Classificação de corais utilizando aprendizagem profunda

Abstract

Resumo: Os corais sao animais coloniais do Filo Cnidaria que formam os recifes de corais os quais desempenham um papel fundamental no ecossistema marinho, servindo de habitat para peixes, moluscos, crustaceos, esponjas, e diversos outros organismos. Entretanto, em funcao das mudancas climaticas e consequentemente do aumento da temperatura dos oceanos, alguns corais estao perdendo coloracao ao perder as algas que vivem em simbiose com esses animais, podendo causar alta mortalidade. Devido a sua importancia para o ambiente marinho, o monitoramento dos recifes de corais e essencial e realiza-se principalmente por meio de dados extraidos de fotografias subaquaticas. Nesse contexto o Laboratorio de Ecologia Marinha (LECOM) da Universidade Federal do Rio Grande do Norte (UFRN) desenvolveu o projeto "#DeOlhoNosCorais" o qual incentiva pessoas a postarem fotos de recifes de corais em suas redes sociais. Desse modo, o laboratorio obtem informacoes da saude dos corais na costa brasileira. Todavia, a analise dessas imagens e atualmente realizada manualmente e com a necessidade de um especialista. Nessa dissertacao trabalhamos em parceria com o LECOM para efetuar o treinamento de modelos de aprendizagem de maquina para realizar a classificacao, segmentacao e localizacao de objetos das postagens em redes sociais com a hashtag "#DeOlhoNosCorais", reduzindo assim o tempo empregado na analise das imagens. Um diferencial da base de dados utilizada no trabalho em relacao as presentes na literatura e a presenca do mapa de segmentacao que e a classificacao de cada pixel contido na imagem. Portanto, avaliou-se os modelos de aprendizagem de maquina frente a 3 cenarios: classificacao, segmentacao semantica e localizacao de objetos. Tambem avaliou-se o uso de transfer learning utilizando a base de dados Pacific Labeled Corals (PLC) e utilizou-se o algoritmo Local Interpretable Model-agnostic Explanations (LIME) para interpretar os resultados dos modelos de classificacao. Os melhores resultados para classificacao ficaram com as configuracoes que utilizam a EfficientNet como extrator de caracteristica e a regressao logistica como classificador. Para segmentacao semantica e localizacao de objetos obteve-se resultados com a U-net e a Yolov5, respectivamente. Os resultados encontrados demonstram a viabilidade de se utilizar os modelos de aprendizagem de maquina para automatizar o processo de separacao e selecao das imagens provenientes das redes sociais, reduzindo assim o tempo empregado na analise das imagens. Deseja-se tambem que o trabalho auxilie outros projetos envolvendo recifes de corais da costa brasileira e demais regiões.

Abstract: Corals are colonial animals within the Phylum Cnidaria that form coral reefs which play a major role in the marine ecosystem, providing habitat for fishes, mollusks, crustaceans, sponges, algae and other organisms. However, corals are losing coloration through the disruption of a symbiotic relationship with microalgae driven by rising temperatures and climate change, often leading to coral mortality. Due to its importance for the marine environment, monitoring the coral reefs is fundamental and nowadays is made by data collected from underwater photographs. In this context the Marine Ecology Laboratory (LECOM) from the Federal University of Rio Grande do Norte (UFRN) developed the project "#DeOlhoNosCorais" which encourages people to post photos of coral reefs on their social media. Thus, the laboratory acquires information of the health of the corals in the Brazilian coast. However, the analysis of these images is currently carried out manually, and it requires a specialist. In this dissertation, we worked in partnership with LECOM to carry out the training of machine learning models to perform the classification of the posts on social networks with the hashtag "#DeOlhoNosCorais", and then reducing the time used in the analysis of the images. A differential of the database used in the work in relation to those present in the literature is the presence of the segmentation map that classifies each individual pixel of the image. So, we evaluated the machine learning models against 3 scenarios: classification, semantic segmentation and object localization. We also tested the transfer learning using the Pacific Labeled Corals (PLC) dataset and the Local Interpretable Model-agnostic Explanations (LIME) algorithm to explain the results of the classification models. The best results for the classification task were using the EfficientNet for the feature extraction and Logistic Regression for the classification. For the semantic segmentation and object localization, we used the U-net and Yolov5 models, respectively. The result founded demonstrate the feasibility of using machine learning models to automate the process of separation and selection of the images from the social networks, thus reducing the time spent on the image analysis. It is hoped that the work will assist other projects involving coral reefs on the Brazilian coast and other regions.