observar que a espécie Xiphopenaeus kroyeri obteve o melhor índice, 73,58% de acertos, na espécie Farfantepenaeus brasiliensis 65% de acertos. Nas demais espécies (Farfantepenaeus paulensis, Plesionika edwardsii e Artemesia longinaris) o dispositivo não obteve acertos.

A tabela 1 mostra o número de erros apresentados conforme a espécie que o aplicativo avaliou. O baixo nível de acerto do primeiro modelo pode estar associado ao número de passos no seu treinamento, o que pode ter ocasionado o efeito Overfitting, ou seja, o modelo aprendeu demais perdendo a capacidade de generalização.

(5)

Braz. J. of Develop., Curitiba, v. 6, n. 7, p. 44058-44067, jul. 2020. ISSN 2525-8761 Figura 1 - Avaliação inicial de erros e acertos do modelo 1, da espécie Xiphopenaeus kroyeri utilizada sem cabeça, o Farfantepenaeus brasiliensis foi utilizado inteiro e os demais foram utilizados descascados. Letras distintas indicam diferenças (P<0,001) nas frequências de erros e acertos da classificação do modelo para cada espécies.

Tabela 1 – Análise de erros apresentados pelo modelo 1 conforme a espécie verificada no dispositivo.

ESPÉCIE ANALISADA

Número de erros de identificação

apresentado

ESPÉCIE INDICADA PELO

APLICATIVO SETE BARBAS (Xiphopenaues kroyeri) 1 Vermelho Argentino 7 Vermelho Nacional 2 Branco 1 Rosa 3 Rio Grande ROSA (Farfantepenaeus brasiliensis) 4 Branco 1 Vermelho Nacional 2 Sete Barbas RIO GRANDE (Farfantepenaeus paulensis) 4 Rosa 6 Branco 13 Vermelho Nacional 13 Sete Barbas CRISTALINO (Plesionika edwardsii) 1 Vermelho Argentino 1 Branco 4 Sete Barbas 21 Vermelho Nacional FERRINHO (Artemesia longinaris) 24 Vermelho Nacional 6 Sete Barbas 1 Rosa 1 Rio Grande Ferrinho (Artemesia longinaris) Cristalino (Plesionika edwardsi) Rio Grande (Farfantepenaeus paulensis) Rosa (Farfantepenaeus brasiliensis) Sete Barbas (Xiphopenaeus kroyeri) a a a a a a b b b b

(6)

Então, realizou-se uma segunda etapa de avaliações do aplicativo (modelo 2), sendo executada com aumento do banco de dados da biblioteca para 3424 imagens. O modelo do programa Orange apresentou um valor de 99,5% para AUC (Area Under Curve) e precisão de 93,7%, quando todas as fotos foram analisadas. No teste dentro da indústria a avaliação do aplicativo obteve acerto médio de 87,85%. Nesta avaliação foram utilizadas 370 imagens com quatro diferentes espécies na posição lateral com camarões inteiros (Figura 2) com 500 passos na fase de treinamento do modelo. O teste foi realizado somente com quatro espécies porque eram as espécies disponíveis dentro da indústria naquele momento. Observou-se diferença (P<0,001) entre as frequências de acertos e erros da classificação dentro de cada espécie (Figura 2). Foram avaliados 70 camarões da espécie Pleoticus

muelleri, 81,43% de acerto; 100 camarões da espécie Litopenaeus vannamei, 87% de acerto; 100

camarões da espécie Farfantepenaeus brasiliensis, 92% de acerto; 100 camarões da espécie sete barbas Xiphopenaeus kroyeri, 91% de acerto.

Ahmed et al. (2012) utilizando o sistema de redes neurais para classificação e determinação de ervas daninhas. Utilizou catorze atributos com integração de tamanhos e rotação de recursos de plantas baseados em cores e uso de técnicas de seleção de características para o seu modelo de sistema proposto. Através da validação cruzada, verificou a classificação de seis espécies de ervas daninhas, alcançando 97,3% de precisão com a melhor combinação de extratores avaliados em um conjunto de 224 imagens.

Siddiqi et al. (2013), também trabalhou com a classificação de ervas daninhas, utilizando o sistema de redes neurais, obteve 98,1% de precisão na classificação, com um banco de dados de 1200 imagens.

Os resultados relacionados a classificação errada do modelo 2 do aplicativo podem ser visualizadas na figura 3. Pode-se observar que na avaliação do camarão vermelho nacional, das 13 classificações erradas, sete foram do camarão sete barbas (Tabela 2). O camarão rosa e sete barbas tiveram maior erros de classificação com o camarão vermelho nacional. Enquanto que o camarão Vannamei foi classificado erroneamente com maior frequência com o camarão branco. Neste sentido, para elevar os acertos na classificação do modelo faz-se necessário treinar o modelo de forma a encontrar diferenças entre essas espécies.

(7)

Braz. J. of Develop., Curitiba, v. 6, n. 7, p. 44058-44067, jul. 2020. ISSN 2525-8761 Figura 2 – Avaliação de erros e acertos do modelo 2. Letras distintas indicam diferenças (P<0,001) nas frequências de erros e acertos da classificação do modelo para cada espécies.

Figura 3 – Diagrama de ordenação da análise de componentes principais. As espécies escritas em preto foram as avaliadas e as com grafia em azul corresponde a classificação do aplicativo.

Rosa (Farfantepenaeus brasiliensis) Vermelho (Pleoticus muelleri) Vannamei (Litopenaeus vannamei) Sete Barbas (Xiphopenaeus kroyeri) a b a b a b a b

(8)

Braz. J. of Develop., Curitiba, v. 6, n. 7, p. 44058-44067, jul. 2020. ISSN 2525-8761 Tabela 2 – Análise de erros apresentados pelo modelo 2 conforme a espécie verificada no dispositivo.

ESPÉCIE ANALISADA

Número de

erros de

identificação apresentado

ESPÉCIE INDICADA PELO

APLICATIVO VERMELHO NACIONAL (Pleoticus muelleri) 7 Sete Barbas 3 Rosa 2 Branco 1 Cristalino VANNAMEI (Litopenaeus vannamei) 7 Branco 3 Sete Barbas 1 Cristalino 1 Rosa 1 Rio Grande ROSA (Farfantepenaeus brasiliensis) 4 Vermelho Nacional 2 Sete barbas 2 Vannamei SETE BARBAS (Xiphopenaeus kroyeri) 8 Vermelho Nacional 1 Vannamei

Na figura 4 são apresentadas as janelas principais do aplicativo CamarãoClass. A primeira janela que aparece ao abrir o aplicativo é a tela inicial que faz identificação do mesmo. A segunda janela é onde aparecerá o resultado da classificação. Ao clicar no botão, a câmera do celular é acionada para que a imagem seja capturada. Após rodar o algoritmo de classificação, o aplicativo apresenta no quadro de fundo preto a probabilidade do camarão pertencer a determinada espécie. No exemplo, o camarão da imagem tem 99,66% de chance de pertencer a espécie Sete Barbas (Figura 4).

(9)

Braz. J. of Develop., Curitiba, v. 6, n. 7, p. 44058-44067, jul. 2020. ISSN 2525-8761 Figura 4 – Janelas principais do aplicativo.

4 CONCLUSÃO

Com base nos resultados obtidos, 87,85% de acertos na classificação realizada pelo aplicativo, concluiu-se que o modelo baseado no sistema de redes neurais pode ser utilizado para classificar as espécies comerciais de camarões. Entretanto, é necessário um banco com um número mais elevado de imagens para que o processo de identificação seja mais preciso.

REFERÊNCIAS

AHMED, F. et al. Classification of crops and weeds from digital images: A support vector machine approach. Crop Protection, [s.l.], v. 40, n. 3, p.98-104, out. 2012. Elsevier BV. Disponível em: http://dx.doi.org/10.1016/j.cropro.2012.04.024. Acesso em: 12 maio 2019.

BABATUNDE, O. He. et al. A survey of computer-based vision systems for automatic identification of plant species. Journal of Agricultural Informatics, [s.l.], v. 6, n. 1, p.61-71, 13 jan. 2015. Disponível em: http://dx.doi.org/10.17700/jai.2015.6.1.152. Acessado em: 25 jul. 2018.

COSTA, R. C.; FRANSOZO, A.; MELO, G. A. S.; FREIRE, F. A. M. Biota Neotropica, v.3, n.1, p.1-12, 2003. Disponível em: http://www.biotaneotropica.org.br. Acessado em: 25 jul. 2018.

DUTTA, Malay Kishore et al. Image processing based method to assess fish quality and freshness. Journal of Food Engineering, [s.l.], v. 177, p.50-58, maio 2016. Elsevier BV. Disponível em: http://dx.doi.org/10.1016/j.jfoodeng.2015.12.018. Acessado em: 25 jul. 2018.

(10)

FAO. Food and Agriculture Organization of the United Nations. The state of world fisheries and

aquaculture. Roma: FAO, 2018. (ISSN 1020-5489). Disponível em:

<http://www.fao.org/3/i9540EN/i9540en.pdf>. Acesso em: 05 ago. 2018.

HUFFPOST BRASIL. 3 aplicativos para amantes de plantas e botânica. 2018. Disponível em:

https://www.huffpostbrasil.com/2018/04/10/3-aplicativos-para-amantes-de-plantas-e-botanica_a_23407630/. Acesso em 24 abr. 2019.

IBAMA. Proposta de Plano Nacional de Gestão para o uso sustentável de Camarões marinhos

do Brasil. Brasília: Ibama, 2011.

MELO, O. E. B. M. Biologia e abundância do camarão Plesionika edwardsii (Brandt, 1851) nos Açores. 2009. Mestrado. Portugal. Universidade dos Açores, 2007.

NUNES, W.V. Introdução às redes neurais artificiais. In: Esperidião-Antônio V. Neurociências: diálogos e interseções. Rio de Janeiro: Editora Rubio, 2012. p. 1-768.

OLIVEIRA, W. UTFPR Software para reconhecimento de espécies florestais a partir de

imagens digitais de madeiras utilizando deep learning. Mestrado. Medianeira, 2018.

R Development Core Team (2009). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.

SIDDIQI, M. H.; LEE, S.; KHAN, A. Weed Image Classification using Wavelet Transform, Stepwise Linear Discriminant Analysis, and Support Vector Machines for an Automatic Spray Control System. Journal of Information Science and Engineering, Gyeonggi-do, n. 30, p.1253-1270, 2013.

SIQUEIRA-BATISTA, R.; ESPERIDIÃO, A. V., MEDEIROS-SOUZA, R. R. et al. Neurociências e educação: um tempo de encontro no espaço dos saberes. Rev Ciências Ideias, 2(1):1-16, 2010.