O reconhecimento de espécies de abelhas e demais polinizadores pode contribuir diretamente para a conservação de ecossistemas. O objetivo desse trabalho é desenvolver um modelo de processamento digital de imagens, para reconhecimento automático de abelhas melíferas (Apis mellifera L.) entre as demais espécies de abelhas e outros insetos, por meio do uso de redes neurais convolucionais. Para treinamento do modelo proposto foi utilizado um conjunto de dados composto por 2.300 imagens, separadas entre a espécie de abelha melífera e demais insetos (incluindo outras abelhas nessa classe), as quais foram denominadas de "Não Apis". O modelo de rede neural proposto respondeu com 94% de acurácia, culminando em um modelo de predição com um alto índice de precisão capaz de reconhecer imagens de abelhas melíferas e diferenciá-la das demais abelhas e outros insetos.

Resumo-Imagens de Tomografia Computadorizada (TC) são frequentemente utilizadas como instrumentos de auxílio ao diagnóstico médico, a exemplo do Acidente Vascular Cerebral (AVC). A análise da imagem do crânio é realizada pelo médico de forma visual, o qual localiza a lesão, diferencia o AVC isquêmicodo hemorrágico e realiza a segmentação manualmente. Neste artigo é proposto um método de segmentação da região cerebral atingida por AVC isquêmico em imagens de TC simples, baseado na classificação de informações de textura extraídas da imagem, utilizando para isso uma RNA MLP. Nos testes realizados o sistema obteve, em média, 98% de acurácia e 77% de precisão, mostrando-se capaz de segmentar a região cerebral atingida pelo AVC com precisão. Um contorno é delineado automaticamente em volta da região segmentada sem a necessidade de uma intervenção humana.

A banana é um importante produto da fruticultura, pois além de ser um alimento rico em potássio e vitaminas, gera postos de trabalho no campo e na cidade, contribuindo para o desenvolvimento das regiões envolvidas em sua cadeia produtiva. O processo de reconhecimento do estado de maturação da banana normalmente depende do olho humano do fruticultor, portanto é passível de erros sobretudo considerando um processo escalável. Em uma perspectiva de automatizar esse processo, datasets de imagens de bananas são requisitos fundamentais para treinamento de algoritmos de aprendizagem de máquina usando processamento digital de imagens. Neste artigo, apresentamos um dataset com 1000 imagens de bananas do tipo Prata Catarina separadas em 8 classes de maturação. As imagens foram coletadas com variações propositais do plano de fundo e rotuladas via caixas delimitadoras, demarcando a banana na imagem e atribuindo-lhe um grau de maturação. Até onde sabemos, este é o primeiro dataset brasileiro de acesso público com imagens de bananas rotuladas em 8 graus de maturação.