Banca de DEFESA: ADRIELLE CARNEIRO DE ARAÚJO SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ADRIELLE CARNEIRO DE ARAÚJO SANTOS
DATA : 20/02/2025
HORA: 08:00
LOCAL: Sala de seminários da Pós-Graduação - Departamento de Zootecnia
TÍTULO:

PREDIÇÃO DE CATEGORIA DE PESO CORPORAL DE FRANGAS DE POSTURA UTILIZANDO SENSORIAMENTO DE PROFUNDIDADE E APRENDIZADO DE MÁQUINA

PALAVRAS-CHAVES:

classificação; imagens de profundidade; inteligência artificial; redes neurais convolucionais; visão computacional

 

PÁGINAS: 54
RESUMO:

O acompanhamento do peso corporal de aves de postura é essencial para assegurar capacidade de
produção de ovos. Porém, os métodos atuais de monitoramento têm se mostrado insuficientes para
atender às necessidades do setor avícola, sendo necessárias alternativas para automatizar e facilitar esse
processo. Assim, objetivou-se desenvolver e encontrar um modelo de aprendizado profundo para
classificação de imagens de profundidade, utilizando métodos baseados em visão computacional,
visando estimar a categoria de peso corporal de frangas de postura. Foram utilizadas 90 aves da linhagem
Dekalb White com 7 e 15 semanas de idade, sendo pesadas e classificadas em três categorias de peso
corporal, leves médias e pesadas. Foram selecionadas 18 frangas por categoria para filmagem com uma
câmera de profundidade e as capturas passaram por técnicas de pré-processamento de imagem. Para
realização da classificação por aprendizado de máquina, foram utilizados 4 modelos: Convolutional
Neural Network (CNN), Visual Geometry Group 16-layer Network (VGG16), Residual Network with
50 layers (ResNet50) e Convolutional Neural Network Next (ConvNeXt). Os modelos foram testados
para: acurácia, precisão, recall, escore F-1, ROC AUC, especificidade, coeficiente de correlação de
Matthews e escore de Kappa. As CNNs apresentaram melhor desempenho em comparação às demais
arquiteturas utilizadas em relação à acurácia (95,4%), precisão (95,5%), recall (95,4%), escore F1
(0,954), ROC AUC (0,96), especificidade (96,4%), coeficiente de correlação de Matthews (MCC) (0,93)
e escore de Kappa (0,93) às 15 semanas. Às 7 semanas também foi superior na acurácia (80,9%),
precisão (83,7%), recall (80,9%), escore F1 (0,81), ROC AUC (0,86), especificidade (73%), MCC
(0,726) e escore de Kappa (0,715). Os modelos VGG16, ConvNeXt e ResNet50 tiveram escores F1 de
0,636, 0,625 e 0,30 às 15 semanas, e 0,577, 0,545 e 0,263 às 7 semanas, respectivamente. Dessa forma,
as CNNs foram capazes de estimar com êxito a categoria de peso corporal das aves com 7 e 15 semanas
de idade, por meio da utilização de imagens de profundidade, permitindo extração de características
tridimensionais e demonstrando grande potencial para aplicações práticas.

 

MEMBROS DA BANCA:
Presidente - LILIAN FRANCISCO ARANTES DE SOUZA
Interno - CARLOS BOA VIAGEM RABELLO
Externo à Instituição - DENIS HENRIQUE PINHEIRO SALVADEO