BASES VISUAIS E MATEMÁTICAS PARA O USO DE INTELIGÊNCIA ARTIFICIAL NA IDENTIFICAÇÃO DE QUATRO ESPÉCIES DO GÊNERO MUGIL

Jovan Louzeiro Silva; Emanuele Borges da Silva; Janaina dos Santos Oliveira; Ravel Menezes da Cruz; Andrey Marcos Mendonça Ferreira; Romário Costa Ribeiro; Ronan Corrêa Santos; Diego Aurélio dos Santos Cunha

doi:10.18817/repesca.v17i1.4426

BASES VISUAIS E MATEMÁTICAS PARA O USO DE INTELIGÊNCIA ARTIFICIAL NA IDENTIFICAÇÃO DE QUATRO ESPÉCIES DO GÊNERO MUGIL

Autores

Jovan Louzeiro Silva IEMA Pleno Carutapera
Emanuele Borges da Silva IEMA Pleno Carutapera
Janaina dos Santos Oliveira IEMA Pleno Carutapera
Ravel Menezes da Cruz IEMA Pleno Carutapera
Andrey Marcos Mendonça Ferreira IEMA Pleno Carutapera
Romário Costa Ribeiro IEMA Pleno Carutapera
Ronan Corrêa Santos IEMA Pleno Carutapera
Diego Aurélio dos Santos Cunha IEMA Pleno Carutapera https://orcid.org/0000-0001-5414-602X

DOI:

https://doi.org/10.18817/repesca.v17i1.4426

Palavras-chave:

Inovação, Recursos pesqueiros, Pesca, Análise de imagem, Gestão pesqueira

Resumo

A identificação correta de espécies de peixes é fundamental para a gestão pesqueira sustentável, a conservação da biodiversidade aquática e a produção de dados científicos confiáveis, especialmente em ambientes costeiros e estuarinos onde a pesca artesanal desempenha papel central. No entanto, grupos taxonômicos com elevada similaridade morfológica, como o gênero Mugil (Mugilidae), apresentam elevados índices de erro quando a identificação se baseia exclusivamente em observação visual. Diante das limitações de métodos moleculares, que demandam alto custo e infraestrutura especializada, este estudo teve como objetivo desenvolver e apresentar uma abordagem integrada, acessível e não invasiva para auxiliar na identificação de espécies do gênero Mugil comuns na costa maranhense, utilizando imagens digitais e modelagem matemática explicativa. Foram analisadas imagens de Mugil brevirostris, Mugil curema, Mugil incilis e Mugil liza, a partir das quais foram extraídas medidas morfométricas básicas (área corporal, comprimento e altura máximos) e índices proporcionais, como Índice de Área, Razão de Aspecto e um índice de regularidade das escamas baseado em variação de brilho. A integração desses descritores permitiu a construção de um modelo matemático interpretável capaz de diferenciar logicamente as espécies analisadas, mesmo em um grupo morfologicamente críptico. Os resultados demonstraram que características visualmente perceptíveis podem ser traduzidas em métricas quantitativas objetivas, reduzindo a subjetividade da identificação tradicional. A metodologia mostrou-se promissora para aplicações em educação ambiental, monitoramento participativo, ciência cidadã e gestão pesqueira, além de estabelecer bases conceituais para futuras aplicações em inteligência artificial. Conclui-se que a combinação entre análise visual, morfometria digital e modelos matemáticos simples constitui uma ferramenta eficaz, compreensível e de baixo custo para a identificação de espécies de peixes costeiros.

Referências

BALLARD, H., LINDELL, A., & JADALLAH, C. (2024). Environmental education outcomes of community and citizen science: a systematic review of empirical research. Environmental Education Research, 30, 1007 - 1040. https://doi.org/10.1080/13504622.2024.2348702 DOI: https://doi.org/10.1080/13504622.2024.2348702

BANERJEE, A., DAS, A., BEHRA, S., BHATTACHARJEE, D., SRINIVASAN, N., NASIPURI, M., & DAS, N. (2022). Carp-DCAE: Deep convolutional autoencoder for carp fish classification. Comput. Electron. Agric., 196, 106810. https://doi.org/10.1016/j.compag.2022.106810 DOI: https://doi.org/10.1016/j.compag.2022.106810

BEKKOZHAYEVA, D., & CÍSAR̆, P. (2022). Image-Based Automatic Individual Identification of Fish without Obvious Patterns on the Body (Scale Pattern). Applied Sciences. https://doi.org/10.3390/app12115401 DOI: https://doi.org/10.3390/app12115401

BLANCO-FERNANDEZ, C., ERZINI, K., RODRÍGUEZ-DIEGO, S., ALBA-GONZALEZ, P., THIAM, N., SOW, F., DIALLO, M., VIÐARSSON, J., FERNÁNDEZ-VIDAL, D., GONÇALVES, J., RANGEL, M., STOBBERUP, K., GARCIA-VAZQUEZ, E., & MACHADO-SCHIAFFINO, G. (2022). Two Fish in a Pod. Mislabelling on Board Threatens Sustainability in Mixed Fisheries, 9. https://doi.org/10.3389/fmars.2022.841667 DOI: https://doi.org/10.3389/fmars.2022.841667

BOOKSTEIN, F. L. (1991) Morphometric tools for landmark data: geometry and biology. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511573064 DOI: https://doi.org/10.1017/CBO9780511573064

CADRIN, S. (2000). Advances in morphometric identification of fishery stocks. Reviews in Fish Biology and Fisheries, 10, 91-112. https://doi.org/10.1023/a:1008939104413 DOI: https://doi.org/10.1023/A:1008939104413

COSTA, L. F.; CESAR JR., R. M. Shape Analysis and Classification: Theory and Practice. Boca Raton: CRC Press, 2009, 680 p. https://doi.org/10.1201/9781420037555 DOI: https://doi.org/10.1201/9781420037555

DURAND, J., SHEN, K., CHEN, W., JAMANDRE, B., BLEL, H., DIOP, K., NIRCHIO, M., LEÓN, F., WHITFIELD, A., CHANG, C., & BORSA, P. (2012). Systematics of the grey mullets (Teleostei: Mugiliformes: Mugilidae): molecular phylogenetic evidence challenges two centuries of morphology-based taxonomy.. Molecular phylogenetics and evolution, 64 1, 73-92. https://doi.org/10.1016/j.ympev.2012.03.006 DOI: https://doi.org/10.1016/j.ympev.2012.03.006

DURAND, J., HUBERT, N., SHEN, K., & BORSA, P. (2017). DNA barcoding grey mullets. Reviews in Fish Biology and Fisheries, 27, 233-243. https://doi.org/10.1007/s11160-016-9457-7 DOI: https://doi.org/10.1007/s11160-016-9457-7

FERREIRA, A., AZEVEDO, O., BARROSO, C., DUARTE, S., EGAS, C., FONTES, J., RÉ, P., SANTOS, A., & COSTA, F. (2024). Multi-marker DNA metabarcoding for precise species identification in ichthyoplankton samples. Scientific Reports, 14. https://doi.org/10.1038/s41598-024-69963-7 DOI: https://doi.org/10.1038/s41598-024-69963-7

FORTUNATO, R., GONZÁLEZ-CASTRO, M., GALÁN, A., ALONSO, I., KUNERT, C., DURÀ, V., & VOLPEDO, A. (2017). Identification of potential fish stocks and lifetime movement patterns of Mugil liza Valenciennes 1836 in the Southwestern Atlantic Ocean. Fisheries Research, 193, 164-172. https://doi.org/10.1016/j.fishres.2017.04.005 DOI: https://doi.org/10.1016/j.fishres.2017.04.005

FRAGA, E., SCHNEIDER, H., NIRCHIO, M., SANTA-BRIGIDA, E., RODRIGUES-FILHO, L., & SAMPAIO, I. (2007). Molecular phylogenetic analyses of mullets (Mugilidae, Mugiliformes) based on two mitochondrial genes. Journal of Applied Ichthyology, 23, 598-604. https://doi.org/10.1111/j.1439-0426.2007.00911.x DOI: https://doi.org/10.1111/j.1439-0426.2007.00911.x

FROESE, R. (2006) Cube law, condition factor and weight–length relationships: history, meta‐analysis and recommendations. Journal of Applied Ichthyology, 22(4), 241–253. https://doi.org/10.1111/j.1439-0426.2006.00805.x DOI: https://doi.org/10.1111/j.1439-0426.2006.00805.x

GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 4. ed. New York: Pearson, 2018. Disponível em: https://www.cl72.org/090imagePLib/books/Gonzales,Woods-Digital.Image.Processing.4th.Edition.pdf

HARALICK, R. M.; SHANMUGAM, K.; DINSTEIN, I. (1973) Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610–621. https://doi.org/10.1109/TSMC.1973.4309314 DOI: https://doi.org/10.1109/TSMC.1973.4309314

LECUN, Y., BENGIO, Y. & HINTON, G. (2015) Deep learning. Nature 521, 436–444. https://doi.org/10.1038/nature14539 DOI: https://doi.org/10.1038/nature14539

LIMMON, G., DELRIEU‐TROTTIN, E., PATIKAWA, J., RIJOLY, F., DAHRUDDIN, H., BUSSON, F., STEINKE, D., & HUBERT, N. (2020). Assessing species diversity of Coral Triangle artisanal fisheries: A DNA barcode reference library for the shore fishes retailed at Ambon harbor (Indonesia). Ecology and Evolution, 10, 3356 - 3366. https://doi.org/10.1002/ece3.6128 DOI: https://doi.org/10.1002/ece3.6128

LOUW, M., & SANFORD‐DOLLY, C. (2023). Learning to see, seeing to learn: Impacts of an online tool on volunteers' observational practices during aquatic macroinvertebrate identification. Science Education. https://doi.org/10.1002/sce.21834 DOI: https://doi.org/10.1002/sce.21834

LU, J., ZHANG, S., ZHAO, S., LI, D., & ZHAO, R. (2024). A Metric-Based Few-Shot Learning Method for Fish Species Identification with Limited Samples. *Animals : an Open Access Journal from MDPI*, 14. https://doi.org/10.3390/ani14050755 DOI: https://doi.org/10.3390/ani14050755

MARTÍ-PUIG, P., MANJABACAS, A., & LOMBARTE, A. (2020). Automatic Classification of Morphologically Similar Fish Species Using Their Head Contours. Applied Sciences. https://doi.org/10.3390/app10103408 DOI: https://doi.org/10.3390/app10103408

MENEZES, N. (1983). Guia prático para conhecimento e identificação das tainhas e paratis (pisces, Mugilidae) do litoral brasileiro. Revista Brasileira De Zoologia, 2, 1-12. https://doi.org/10.1590/s0101-81751983000100001 DOI: https://doi.org/10.1590/S0101-81751983000100001

MORALES-PULIDO, J., GALINDO-SÁNCHEZ, C., JIMÉNEZ‐ROSENBERG, S., BATTA-LONA, P., HERZKA, S., & ARTEAGA, M. (2024). A molecular approach to identify parrotfish (Sparisoma) species during early ontogeny.. Journal of fish biology. https://doi.org/10.1111/jfb.15921 DOI: https://doi.org/10.1111/jfb.15921

MUJTABA, D., & MAHAPATRA, N. (2021). Convolutional Neural Networks for Morphologically Similar Fish Species Identification. 2021 International Conference on Computational Science and Computational Intelligence (CSCI), 1553-1559. https://doi.org/10.1109/csci54926.2021.00303 DOI: https://doi.org/10.1109/CSCI54926.2021.00303

MUSTAFIDAH, H., SUWARSITO, S., SETIAWAN, R., & KARIM, A. (2025). Image-Based Classification of Freshwater Fish Species to Support Feed Recommendation Using Random Forest. JUITA: Jurnal Informatika. https://doi.org/10.30595/juita.v13i2.27358 DOI: https://doi.org/10.30595/juita.v13i2.27358

NEVES, J., NOLEN, Z., FABRÉ, N., MOTT, T., & PEREIRA, R. (2021). Genomic methods reveal independent demographic histories despite strong morphological conservatism in fish species. Heredity, 127, 323 - 333. https://doi.org/10.1038/s41437-021-00455-4 DOI: https://doi.org/10.1038/s41437-021-00455-4

RAUF, H., LALI, M., ZAHOOR, S., SHAH, S., REHMAN, A., & BUKHARI, S. (2019). Visual features based automated identification of fish species using deep convolutional neural networks. Comput. Electron. Agric., 167. https://doi.org/10.1016/j.compag.2019.105075 DOI: https://doi.org/10.1016/j.compag.2019.105075

RAJAN, R., DURAND, J., THOMAS, L., SIDHARTHAN, A., RAHMAN, M., XAVIER, B., & RAGHAVAN, R. (2023). Barcoding Mullets (Mugilidae): Genetic Characterization of Exploited Species in Southern Peninsular India. Diversity. https://doi.org/10.3390/d15121193 DOI: https://doi.org/10.3390/d15121193

ROSSOUW, E., VON DER HEYDEN, S., & PEER, N. (2025). Aquatic eDNA outperforms sedimentary eDNA for the detection of estuarine fish communities in subtropical coastal vegetated ecosystems. Journal of Fish Biology, 107, 520 - 534. https://doi.org/10.1111/jfb.70056 DOI: https://doi.org/10.1111/jfb.70056

RUSS, J. C. The Image Processing Handbook. 6. ed. Boca Raton: CRC Press, 2011, 885 p. https://doi.org/10.1201/b10720 DOI: https://doi.org/10.1201/b10720

SARKAR, B., BHAKTA, J., JANA, B., SARKAR, U., & SINGH, M. (2024). Molecular Identification and Barcoding of Some Fishes Collected from Coastal Regions of West Bengal, India for Fish Diversity Conservation. Thalassas: An International Journal of Marine Sciences, 41. https://doi.org/10.1007/s41208-024-00774-3 DOI: https://doi.org/10.1007/s41208-024-00774-3

SANTANA, T. C., CARVALHO NETA, R. N. F., FERNANDES, J. F. F., LOBATO, R. S., CASTRO, J. S., CASTRO, J. J. P., BARBOSA, J. M., TEIXEIRA, E. G. (2019) An illustrated guide to commercial teleost fishes from Upaon-Açu Island, Brazil [electronic book] – São Luís: EDUEMA, 118 p. : il. color. ISBN: 978-85-8227-224-4.

STRACHAN, N., NESVADBA, P., & ALLEN, A. (1990). Fish species recognition by shape analysis of images. Pattern Recognit., 23, 539-544. https://doi.org/10.1016/0031-3203(90)90074-u DOI: https://doi.org/10.1016/0031-3203(90)90074-U

STRAUSS, R. E.; BOOKSTEIN, F. L. (1982) The truss: body form reconstructions in morphometrics. Systematic Zoology, 31(2), 113–135. https://doi.org/10.2307/2413032 DOI: https://doi.org/10.1093/sysbio/31.2.113

TRAVERSO, F., AICARDI, S., BOZZO, M., ZINNI, M., AMAROLI, A., GALLI, L., CANDIANI, S., VANIN, S., & FERRANDO, S. (2024). New Insights into Geometric Morphometry Applied to Fish Scales for Species Identification. Animals: an Open Access Journal from MDPI, 14. https://doi.org/10.3390/ani14071090 DOI: https://doi.org/10.3390/ani14071090

TEJASWINI, H., PAI, M., & PAI, R. (2024). Automatic Estuarine Fish Species Classification System Based on Deep Learning Techniques. IEEE Access, 12, 140412-140438. https://doi.org/10.1109/access.2024.3468438 DOI: https://doi.org/10.1109/ACCESS.2024.3468438

THARWAT, A., HEMEDAN, A., HASSANIEN, A., & GABEL, T. (2018). A biometric-based model for fish species classification. Fisheries Research, 204, 324-336. https://doi.org/10.1016/j.fishres.2018.03.008 DOI: https://doi.org/10.1016/j.fishres.2018.03.008

THU, P., HUANG, W., CHOU, T., VAN QUAN, N., VAN CHIEN, P., LI, F., SHAO, K., & LIAO, T. (2019). DNA barcoding of coastal ray-finned fishes in Vietnam. PLoS ONE, 14. https://doi.org/10.1371/journal.pone.0222631 DOI: https://doi.org/10.1371/journal.pone.0222631

WALTON, L., QUINDAZZI, M., GAUTHIER, S., & STEVENS, C. (2025). Fish ID face-off: A comparison of genetic barcoding and otolith shape analysis for streamlining species identification of mesopelagic fishes. Fisheries Research. https://doi.org/10.1016/j.fishres.2024.107254 DOI: https://doi.org/10.1016/j.fishres.2024.107254

VIDELER, J. J. (1993). Fish Swimming. Springer Nature, 260 p.. https://doi.org/10.1007/978-94-011-1580-3 DOI: https://doi.org/10.1007/978-94-011-1580-3

VON DER HEYDEN, S. (2025). 'It's not much, but it's honest work': The status of environmental DNA analyses of fish biodiversity in southern Africa.. Journal of fish biology. https://doi.org/10.1111/jfb.70187 DOI: https://doi.org/10.1111/jfb.70187

WHITE, D. J.; SVENDSEN, J. C.; BECK, A. A.; HAKOYAMA, H. Measuring the cost of active swimming in fish by analyzing body motion from digital images. Journal of Experimental Biology, v. 209, p. 409–417, 2006.

XU, X., LI, W., & DUAN, Q. (2020). Transfer learning and SE-ResNet152 networks-based for small-scale unbalanced fish species identification. Comput. Electron. Agric., 180, 105878. https://doi.org/10.1016/j.compag.2020.105878 DOI: https://doi.org/10.1016/j.compag.2020.105878

YANG, L., LIU, Y., YU, H., FANG, X., SONG, L., LI, D., & CHEN, Y. (2020). Computer Vision Models in Intelligent Aquaculture with Emphasis on Fish Detection and Behavior Analysis: A Review. Archives of Computational Methods in Engineering, 28, 2785 - 2816. https://doi.org/10.1007/s11831-020-09486-2 DOI: https://doi.org/10.1007/s11831-020-09486-2

ZHANG, D.; LU, G. (2004) Review of shape representation and description techniques. Pattern Recognition, v. 37, n. 1, p. 1–19, 2004. https://doi.org/10.1016/j.patcog.2003.07.008 DOI: https://doi.org/10.1016/j.patcog.2003.07.008

ZION, B. (2012) O uso de tecnologias de visão computacional na aquicultura — Uma revisão. Computadores e Eletrônica na Agricultura, 88, 125-132. https://doi.org/10.1016/j.compag.2012.07.010 DOI: https://doi.org/10.1016/j.compag.2012.07.010

Downloads

Publicado

2026-01-10

Como Citar

Silva, J. L., Silva, E. B. da, Oliveira, J. dos S., Cruz, R. M. da, Ferreira, A. M. M., Ribeiro, R. C., … Cunha, D. A. dos S. (2026). BASES VISUAIS E MATEMÁTICAS PARA O USO DE INTELIGÊNCIA ARTIFICIAL NA IDENTIFICAÇÃO DE QUATRO ESPÉCIES DO GÊNERO MUGIL. Revista Brasileira De Engenharia De Pesca, 17(1), 99–116. https://doi.org/10.18817/repesca.v17i1.4426