Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects (2026)
- Authors:
- Autor USP: PINHEIRO, JOÃO MANOEL HERRERA - EESC
- Unidade: EESC
- Sigla do Departamento: SEM
- DOI: 10.11606/D.18.2026.tde-09022026-143242
- Subjects: ARTRÓPODES; BIODIVERSIDADE; APRENDIZADO COMPUTACIONAL; REDES NEURAIS; ZOOLOGIA (CLASSIFICAÇÃO)
- Keywords: aprendizado de máquina; rede neural convolucional; taxonomia
- Agências de fomento:
- Language: Inglês
- Abstract: A identificação taxonômica precisa constitui um pré-requisito para o monitoramento eficaz da biodiversidade, as pesquisas ecológicas e as estratégias de controle biológico. A ordem Hymenoptera, abrangendo mais de 150.000 espécies descritas, inclui a superfamília hiperdiversa Ichneumonoidea, que compreende as famílias Ichneumonidae e Braconidae. O impedimento taxonômico, caracterizado pelo vasto número de espécies ainda não descritas nesses grupos, gera impactos diretos na ecologia, na conservação da biodiversidade e em aplicações práticas como o controle biológico. Para enfrentar este desafio, apresentamos um conjunto de dados curado e de alta resolução, projetado para avançar a identificação taxonômica automatizada. O conjunto de dados compreende 1.739 imagens de espécimes, focando principalmente em Ichneumonidae e Braconidae, suplementado por amostras representativas de nove famílias adicionais de himenópteros (Andrenidae, Apidae, Bethylidae, Chrysididae, Colletidae, Halictidae, Megachilidae, Pompilidae e Vespidae) para garantir uma diferenciação robusta de grupos externos. A precisão da anotação foi maximizada por meio de um fluxo de trabalho semiautomatizado utilizando a ferramenta Computer Vision Annotation Tool (CVAT) integrada ao Segment Anything Model (SAM). Esta metodologia permitiu a geração de máscaras de segmentação de alta fidelidade e caixas delimitadoras (bounding boxes) para estruturas morfológicas diagnósticas, facilitando especificamente a identificação em nível de família. Para estabelecer um benchmark de desempenho, avaliamos a eficácia de múltiplas arquiteturas de aprendizado profundo. Para a classificação em nível de imagem, o modelo YOLOv12 mostrou-se o mais eficaz, alcançando uma acurácia superior a 93%. Subsequentemente, um pipeline de detecção de objetos foi implementado para a detecção automatizada do corpo do inseto e das asas, atingindo uma Mean Average Precision (mAP)superior a 90%. Além disso, técnicas de Inteligência Artificial Explicável (XAI) foram empregadas para interpretar o mecanismo de inferência do modelo. Essas análises visuais confirmaram que a rede se concentra em características biologicamente significativas como padrões específicos de venação das asas em vez de artefatos de fundo, validando assim a confiabilidade taxonômica das previsões automatizadas. Este conjunto de dados e seus benchmarks associados representam um recurso crítico para o avanço da entomologia computacional
- Imprenta:
- Publisher place: São Carlos
- Date published: 2026
- Data da defesa: 15.01.2026
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
PINHEIRO, João Manoel Herrera. Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects. 2026. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2026. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-09022026-143242/. Acesso em: 14 fev. 2026. -
APA
Pinheiro, J. M. H. (2026). Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18162/tde-09022026-143242/ -
NLM
Pinheiro JMH. Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects [Internet]. 2026 ;[citado 2026 fev. 14 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-09022026-143242/ -
Vancouver
Pinheiro JMH. Deep learning-based computer vision techniques for automated identification of Ichneumonoidea and other Hymenoptera insects [Internet]. 2026 ;[citado 2026 fev. 14 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-09022026-143242/
Informações sobre o DOI: 10.11606/D.18.2026.tde-09022026-143242 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
