Um novo algoritmo de rastreamento em tempo real para suínos baseado em Deep Learning

• Ano de defesa: 2023
• Autor(a) principal: Amaral, Bruna Campos
• Orientador(a): Campos, Alessandro Torres
• Banca de defesa: Campos, Alessandro Torres, Yanagi Junior, Tadayuki, Klosowski, Elcio Silverio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Agrícola
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: YOLOv8; Inteligência artificial; Bem-estar; Rastreamento; Treinamento; Classificação por imagens; You Only Look Once version 8; Artificial intelligence; Well-being; Tracking; Training; Classification by images; Deep learning
• Área do conhecimento CNPq: Construções Rurais e Ambiência
• Link de acesso: https://repositorio.ufla.br/handle/1/58082

Garantir a saúde e o bem-estar dos suínos requer um esforço significativo em termos de mão de obra, recursos materiais e tempo. O uso de métodos tradicionais de monitoramento pode ser estressante para os suínos e demandar recursos substanciais dos produtores, especialmente em sistemas de produção em larga escala, como a suinocultura industrial. Essa prática pode ter impactos negativos na saúde e bem-estar dos suínos e na lucratividade econômica da produção sunícula. Neste contexto, o objetivo deste estudo foi desenvolver um modelo usando a arquitetura YOLOv8 para detectar e rastrear suínos em um ambiente de alojamento em grupo. Foram utilizadas 690 imagens de suínos alojados em grupos de nove indivíduos. O conjunto de dados foi dividido em treinamento e validação em uma proporção de 80:20. Com o modelo desenvolvido, foi possível realizar o rastreamento e estabelecer a identificação individual de cada suíno. No entanto, as métricas utilizadas para avaliar o desempenho do modelo apresentaram resultados pouco satisfatórios, evidenciando a necessidade de aumentar o conjunto de dados de treinamento. Apesar desses desafios, o modelo demonstrou bom desempenho em termos de quadros por segundo (FPS), indicando sua viabilidade para aplicações em tempo real, garantindo que o modelo tem potencial para implementação prática no monitoramento e manejo de suínos.