Inovações no Reconhecimento e Detecção de Animais: Uma Análise da Literatura com Ênfase em Redes Neurais e Aprendizado de Máquina
Resumo
O desenvolvimento de novas formas de reconhecimento de animais na agropecuária é algo desafiador, podendo ser considerado complexo de ser implementado. Este artigo tem por objetivo fornecer uma revisão sistemática da aplicação de redes neurais convolucionais e aprendizado de máquina no reconhecimento de animais por imagens. Os dados foram coletados a partir de um estudo bibliométrico para mapear a produção acadêmica, utilizando a plataforma Web of Science (WoS) e o pacote Bibliometrix do software R. Com essa pesquisa, foi possível observar o uso de redes neurais na pecuária e sua eficácia na previsão da produção e características de animais individuais.
Palavras-chave:
Redes Neurais Convolucionais, Aprendizado de Máquina, Reconhecimento de Animais
Referências
Achour, B., Belkadi, M., Filali, I., Laghrouche, M., e Lahdir, M. (2020). Análise de imagem para identificação individual e monitoramento do comportamento alimentar de vacas leiteiras com base em redes neurais convolucionais (CNN). Biosystems Engineering, 198:31–49.
Andersen, P. H., Broomé, S., Rashid, M., Lundblad, J., Ask, K., Li, Z., Hernlund, E., Rhodin, M., e Kjellström, H. (2021). Rumo ao reconhecimento por máquina de expressões faciais de dor em cavalos. Animals, 11(6):1643.
Barbedo, J. G. A., Koenigkan, L. V., Santos, T. T., e Santos, P. M. (2019). Um estudo sobre a detecção de gado em imagens de veículos aéreos não tripulados usando aprendizado profundo. Sensors, 19(24):5436.
Chen, C., Zhu, W., Steibel, J., Siegford, J., Wurtz, K., Han, J., e Norton, T. (2020). Reconhecimento de episódios de agressão em suínos com base em redes neurais convolucionais e memória de longo prazo. Computers and Electronics in Agriculture, 169:105166.
de Silva, E. M., Kumarasinghe, P., Indrajith, K. K., Pushpakumara, T. V., Vimukthi, R. D., de Zoysa, K., Gunawardana, K., e de Silva, S. (2022). Viabilidade do uso de redes neurais convolucionais para a identificação individual de elefantes asiáticos selvagens. Mammalian Biology, 102(3):931–941.
Dumoulin, V. and Visin, F. (2016). Um guia para a aritmética de convolução para aprendizado profundo. arXiv preprint arXiv:1603.07285.
Ferraz, E. d. O. (2015). Composição química e atividade biológica de espécies de Nectandra e Stevia rebaudiana.
Geffen, O., Yitzhaky, Y., Barchilon, N., Druyan, S., e Halachmi, I. (2020). Um sistema de visão computacional para detectar e contar poedeiras em gaiolas de bateria. Animal, 14(12):2628–2634.
Hansen, M. F., Baxter, E. M., Rutherford, K. M., Futro, A., Smith, M. L., e Smith, L. N. (2021). Rumo ao reconhecimento de expressões faciais de dor em suínos para avaliação do bem-estar no local. Agricultura, 11(9):847.
Hansen, M. F., Smith, M. L., Smith, L. N., Salter, M. G., Baxter, E. M., Farish, M., e Grieve, B. (2018). Rumo ao reconhecimento facial de porcos no local usando redes neurais convolucionais. Computers in Industry, 98:145–152.
Li, D., Chen, Y., Zhang, K., e Li, Z. (2019). Reconhecimento de comportamento de montagem para suínos com base em aprendizado profundo. Sensors, 19(22):4924.
Nasirahmadi, A., Sturm, B., Edwards, S., Jeppsson, K.-H., Olsson, A.-C., Mu ̈ller, S., e Hensel, O. (2019). Abordagens de aprendizado profundo e visão computacional para a detecção de postura de porcos individuais. Sensors, 19(17):3738.
Neves, L. A. P., Jesus, A., Otemaier, K. R., Feger, J. E., da Costa, M. V., e da Silveira, R. D. (2022). Nexos entre visão computacional e computação afetiva para o desenvolvimento da robótica. Brazilian Journal of Development, 8(4):24991–25005.
Oliveira, P. D. S. d. (2019). Uso de aprendizado de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial.
Pereira, L.G.R., Paiva, C.A.V., Ribas, M.N., e Ferreira, A.L. (2015). Pecuária leiteira de precisão: conceitos e tecnologias disponíveis. Zootecnia de Precisão em Bovinocultura de Leite. Cadernos Técnicos de Veterinária e Zootecnia, (79):10.
Redmon, J., Divvala, S., Girshick, R., e Farhadi, A. (2016). Você só olha uma vez: detecção unificada em tempo real de objetos. Em Atas da Conferência de Visão por Computador e Reconhecimento de Padrões da IEEE, páginas 779–788.
Salau, J. and Krieter, J. (2020). Segmentação de instância com Mask R-CNN aplicada a vacas leiteiras em alojamentos soltos em configuração multi-câmera. Animals, 10(12):2402.
Shah, S. Z. H., Rauf, H. T., Ikram Ullah, M., Khalid, M. S., Farooq, M., Fatima, M., e Bukhari, S. A. C. (2019). Conjunto de dados de espécies de peixes do Paquistão para classificação com base em características visuais. Data in Brief, 27:104565.
Taheri, S. e Toygar, Ö. (2018). Classificação de animais usando imagens faciais com fusão de níveis de pontuação. IET Computer Vision, 12(5):679–685.
Teoh, L., Ihalage, A. A., Harp, S., F. Al-Khateeb, Z., Michael-Titus, A. T., Tremoleda, J. L., e Hao, Y. (2022). Aprendizado profundo para classificação de comportamento em um modelo de lesão cerebral pré-clínica. PLoS One, 17(6):e0268962.
Turco, S. H. N. (2019). Ferramentas para o monitoramento de respostas comportamentais, fisiológicas e de desempenho animal em campo.
Vargas, A. C. G., Paes, A., e Vasconcelos, C. N. (2016). Um estudo sobre redes neurais convolucionais e sua aplicação na detecção de pedestres. Em Atas da XXIX Conferência de Gráficos, Padrões e Imagens, volume 1.
Wutke, M., Schmitt, A. O., Traulsen, I., e Gültas, M. (2020). Investigação da atividade de porcos com base em dados de vídeo e redes neurais semi-supervisionadas. AgriEngineering, 2(4):581–595.
Andersen, P. H., Broomé, S., Rashid, M., Lundblad, J., Ask, K., Li, Z., Hernlund, E., Rhodin, M., e Kjellström, H. (2021). Rumo ao reconhecimento por máquina de expressões faciais de dor em cavalos. Animals, 11(6):1643.
Barbedo, J. G. A., Koenigkan, L. V., Santos, T. T., e Santos, P. M. (2019). Um estudo sobre a detecção de gado em imagens de veículos aéreos não tripulados usando aprendizado profundo. Sensors, 19(24):5436.
Chen, C., Zhu, W., Steibel, J., Siegford, J., Wurtz, K., Han, J., e Norton, T. (2020). Reconhecimento de episódios de agressão em suínos com base em redes neurais convolucionais e memória de longo prazo. Computers and Electronics in Agriculture, 169:105166.
de Silva, E. M., Kumarasinghe, P., Indrajith, K. K., Pushpakumara, T. V., Vimukthi, R. D., de Zoysa, K., Gunawardana, K., e de Silva, S. (2022). Viabilidade do uso de redes neurais convolucionais para a identificação individual de elefantes asiáticos selvagens. Mammalian Biology, 102(3):931–941.
Dumoulin, V. and Visin, F. (2016). Um guia para a aritmética de convolução para aprendizado profundo. arXiv preprint arXiv:1603.07285.
Ferraz, E. d. O. (2015). Composição química e atividade biológica de espécies de Nectandra e Stevia rebaudiana.
Geffen, O., Yitzhaky, Y., Barchilon, N., Druyan, S., e Halachmi, I. (2020). Um sistema de visão computacional para detectar e contar poedeiras em gaiolas de bateria. Animal, 14(12):2628–2634.
Hansen, M. F., Baxter, E. M., Rutherford, K. M., Futro, A., Smith, M. L., e Smith, L. N. (2021). Rumo ao reconhecimento de expressões faciais de dor em suínos para avaliação do bem-estar no local. Agricultura, 11(9):847.
Hansen, M. F., Smith, M. L., Smith, L. N., Salter, M. G., Baxter, E. M., Farish, M., e Grieve, B. (2018). Rumo ao reconhecimento facial de porcos no local usando redes neurais convolucionais. Computers in Industry, 98:145–152.
Li, D., Chen, Y., Zhang, K., e Li, Z. (2019). Reconhecimento de comportamento de montagem para suínos com base em aprendizado profundo. Sensors, 19(22):4924.
Nasirahmadi, A., Sturm, B., Edwards, S., Jeppsson, K.-H., Olsson, A.-C., Mu ̈ller, S., e Hensel, O. (2019). Abordagens de aprendizado profundo e visão computacional para a detecção de postura de porcos individuais. Sensors, 19(17):3738.
Neves, L. A. P., Jesus, A., Otemaier, K. R., Feger, J. E., da Costa, M. V., e da Silveira, R. D. (2022). Nexos entre visão computacional e computação afetiva para o desenvolvimento da robótica. Brazilian Journal of Development, 8(4):24991–25005.
Oliveira, P. D. S. d. (2019). Uso de aprendizado de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial.
Pereira, L.G.R., Paiva, C.A.V., Ribas, M.N., e Ferreira, A.L. (2015). Pecuária leiteira de precisão: conceitos e tecnologias disponíveis. Zootecnia de Precisão em Bovinocultura de Leite. Cadernos Técnicos de Veterinária e Zootecnia, (79):10.
Redmon, J., Divvala, S., Girshick, R., e Farhadi, A. (2016). Você só olha uma vez: detecção unificada em tempo real de objetos. Em Atas da Conferência de Visão por Computador e Reconhecimento de Padrões da IEEE, páginas 779–788.
Salau, J. and Krieter, J. (2020). Segmentação de instância com Mask R-CNN aplicada a vacas leiteiras em alojamentos soltos em configuração multi-câmera. Animals, 10(12):2402.
Shah, S. Z. H., Rauf, H. T., Ikram Ullah, M., Khalid, M. S., Farooq, M., Fatima, M., e Bukhari, S. A. C. (2019). Conjunto de dados de espécies de peixes do Paquistão para classificação com base em características visuais. Data in Brief, 27:104565.
Taheri, S. e Toygar, Ö. (2018). Classificação de animais usando imagens faciais com fusão de níveis de pontuação. IET Computer Vision, 12(5):679–685.
Teoh, L., Ihalage, A. A., Harp, S., F. Al-Khateeb, Z., Michael-Titus, A. T., Tremoleda, J. L., e Hao, Y. (2022). Aprendizado profundo para classificação de comportamento em um modelo de lesão cerebral pré-clínica. PLoS One, 17(6):e0268962.
Turco, S. H. N. (2019). Ferramentas para o monitoramento de respostas comportamentais, fisiológicas e de desempenho animal em campo.
Vargas, A. C. G., Paes, A., e Vasconcelos, C. N. (2016). Um estudo sobre redes neurais convolucionais e sua aplicação na detecção de pedestres. Em Atas da XXIX Conferência de Gráficos, Padrões e Imagens, volume 1.
Wutke, M., Schmitt, A. O., Traulsen, I., e Gültas, M. (2020). Investigação da atividade de porcos com base em dados de vídeo e redes neurais semi-supervisionadas. AgriEngineering, 2(4):581–595.
Publicado
19/10/2023
Como Citar
NOLÊTO, Raquel M. A.; NOLÊTO, Carleandro; SANTOS, Natanael P. S.; MADEIRA, Aline M. A..
Inovações no Reconhecimento e Detecção de Animais: Uma Análise da Literatura com Ênfase em Redes Neurais e Aprendizado de Máquina. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 16. , 2023, Piripiri/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 33-40.
DOI: https://doi.org/10.5753/enucompi.2023.26614.
