Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Pereira, Vinicius Galante [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aquicultura
Ectoparasitos
Inteligência artificial
Automação
Link de acesso: https://hdl.handle.net/11449/296219
Resumo: A identificação precisa de ectoparasitas em peixes é essencial para seu controle e mitigação de seus impactos negativos na produção aquícola. Este estudo propõe uma metodologia para coleta de amostras, bem como captura e preparação de imagens como etapa inicial na construção de um banco de dados para treinamento e validação de ferramentas de diagnóstico automatizado para doenças parasitárias em aquicultura com base em visão computacional. Amostras de ectoparasitas foram coletadas de diferentes espécies de peixes em fazendas de peixes nos estados de São Paulo e Goiás, Brasil, e fixadas em lâminas para captura de imagens em laboratório. As imagens obtidas no formato .tiff foram preparadas para uso em diferentes arquiteturas de redes neurais convolucionais (CNN). A metodologia proposta abrange todo o processo, desde a coleta de amostras, captura de imagens e rotulagem de dados até o pré-processamento de imagens, incluindo o redimensionamento para uma resolução padrão de 224x224 pixels, conversão de RGB para tons de cinza e limiarização aplicada usando a técnica cv.THRESH_TOZERO_INV da biblioteca OpenCV com limiares de 120, 150 e 170, visando melhorar a visualização e extração de características parasitas. Como etapa final, a aplicação de técnicas de aumento de dados aumenta o número de imagens, expandindo a quantidade de exemplos disponíveis
id UNSP_e8192e6d40ae398d08a7f39e9e117d48
oai_identifier_str oai:repositorio.unesp.br:11449/296219
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learningIdentifikation und automatische diagnose von ektoparasiten bei fischen unter verwendung von deep learningIdentification and automatic diagnosis of ectoparasites in fishes using deep learningAquiculturaEctoparasitosInteligência artificialAutomaçãoA identificação precisa de ectoparasitas em peixes é essencial para seu controle e mitigação de seus impactos negativos na produção aquícola. Este estudo propõe uma metodologia para coleta de amostras, bem como captura e preparação de imagens como etapa inicial na construção de um banco de dados para treinamento e validação de ferramentas de diagnóstico automatizado para doenças parasitárias em aquicultura com base em visão computacional. Amostras de ectoparasitas foram coletadas de diferentes espécies de peixes em fazendas de peixes nos estados de São Paulo e Goiás, Brasil, e fixadas em lâminas para captura de imagens em laboratório. As imagens obtidas no formato .tiff foram preparadas para uso em diferentes arquiteturas de redes neurais convolucionais (CNN). A metodologia proposta abrange todo o processo, desde a coleta de amostras, captura de imagens e rotulagem de dados até o pré-processamento de imagens, incluindo o redimensionamento para uma resolução padrão de 224x224 pixels, conversão de RGB para tons de cinza e limiarização aplicada usando a técnica cv.THRESH_TOZERO_INV da biblioteca OpenCV com limiares de 120, 150 e 170, visando melhorar a visualização e extração de características parasitas. Como etapa final, a aplicação de técnicas de aumento de dados aumenta o número de imagens, expandindo a quantidade de exemplos disponíveisThe accurate identification of ectoparasites in fish is essential for their control and mitigation of their negative impacts on aquaculture production. This study proposes a methodology for sample collection, as well as image capture and preparation as an initial step in building a database for training and validating automated diagnostic tools for parasitic diseases in aquaculture based on computer vision. Ectoparasite samples were collected from different fish species in fish farms in the states of São Paulo and Goiás, Brazil, and fixed on slides for laboratory image capture. The images obtained in .tiff format were prepared for use in different convolutional neural network (CNN) architectures. The proposed methodology covers the entire process from sample collection, image capture, and data labeling to image preprocessing, including resizing to a standard resolution of 224x224 pixels, conversion from RGB to grayscale, and thresholding applied using the OpenCV library's cv.THRESH_TOZERO_INV technique with thresholds of 120, 150, and 170, aimed at improving the visualization and extraction of parasite features. As a final step, the application of data augmentation techniques increases the number of images, expanding the quantity of available examplesCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)CAPES, Processo nº 88887.955700/2024-00CNPq, Processo nº 130781/2023-1Universidade Estadual Paulista (Unesp)Pilarski, Fabiana [UNESP]Universidade Estadual Paulista (Unesp)Teramoto, Érico Tadao [UNESP]Pereira, Vinicius Galante [UNESP]2025-04-08T15:37:47Z2025-03-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfPEREIRA, V.G. - Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning - 2025, 84f - Dissertação (Mestrado em Aquicultura) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2025.https://hdl.handle.net/11449/29621933004102049P7porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-11-26T17:35:48Zoai:repositorio.unesp.br:11449/296219Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-11-26T17:35:48Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
Identifikation und automatische diagnose von ektoparasiten bei fischen unter verwendung von deep learning
Identification and automatic diagnosis of ectoparasites in fishes using deep learning
title Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
spellingShingle Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
Pereira, Vinicius Galante [UNESP]
Aquicultura
Ectoparasitos
Inteligência artificial
Automação
title_short Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
title_full Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
title_fullStr Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
title_full_unstemmed Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
title_sort Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning
author Pereira, Vinicius Galante [UNESP]
author_facet Pereira, Vinicius Galante [UNESP]
author_role author
dc.contributor.none.fl_str_mv Pilarski, Fabiana [UNESP]
Universidade Estadual Paulista (Unesp)
Teramoto, Érico Tadao [UNESP]
dc.contributor.author.fl_str_mv Pereira, Vinicius Galante [UNESP]
dc.subject.por.fl_str_mv Aquicultura
Ectoparasitos
Inteligência artificial
Automação
topic Aquicultura
Ectoparasitos
Inteligência artificial
Automação
description A identificação precisa de ectoparasitas em peixes é essencial para seu controle e mitigação de seus impactos negativos na produção aquícola. Este estudo propõe uma metodologia para coleta de amostras, bem como captura e preparação de imagens como etapa inicial na construção de um banco de dados para treinamento e validação de ferramentas de diagnóstico automatizado para doenças parasitárias em aquicultura com base em visão computacional. Amostras de ectoparasitas foram coletadas de diferentes espécies de peixes em fazendas de peixes nos estados de São Paulo e Goiás, Brasil, e fixadas em lâminas para captura de imagens em laboratório. As imagens obtidas no formato .tiff foram preparadas para uso em diferentes arquiteturas de redes neurais convolucionais (CNN). A metodologia proposta abrange todo o processo, desde a coleta de amostras, captura de imagens e rotulagem de dados até o pré-processamento de imagens, incluindo o redimensionamento para uma resolução padrão de 224x224 pixels, conversão de RGB para tons de cinza e limiarização aplicada usando a técnica cv.THRESH_TOZERO_INV da biblioteca OpenCV com limiares de 120, 150 e 170, visando melhorar a visualização e extração de características parasitas. Como etapa final, a aplicação de técnicas de aumento de dados aumenta o número de imagens, expandindo a quantidade de exemplos disponíveis
publishDate 2025
dc.date.none.fl_str_mv 2025-04-08T15:37:47Z
2025-03-01
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv PEREIRA, V.G. - Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning - 2025, 84f - Dissertação (Mestrado em Aquicultura) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2025.
https://hdl.handle.net/11449/296219
33004102049P7
identifier_str_mv PEREIRA, V.G. - Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning - 2025, 84f - Dissertação (Mestrado em Aquicultura) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2025.
33004102049P7
url https://hdl.handle.net/11449/296219
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954545451368448

Registros relacionados