<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

A COMPUTER VISION END-TO-END METHOD FOR SHEEP WEIGHING FROM IMAGES

Carregando...
Imagem de Miniatura

Título da Revista

ISSN da Revista

Título de Volume

Editor

DOI

Resumo

RESUMO: A pesagem de animais usando balanças tradicionais é um processo que requer muito esforço e tempo das pessoas envolvidas e expõe os animais e os humanos a situações de estresse e risco à saúde. Visando superar esses desafios, métodos de Visão Computacional vem sendo explorados ao longo dos anos com o objetivo de estimar o peso de forma indireta e não invasiva por meio do uso de modelos de regressão nos quais as variáveis preditoras correspondem a atributos extraídos de imagens. Entretanto, os métodos para estimação do peso de ovinos baseados em Visão Computacional encontrados na literatura, de forma geral, ainda apresentam baixa acurácia de predição e/ou baixa capacidade de generalização, principalmente por fazerem a segmentação do animal e a extração dos atributos para predição por meio de técnicas tradicionais de Processamento Digital de Imagens combinadas com imagens RGB. Nesta tese, propõe-se e avalia-se a acurácia, capacidade de generalização e eficiência computacional de um método para estimação do peso de ovinos que se baseia no modelo de Rede Neural Convolucional Efficient-Net-B3 e em imagens de profundidade (depth) capturadas em perspectiva dorsal (top-down). O método proposto opera em um estilo ponta a ponta que dispensa a implementação de etapas explícitas de segmentação e extração de atributos. A acurácia e a generalização do método foram avaliadas por meio de uma combinação de análises quantitativas e qualitativas, garantindo a confiabilidade dos resultados. O método proposto demonstrou ser uma ferramenta não invasiva, simples e eficiente que alcançou acurácia e capacidade de generalização promissoras (R2 de 0.96, MAE de 1.66 kg e MAPE de 6.48%), contribuindo para o avanço dos métodos tecnológicos para o mercado de pequenos ruminantes. A análise rigorosa da generalização do modelo resultou em informações valiosas sobre as condições que afetam o desempenho da predição, as quais poderiam não ter sido detectadas se o estudo tivesse se baseado em um único conjunto de treinamento/teste. No tocando à eficiência computacional, o resultados demonstram que o modelo foi capaz de predizer o peso de 276 animais por hora em dispositivos com recursos compatíveis com aplicações de pecuária de precisão, o que contribui, portanto, para o desenvolvimento de tecnologias de pesagem não invasivas mais precisas, acessíveis e aplicáveis em condições reais de produção. ABSTRACT: Animal weighing using traditional scales is a labor-intensive and time-consuming process that exposes both animals and handlers to stressful situations and potential health risks. To overcome these challenges, Computer Vision methods have been explored over the years to estimate body weight indirectly and non-invasively through regression models, in which the predictor variables correspond to features extracted from images. However, Computer Vision-based methods for sheep weight estimation reported in the literature generally still exhibit limited prediction accuracy and/or poor generalization capability, mainly because animal segmentation and feature extraction are performed using traditional Digital Image Processing techniques combined with RGB images. In this thesis, the accuracy, generalization capability, and computational efficiency of a sheep weight estimation method based on the EfficientNet-B3 Convolutional Neural Network architecture and top-down depth images are proposed and evaluated. The proposed method follows an end-to-end approach that eliminates the need for explicit animal segmentation and feature extraction stages. The accuracy and generalization performance of the method were assessed through a combination of quantitative and qualitative analyses, ensuring the reliability of the results. The proposed approach proved to be a simple, efficient, and non-invasive tool, achieving promising accuracy and generalization performance (R2 of 0.96, MAE of 1.66 kg, and MAPE of 6.48%), thereby contributing to the advancement of technological solutions for the small-ruminant sector. The rigorous evaluation of model generalization provided valuable insights into the conditions affecting prediction performance, which might not have been identified if the study had relied on a single training/testing dataset split. Regarding computational efficiency, the results demonstrated that the model was capable of predicting the weight of up to 276 animals per hour on resource-constrained devices compatible with precision livestock farming applications, thereby contributing to the development of more accurate, accessible, and practical non-invasive weighing technologies for use under real production conditions.

Descrição

Orientador: Prof. Dr. José Lindenberg Rocha Sarmento Coorientador: Prof.Dr. Ricardo de Andrade Lira Rabelo Examinador interno: Prof. Dr. Natanael Pereira da Silva Santos Examinador interno: Prof. Dr. Kelson Romulo Teixeira Aires Examinador externo: Prof. Dr. Tiago Gonçalves Pereira Araújo (UFCG) Examinador externo: Profa. Dra. Patrícia Guimarães Pimentel (UFC)

Citação

Avaliação

Revisão

Suplementado Por

Referenciado Por