Visão computacional aplicada ao monitoramento de massa corporal individual de suínos em terminação

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Gabriel Pagin de Carvalho Nunes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Animal performance; Artificial intelligence; Depth image; Desempenho animal; Imagem de profundidade; Inteligência artificial; Medição não-invasiva; Non-invasive measurement; Suinocultura; Swine farming
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-10092024-102054/

Estudos recentes em produção animal demonstram que a predição da massa corporal serve de assistência ao manejo animal e na qualidade da proteína animal produzida. Nesse contexto, buscou-se a construção e avaliação de um sistema de visão computacional para predição de massa corporal de suínos através de nuvens de pontos e identificação por rádio frequência (RFID). Para tal finalidade foram utilizados vídeos RGB-D capturados usando uma câmera de profundidade, instalada em uma baia contendo 25 suínos (Landrace x Large White), sendo 15 machos e 10 fêmeas, com idades em torno de 12 semanas e massa corporal variando de 29,5 kg a 93,5 kg, associados a identificação por RFID de cada animal. Após a seleção dos melhores vídeos, foram extraídas 721 nuvens de pontos. A altura foi extraída com base na média de 3% dos pontos mais altos no dorso de cada animal. Uma linha de corte foi estabelecida para eliminar pontos outliers na base da nuvem de pontos, removendo uma porcentagem da altura em relação à base. Utilizando um script Python, os algoritmos Convex Hull (CH) e Alpha Shape (AS) foram empregados para extrair características dimensionais da região dorsal dos suínos como perímetro, área superficial (área 3D), projeção da área superficial (área 2D) e volume, gerando dois conjuntos de dados (CHe AS). Posteriormente, modelos computacionais baseados em algoritmos de aprendizado de máquina (árvore de decisão (RT), floresta randômica (RF), k-vizinhos mais próximos (KNN), regressão vetorial de suporte (SVR), regressão linear (LR) e rede neural artificial (MLP) foram treinados e comparados usando um processo de validação cruzada seguido por análise estatística. A seleção de atributos foi realizada por meio de uma função Wrapper e análise estatística adicional. A análise estatística revelou diferenças significativas entre os algoritmos testados, exceto entre KNN e SVR, e entre SVR e MLP para o conjunto de dados CH, e entre SVR e MLP para o conjunto de dados AS. O modelo RF obteve o melhor desempenho em ambos os conjuntos de dados. O método AS demonstrou melhor desempenho em comparação com o conjunto de dados CH. O modelo RF com o conjunto de dados AS foi selecionado como o melhor modelo neste estudo, resultando em R² de 97,77%. O Wrapper resultou na exclusão da área superficial (área 3D) e do volume sem alteração no resultado do modelo, em ambos os conjuntos de dados (CH e AS). Os resultados sugerem um potencial significativo na criação de modelos computacionais mais robustos para a predição de massa corporal, abrindo portas para futuros desenvolvimentos com aplicabilidade direta em ambientes de baias comerciais.