Detecção de faces e regiões de interesse em imagens de bovinos por meio de redes neurais convolucionais

• Autor(a) principal: Almeida, Mathews Edwirds Gomes
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/15951
• topic: CNPQ::ENGENHARIAS; Detecção de objetos; Redes neurais; Aprendizado profundo; Pecuária de precisão; Object deteccion; Neural networks; Deep learning; Precision livestock

A pecuária é uma atividade de grande importância econômica e social, e a tecnologia tem desempenhado um papel cada vez mais relevante neste setor. Nesse contexto, o presente trabalho se insere na intersecção entre a Pecuária de Precisão e a Visão Computacional. A motivação desse trabalho surge da necessidade de se identificar a face dos animais e as suas principais regiões de interesse para a solução de problemas como a classificação de expressões faciais associadas a dor ou desconforto. Sob essa perspectiva, é proposta a aplicação de modelos de detecção da face e suas regiões de interesse em imagens de bovinos. Para isso, uma das principais etapas deste trabalho foi a organização de um conjunto de dados anotado especificamente para este propósito, contendo imagens de bovinos em diferentes condições de iluminação, ângulos e cenários. Essa organização envolveu a coleta, filtragem e anotação manual de uma grande quantidade de imagens. O conjunto de dados resultante constitui uma importante contribuição deste trabalho. Subsequentemente, foram realizados estudos sobre redes neurais para o treinamento de modelos de detecção de objetos. Dessa forma, dois modelos de detecção foram treinados e avaliados a partir das redes neurais SSD MobileNet V2 FPNLite 640 × 640 e YOLOv8. Em relação ao critérios de avaliação dos modelos, destaca-se que os experimentos atingiram resultados satisfatórios dado o problema abordado. A respeito dos gráficos traçados para cada modelo, foi possível observar que ambas as redes tiveram resultados semelhantes entre si e consistentes com as expectativas de cada gráfico. Por fim, a análise qualitativa reforçou os resultados obtidos com um estudo visual das detecções de ambas as redes em exemplos representativos do conjunto de teste. De forma geral, os resultados das análises demonstraram que ambos os modelos são capazes de detectar a face de bovinos e suas regiões faciais adequadamente, mesmo em condições adversas. Em conclusão, este trabalho demonstra o potencial das técnicas de aprendizado profundo para a detecção de objetos na Pecuária de Precisão. Os resultados obtidos são encorajadores e sugerem que essas redes podem ser utilizadas para melhorar a eficiência e a precisão das atividades de manejo e produção em meio rural. No entanto, ainda há desafios a serem superados, como a melhoria da robustez dos modelos e aumento de imagens em situações desafiadoras no conjunto de dados.