Predição do Peso de Bovinos utilizando Aprendizado de Máquina
Resumo
O agronegócio, que representou 24% do PIB brasileiro em 2023, destaca-se como um setor robusto. O ramo pecuário, contribuindo com 6,6% desse indicador, reforça sua significativa presença econômica. Dito isso, a atividade de criar bovinos de forma eficiente torna-se vital para a sustentabilidade desse setor. A pesagem convencional, realizada em balanças industriais de alto custo, gera estresse para animais e trabalhadores, o que impacta negativamente na qualidade da carne. Diante desse desafio de predizer o peso, apresentamos uma proposta que utiliza aprendizado de máquina com otimização de hiperparâmetros e segmenta imagens antes de extrair as características geométricas essenciais, como altura e largura. O melhor algoritmo utilizado na metodologia desenvolvida atingiu bons resultados na predição: MAE de 11,12 kg e RMSE de 14,58 kg.Referências
Abreu, B. A., Magalhães, C. J., Duayer, E., Machado, S. H. M., and Silva, D. A. (2015). Variação da medida torácica obtida com a fita métrica tradicional com fator de correção e com a fita de pesagem para bovinos. Acta Biomedica Brasiliensia, 6:42–48.
Agatonovic-Kustrin, S. and Beresford, R. (2000). Basic concepts of artificial neural network (ann) modelling and its application in pharmaceutical research. J. Pharmac. Biomed. Anal., 22:717–727.
Akaike, H. (2011). Akaike’s Information Criterion, pages 25–25. Springer Berlin Heidelberg, Berlin, Heidelberg.
Bergstra, J. and Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(10):281–305.
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.
Breiman, L. (2001). Random forests. Machine Learning, 45:5–32.
CEPEA, Centro de Estudos Avançados em Economia Aplicada e CNA, C. N. d. A. e. P. (2023). Pib do agronegócio brasileiro de 1996 a 2023. [link].
Franco, M. O., Marcondes, M. I., Campos, J. M. S., Freitas, D. R., Detmann, E., and Valadares Filho, S. C. (2017). Evaluation of body weight prediction equations in growing heifers. Acta Scientiarum. Animal Sciences, 39:201–206.
Frank, E. and Bouckaert, R. R. (2009). Conditional density estimation with class probability estimators. In Zhou, Z.-H. and Washio, T., editors, Advances in Machine Learning, pages 65–81, Berlin, Heidelberg. Springer Berlin Heidelberg.
Gjergji, M., de Moraes Weber, V., Otávio Campos Silva, L., da Costa Gomes, R., Luís Alves Campos de Araújo, T., Pistori, H., and Alvarez, M. (2020). Deep learning techniques for beef cattle body weight prediction. In 2020 International Joint Conference on Neural Networks (IJCNN), pages 1–8.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. CoRR, abs/1512.03385.
Melo, A. (2016). Fatores que influenciam na qualidade da carne bovina: Revisão. Pubvet, 10(10).
Miller, G. A., Hyslop, J. J., Barclay, D., Edwards, A., Thomson, W., and Duthie, C.A. (2019). Using 3d imaging and machine learning to predict liveweight and carcass characteristics of live finishing beef cattle. Frontiers in Sustainable Food Systems, 3.
Mnih, V., Heess, N., Graves, A., and kavukcuoglu, k. (2014). Recurrent models of visual attention. In Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N., and Weinberger, K., editors, Advances in Neural Information Processing Systems, volume 27. Curran Associates, Inc.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Sales, M. F. L., Paulino, M. F., Valadares Filho, S. d. C., Paulino, P. V. R., Porto, M. O., and Couto, V. R. M. (2009). Composição corporal e requisitos energéticos de bovinos de corte sob suplementação em pastejo. Revista Brasileira de Zootecnia, 38(7):1355–1362.
Siddique, N., Paheding, S., Elkin, C. P., and Devabhaktuni, V. (2021). U-net and its variants for medical image segmentation: A review of theory and applications. IEEE Access, 9:82031–82057.
Skalski, P. (2019). Make Sense. [link].
Smola, A. J. and Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14:199–222.
Tan, M. and Le, Q. V. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. CoRR, abs/1905.11946.
Wang, Z., Shadpour, S., Chan, E., Rotondo, V., Wood, K. M., and Tulpan, D. (2021). ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images. Journal of Animal Science, 99(2):skab022.
Weber, V. A. d. M., Weber, F. d. L., Gomes, R. d. C., Oliveira Junior, A. d. S., Menezes, G. V., Abreu, U. G. P. d., Belete, N. A. d. S., and Pistori, H. (2020). Prediction of girolando cattle weight by means of body measurements extracted from images. Revista Brasileira de Zootecnia, 49:e20190110.
Agatonovic-Kustrin, S. and Beresford, R. (2000). Basic concepts of artificial neural network (ann) modelling and its application in pharmaceutical research. J. Pharmac. Biomed. Anal., 22:717–727.
Akaike, H. (2011). Akaike’s Information Criterion, pages 25–25. Springer Berlin Heidelberg, Berlin, Heidelberg.
Bergstra, J. and Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(10):281–305.
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.
Breiman, L. (2001). Random forests. Machine Learning, 45:5–32.
CEPEA, Centro de Estudos Avançados em Economia Aplicada e CNA, C. N. d. A. e. P. (2023). Pib do agronegócio brasileiro de 1996 a 2023. [link].
Franco, M. O., Marcondes, M. I., Campos, J. M. S., Freitas, D. R., Detmann, E., and Valadares Filho, S. C. (2017). Evaluation of body weight prediction equations in growing heifers. Acta Scientiarum. Animal Sciences, 39:201–206.
Frank, E. and Bouckaert, R. R. (2009). Conditional density estimation with class probability estimators. In Zhou, Z.-H. and Washio, T., editors, Advances in Machine Learning, pages 65–81, Berlin, Heidelberg. Springer Berlin Heidelberg.
Gjergji, M., de Moraes Weber, V., Otávio Campos Silva, L., da Costa Gomes, R., Luís Alves Campos de Araújo, T., Pistori, H., and Alvarez, M. (2020). Deep learning techniques for beef cattle body weight prediction. In 2020 International Joint Conference on Neural Networks (IJCNN), pages 1–8.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. CoRR, abs/1512.03385.
Melo, A. (2016). Fatores que influenciam na qualidade da carne bovina: Revisão. Pubvet, 10(10).
Miller, G. A., Hyslop, J. J., Barclay, D., Edwards, A., Thomson, W., and Duthie, C.A. (2019). Using 3d imaging and machine learning to predict liveweight and carcass characteristics of live finishing beef cattle. Frontiers in Sustainable Food Systems, 3.
Mnih, V., Heess, N., Graves, A., and kavukcuoglu, k. (2014). Recurrent models of visual attention. In Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N., and Weinberger, K., editors, Advances in Neural Information Processing Systems, volume 27. Curran Associates, Inc.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Sales, M. F. L., Paulino, M. F., Valadares Filho, S. d. C., Paulino, P. V. R., Porto, M. O., and Couto, V. R. M. (2009). Composição corporal e requisitos energéticos de bovinos de corte sob suplementação em pastejo. Revista Brasileira de Zootecnia, 38(7):1355–1362.
Siddique, N., Paheding, S., Elkin, C. P., and Devabhaktuni, V. (2021). U-net and its variants for medical image segmentation: A review of theory and applications. IEEE Access, 9:82031–82057.
Skalski, P. (2019). Make Sense. [link].
Smola, A. J. and Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14:199–222.
Tan, M. and Le, Q. V. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. CoRR, abs/1905.11946.
Wang, Z., Shadpour, S., Chan, E., Rotondo, V., Wood, K. M., and Tulpan, D. (2021). ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images. Journal of Animal Science, 99(2):skab022.
Weber, V. A. d. M., Weber, F. d. L., Gomes, R. d. C., Oliveira Junior, A. d. S., Menezes, G. V., Abreu, U. G. P. d., Belete, N. A. d. S., and Pistori, H. (2020). Prediction of girolando cattle weight by means of body measurements extracted from images. Revista Brasileira de Zootecnia, 49:e20190110.
Publicado
21/07/2024
Como Citar
SILVA, Vítor L. G.; BARBOSA, Roniel; COSTA, Jhonata; SOUZA, Nathália; SCHULTZ, Érica; CHIZZOTI, Mario; FERREIRA, Ricardo; NACIF, José A. M..
Predição do Peso de Bovinos utilizando Aprendizado de Máquina. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 15. , 2024, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 71-80.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2024.2446.
