Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UEL |
Texto Completo: | https://repositorio.uel.br/handle/123456789/10244 |
Resumo: | Resumo: A idade do animal determina a quantidade de tecido depositado na carcaça, seja ele ósseo, muscular ou adiposo e influencia a maciez da carne Por este motivo, a idade é utilizada em programas de classificação e tipificação para determinar níveis de qualidade da carne a ser comercializada No entanto, a classificação tradicional é realizada de forma subjetiva, mesmo que por painelistas treinados A visão computacional vem sendo utilizada na área agrícola e na avaliação de alimentos com a finalidade de retirar a subjetividade da avaliação humana e produzir resultados mais concisos e precisos Neste sentido a proposta deste estudo é comparar qual classificador resultará em um melhor modelo preditivo, utilizando k-Nearest Neighbors (k=1), Random Forest e Support Vector Machine como modelos preditivos devido à sua ampla aplicação e alto desempenho Foram utilizadas 56 meias carcaças de bovinos Nelore não castrados, que foram divididos em três classes etárias (Precoce, Tourinho e Touro), variando de 12 a 48 meses As imagens foram adquiridas com auxílio de câmera digital com suas funções automáticas e sem controle ambiental O algoritmo k-NN obteve acurácia de 78,95%, tendo seu pior desempenho na classificação dos animais de idade intermediária O resultado obtido com o algoritmo RF foi de 73,68% de acurácia e classificou quatro amostras do grupo de idade intermediária como falso positivo O algoritmo SVM classificou uma amostra do grupo mais jovem como sendo do grupo mais velho e não conseguiu predizer nenhuma amostra do grupo intermediário, gerando um modelo com 68,42% de acurácia Há maior susceptibilidade de serem cometidos erros ou equívocos quando a avaliação é feita por painelistas treinados Os algoritmos de classificação propostos mostraram bom desempenho e viabilidade de implantação em relação ao sistema tradicional O algoritmo k-NN foi o que apresentou melhor desempenho e a solução mais simples entre os classificadores |
id |
UEL_5b89a7fc86ea24692d1a68333061bf61 |
---|---|
oai_identifier_str |
oai:repositorio.uel.br:123456789/10244 |
network_acronym_str |
UEL |
network_name_str |
Repositório Institucional da UEL |
repository_id_str |
|
spelling |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore machoBovino de corteCarcaçasOssificaçãoAlgoritmosCarcassesOssificationAlgorithmsBeef cattleResumo: A idade do animal determina a quantidade de tecido depositado na carcaça, seja ele ósseo, muscular ou adiposo e influencia a maciez da carne Por este motivo, a idade é utilizada em programas de classificação e tipificação para determinar níveis de qualidade da carne a ser comercializada No entanto, a classificação tradicional é realizada de forma subjetiva, mesmo que por painelistas treinados A visão computacional vem sendo utilizada na área agrícola e na avaliação de alimentos com a finalidade de retirar a subjetividade da avaliação humana e produzir resultados mais concisos e precisos Neste sentido a proposta deste estudo é comparar qual classificador resultará em um melhor modelo preditivo, utilizando k-Nearest Neighbors (k=1), Random Forest e Support Vector Machine como modelos preditivos devido à sua ampla aplicação e alto desempenho Foram utilizadas 56 meias carcaças de bovinos Nelore não castrados, que foram divididos em três classes etárias (Precoce, Tourinho e Touro), variando de 12 a 48 meses As imagens foram adquiridas com auxílio de câmera digital com suas funções automáticas e sem controle ambiental O algoritmo k-NN obteve acurácia de 78,95%, tendo seu pior desempenho na classificação dos animais de idade intermediária O resultado obtido com o algoritmo RF foi de 73,68% de acurácia e classificou quatro amostras do grupo de idade intermediária como falso positivo O algoritmo SVM classificou uma amostra do grupo mais jovem como sendo do grupo mais velho e não conseguiu predizer nenhuma amostra do grupo intermediário, gerando um modelo com 68,42% de acurácia Há maior susceptibilidade de serem cometidos erros ou equívocos quando a avaliação é feita por painelistas treinados Os algoritmos de classificação propostos mostraram bom desempenho e viabilidade de implantação em relação ao sistema tradicional O algoritmo k-NN foi o que apresentou melhor desempenho e a solução mais simples entre os classificadoresDissertação (Mestrado em Ciência Animal) - Universidade Estadual de Londrina, Centro de Ciências Agrárias, Programa de Pós-Graduação em Ciência AnimalAbstract: The age of the animal determines a quantity of matter deposited in the carcass, must be bone, muscular or adipose and influenced by the tenderness of the meat For this reason, age is indicated in grading and typing programs for certain levels of meat quality to be marketed However, a traditional classification is performed subjectively, even if by trained panels The computational view has been used in the agricultural area and in food evaluation in order to remove the subjectivity of human evaluation and the more concise and precise results This comparing topic with a classifier resulted in one of the best models using k-Nearest Neighbors (k = 1), Random Forest and Support Vector Machine Fifty - six beds of Nellore bovine milk were used, which were divided into three age groups (Precoce, Tourinho and Taurus), ranging from 12 to 48 months The images were acquired with the aid of a digital camera with its automatic functions and without environmental control The k-NN algorithm obtained an accuracy of 7895%, with its worse performance in the classification of animals of middle age The result obtained with the RF algorithm was 7368% accuracy and classified four samples from the middle age group as false positive The SVM algorithm classified a sample of the younger group as being from the oldest group and could not predict a sample from the intermediate group, generating a model with a 6842% accuracy There is greater susceptibility to being made with errors or misconceptions when a check is made by trained panelists The proposed classification algorithms have good performance and feasibility of implantation in relation to the traditional system The k-NN algorithm was the one that performed the best performance and a simpler solution among the classifiersBridi, Ana Maria [Orientador]Pardo, Ana Paula de Souza FortalezaBarbon Junior, SylvioFerreira, Guilherme Agostinis2024-05-01T12:40:44Z2024-05-01T12:40:44Z2019.0025.02.2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.uel.br/handle/123456789/10244porMestradoCiência AnimalCentro de Ciências AgráriasPrograma de Pós-graduação em Ciência AnimalLondrinareponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess2024-07-12T04:19:56Zoai:repositorio.uel.br:123456789/10244Biblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:19:56Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false |
dc.title.none.fl_str_mv |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
title |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
spellingShingle |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho Ferreira, Guilherme Agostinis Bovino de corte Carcaças Ossificação Algoritmos Carcasses Ossification Algorithms Beef cattle |
title_short |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
title_full |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
title_fullStr |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
title_full_unstemmed |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
title_sort |
Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho |
author |
Ferreira, Guilherme Agostinis |
author_facet |
Ferreira, Guilherme Agostinis |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bridi, Ana Maria [Orientador] Pardo, Ana Paula de Souza Fortaleza Barbon Junior, Sylvio |
dc.contributor.author.fl_str_mv |
Ferreira, Guilherme Agostinis |
dc.subject.por.fl_str_mv |
Bovino de corte Carcaças Ossificação Algoritmos Carcasses Ossification Algorithms Beef cattle |
topic |
Bovino de corte Carcaças Ossificação Algoritmos Carcasses Ossification Algorithms Beef cattle |
description |
Resumo: A idade do animal determina a quantidade de tecido depositado na carcaça, seja ele ósseo, muscular ou adiposo e influencia a maciez da carne Por este motivo, a idade é utilizada em programas de classificação e tipificação para determinar níveis de qualidade da carne a ser comercializada No entanto, a classificação tradicional é realizada de forma subjetiva, mesmo que por painelistas treinados A visão computacional vem sendo utilizada na área agrícola e na avaliação de alimentos com a finalidade de retirar a subjetividade da avaliação humana e produzir resultados mais concisos e precisos Neste sentido a proposta deste estudo é comparar qual classificador resultará em um melhor modelo preditivo, utilizando k-Nearest Neighbors (k=1), Random Forest e Support Vector Machine como modelos preditivos devido à sua ampla aplicação e alto desempenho Foram utilizadas 56 meias carcaças de bovinos Nelore não castrados, que foram divididos em três classes etárias (Precoce, Tourinho e Touro), variando de 12 a 48 meses As imagens foram adquiridas com auxílio de câmera digital com suas funções automáticas e sem controle ambiental O algoritmo k-NN obteve acurácia de 78,95%, tendo seu pior desempenho na classificação dos animais de idade intermediária O resultado obtido com o algoritmo RF foi de 73,68% de acurácia e classificou quatro amostras do grupo de idade intermediária como falso positivo O algoritmo SVM classificou uma amostra do grupo mais jovem como sendo do grupo mais velho e não conseguiu predizer nenhuma amostra do grupo intermediário, gerando um modelo com 68,42% de acurácia Há maior susceptibilidade de serem cometidos erros ou equívocos quando a avaliação é feita por painelistas treinados Os algoritmos de classificação propostos mostraram bom desempenho e viabilidade de implantação em relação ao sistema tradicional O algoritmo k-NN foi o que apresentou melhor desempenho e a solução mais simples entre os classificadores |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2019.00 2024-05-01T12:40:44Z 2024-05-01T12:40:44Z 25.02.2019 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.uel.br/handle/123456789/10244 |
url |
https://repositorio.uel.br/handle/123456789/10244 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
Mestrado Ciência Animal Centro de Ciências Agrárias Programa de Pós-graduação em Ciência Animal |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
Londrina |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UEL instname:Universidade Estadual de Londrina (UEL) instacron:UEL |
instname_str |
Universidade Estadual de Londrina (UEL) |
instacron_str |
UEL |
institution |
UEL |
reponame_str |
Repositório Institucional da UEL |
collection |
Repositório Institucional da UEL |
repository.name.fl_str_mv |
Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL) |
repository.mail.fl_str_mv |
bcuel@uel.br|| |
_version_ |
1809823268343906304 |