Aplicação de redes neurais convolucionais no reconhecimento de gênero em calopsitas.

Abstract

As calopsitas (Nymphicus hollandicus) são aves que, em sua variação silvestre, apresentam dimorfismo sexual visível, sendo os machos e as fêmeas distinguíveis principalmente pela colo- ração das penas. Ao longo dos séculos, porém, as calopsitas sofreram mutações genéticas que deram origem a novos padrões de plumagem, tornando sutil a diferenciação de gênero entre elas. Neste trabalho, investiga-se a aplicação de técnicas de aprendizado profundo para a identificação não invasiva do gênero de calopsitas a partir de imagens. Para isso, foi construída uma base de dados composta por 159 fotografias obtidas em redes sociais e por meio da participação voluntária de tutores de calopsitas. Foram desenvolvidos e avaliados dois modelos baseados na arquitetura ResNet50 pré-treinada na ImageNet. O primeiro experimento utilizou uma estratégia convencional de treinamento, enquanto o segundo incorporou validação cruzada estratificada, arquitetura multiescala e um processo de fine tuning mais refinado. Os resultados demonstraram que o primeiro modelo apresentou desempenho limitado, alcançando acurácia de 56,52% e forte tendência à classificação predominante da classe masculina. Em contrapartida, o segundo experimento obteve acurácia de 78,26%, precisão de 83,33%, recall de 76,92% e F1-score de 80,00%, evidenciando melhor capacidade de generalização e maior equilíbrio entre as classes. Os resultados indicam que redes neurais convolucionais constituem uma abordagem promissora para o problema, embora a disponibilidade limitada de dados ainda represente um desafio importante.