Mestrado em Zootecnia Tropical

URI Permanente para esta coleção

https://repositoriosibi.ufpi.br/handle/123456789/20

Navegar

Navegando Mestrado em Zootecnia Tropical por Autor "MOURA, José dos Santos de"

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura disponível
    Item
    ALGORITMO DE VISÃO COMPUTACIONAL PARA IDENTIFICAÇÃO DE GALINHAS DA RAÇA CANELA-PRETA
    (2022-10-10) MOURA, José dos Santos de
    RESUMO: Com o aumento da produção comercial dos criatórios de animais puros da raça de galinhas Canela-Preta surge a necessidade de automatizar a identificação dos animais. Algoritmos de visão computacional têm se mostrado eficientes na automação de identificação de animais para zootecnia de precisão. Neste sentido, este trabalho tem como proposta desenvolver um algoritmo com base em visão computacional para detectar e identificar, por meio de imagens, galinhas da raça Canela-Preta. Para essa finalidade, foram capturadas 501 imagens de 167 fêmeas adultas. No entanto, 33 imagens de 11 indivíduos foram descartadas devido à baixa qualidade, de modo que apenas 468 imagens com resolução 1280 x 1920 pixels serviram como base de dados. Isto resultou em 156 indivíduos tomados como referência em três planos distintos (lateral direito, lateral esquerdo e frontal). Foram utilizados dois métodos para a identificação das galinhas. O primeiro consistiu na aplicação de uma rede neural convolucional (CNN), utilizando as 468 imagens da base separadas em treino, validação e teste, para gerar o modelo e, posteriormente, identificar o indivíduo. O segundo método utilizou 156 imagens frontais das galinhas para a detecção dos indivíduos pela rede YOLO (you only look once) e, em seguida, o template matching, que buscou as imagens detectadas para encontrar a melhor similaridade entre uma imagem de entrada (template) e outra de pesquisa (indivíduo). Como resultado, na etapa de detecção, obteve -se taxa de acerto de 86,54% e 14,46% de erro, correspondendo a 135 e 21 imagens, respectivamente . Para a etapa de identificação com uso da CNN, foi obtida acurácia de 40%. A técnica de template matching conseguiu identificar os indivíduos com acurácia de 86,54%, similaridade média de 99,58% e taxa de erro médio de 0,42%. Conclui-se que este trabalho atingiu sua proposta de desenvolver um algoritmo para identificar individualmente galinhas caipiras da raça Canela-Preta. Esse algoritmo poderá ser utilizado para a identificação de galinhas por meio de imagens, monitoramento, controle genealógico, bem-estar e tomadas de decisões quanto ao manejo das galinhas. ABSTRACT: The need for automated animal identification emerges with the increased commercial production of purebred Canela-Preta chickens. In this sense, computer vision algorithms have proven to be efficient in the automation of animal identification for precision livestock farming. In the current study, we proposed the development of an algorithm based on computer vision to detect and identify Canela-Preta chickens through images. For this purpose, 501 images of 167 adult female chickens were captured. Nevertheless, 33 low quality images of 11 individuals were discarded, so that the database was composed of only 468 images with 1280 × 1920 pixels. This resulted in 156 individuals used as reference in three different planes (right side view, left side view, and frontal plane). Two methods were used for chicken identification. The first method was the application of a convolutional neural network (CNN), using the 468 images of the database, which were distributed into training, validation, and testing to generate the model and subsequently identify the individual. The second method used 156 frontal images of the chickens for detection of the individuals applying the YOLO (you only look once) network, and then template matching, which searched the detected images to find the best similarity between an input image (template) and a search image (animal). A rate of 86.54% accuracy and an error rate of 14.46% were obtained in the detection step, which corresponded to 135 and 21 images, respectively. An accuracy of 40% was reached in the identification step using the CNN. The template matching allowed the identification of individuals with accuracy of 86.54%, average similarity of 99.58%, and average error rate of 0.42%. We concluded that this work has achieved its proposal of developing an algorithm for individual identification of Canela-Preta free-range chickens. Thus, this algorithm could be used for the image identification of chickens, monitoring, genealogical control, welfare, and decision-making regarding the management of chickens.