Identificação biométrica por meio de aprendizado de máquina aplicado ao reconhecimento facial de cães

Abstract

Um número expressivo de cães vive em situação de rua, sem lar ou tutor responsável, o que acarreta diversos problemas sociais, sanitários e de segurança. Animais domésticos abandonados podem representar riscos à saúde pública, ao bem-estar animal e à integridade das comunidades. A implementação de políticas efetivas de controle, rastreabilidade e cuidados depende, entre outros fatores, da capacidade de identificar individualmente esses animais. Diante desse cenário, esta pesquisa teve como objetivo avaliar e aplicar técnicas de aprendizado profundo para o reconhecimento facial de cães, utilizando duas abordagens distintas: o modelo AlexNet modificado, e outro baseado na arquitetura do Resnet com função triplet loss. O estudo foi estruturado em cinco fases principais: preparação da base de imagens, desenvolvimento das redes neurais, treinamento e testes dos modelos, avaliação das métricas de desempenho e análise comparativa dos resultados. Os experimentos demonstraram que o modelo AlexNet modificado apresentou desempenho superior, atingindo uma acurácia de até 97,8%, enquanto o modelo baseado na ResNet com triplet loss obteve acurácia máxima de 81,7%. Esses resultados reforçam a viabilidade do uso de redes neurais convolucionais adaptadas para fins de identificação automatizada de cães, podendo contribuir para sistemas de controle populacional, resgate e políticas públicas voltadas à proteção e bem-estar animal.