Uma abordagem para detecção de serpentes de interesse em saúde pública no Brasil por meio de imagens

Abstract

A detecção de animais peçonhentos é de extrema importância para a segurança pública e para a preservação da vida selvagem. O conhecimento antecipado da presença desses animais em determinadas áreas pode prevenir acidentes graves e até mesmo salvar vidas. No entanto, a identificação manual desses animais é uma tarefa desafiadora e arriscada, exigindo profissionais com formações específicas que nem sempre estão disponíveis em determinadas regiões. Este trabalho busca apresentar uma nova abordagem de detecção de serpentes de interesse em saúde pública no Brasil por meio de imagens, utilizando técnicas de aprendizado de máquina e apresentar um meio de aquisição de imagens de serpentes da fauna brasileira para estudos futuros. Para isso, criamos o conjunto de da dos e criamos modelos de aprendizado de máquina baseados em quatro arquiteturas ANN com um conjunto de dados contendo 9236 imagens desses animais. Dentre as arquiteturas testadas, VGG, ResNet, DenseNet e Inception V3, a arquitetura que apresentou melhor re sultado foi a VGG, conseguindo atingir uma acurácia de 85,9% e um F1-score de 63,5%. Os resultados atingidos tem o potencial de auxiliar na prevenção de acidentes e contribuir para a preservação da vida tanto dos seres humanos quanto dos próprios animais, além de fornecer uma ferramenta para profissionais de saúde, pesquisadores e socorristas que atuam na área da saúde e segurança em todo o país.

The detection of venomous animals is extremely important for public safety and wildlife preservation. Advanced knowledge of the presence of these animals in certain areas can prevent serious accidents and even save lives. However, manual identification of these animals is a challenging and risky task, requiring professionals with specific training not always available in certain regions. This work seeks to present a new approach to de tecting snakes of public health interest in Brazil through images, using machine learning techniques and providing a means of acquiring images of snakes from Brazilian fauna for future studies. For this, we created a dataset and developed machine learning models based on four ANN architectures with a dataset containing 9,236 images of these ani mals. Among the tested architectures, VGG, ResNet, DenseNet, and Inception V3, VGG showed the best performance, achieving an accuracy of 85.9% and an F1-score of 63.5%. The achieved results have the potential to assist in accident prevention and contribute to the preservation of the life of both humans and the animals themselves, in addition to pro viding a tool for health professionals, researchers, and first responders working in health and safety across the country.