Utilização de visão computacional na classificação de carcaças de bovinos Nelore macho

Detalhes bibliográficos
Autor(a) principal: Ferreira, Guilherme Agostinis
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