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

Desenvolvimento e Avaliação de um Sistema para Estimativa Automatizada de Peso de Pequenos Ruminantes Integrando Visão Computacional e Arquitetura Local-First

Carregando...
Imagem de Miniatura

Título da Revista

ISSN da Revista

Título de Volume

Editor

DOI

Resumo

RESUMO: A ovinocaprinocultura desempenha um papel fundamental na economia do Nordeste brasileiro e na agricultura familiar, contudo, o monitoramento zootécnico — essencial para a eficiência produtiva — é frequentemente negligenciado devido às dificuldades operacionais e ao estresse animal associados à pesagem tradicional. Embora a literatura apresente avanços no uso de visão computacional para biometria animal, a maioria das soluções permanece restrita a ambientes controlados ou depende de infraestrutura de conectividade incompatível com a realidade rural. Esta dissertação propõe, implementa e avalia um sistema ponta a ponta para estimativa automatizada de peso de pequenos ruminantes em condições de campo, integrando um dispositivo de captura embarcado e um aplicativo móvel baseado na arquitetura Local-First. O pipeline de processamento combina detecção de objetos, segmentação semântica e redes neurais convolucionais (CNNs) para regressão a partir de imagens laterais. Os resultados experimentais demonstraram que a resolução de entrada de 1024×1024 píxeis foi determinante para a estabilidade das estimativas e que a segmentação automática apresentou desempenho preditivo estatisticamente próximo à segmentação manual, com RMSE de 3,43 kg no melhor cenário automatizado. Adicionalmente, a aplicação da técnica de otimização Low-Rank Adaptation (LoRA) no modelo de segmentação permitiu reduzir o tamanho do checkpoint de centenas de megabytes para aproximadamente 15 MB, preservando métricas de Dice e IoU superiores a 0,95, o que viabiliza a atualização remota do sistema em áreas com conectividade limitada. Por fim, a avaliação de usabilidade (SUS) indicou uma pontuação média global de 75,7, considerada boa, embora tenha evidenciado a necessidade de interfaces adaptadas para usuários com menor letramento digital. O trabalho conclui que a solução proposta é tecnicamente viável e operacionalmente robusta para o suporte à decisão na pecuária de precisão. ABSTRACT: Small ruminant farming plays a fundamental role in the economy of Northeastern Brazil and family farming; however, zootechnical monitoring—essential for productive efficiency—is often neglected due to operational difficulties and animal stress associated with traditional weighing. Although the literature presents advances in using computer vision for animal biometrics, most solutions remain restricted to controlled environments or rely on connectivity infrastructure incompatible with rural reality. This dissertation proposes, implements, and evaluates an end-to-end system for automated weight estimation of small ruminants under field conditions, integrating an embedded capture device and a mobile application based on a Local-First architecture. The processing pipeline combines object detection, semantic segmentation, and Convolutional Neural Networks (CNNs) for regression from lateral images. Experimental results showed that an input resolution of 1024×1024 pixels was decisive for estimation stability and that automated segmentation presented predictive performance statistically close to manual segmentation , with an RMSE of 3.43 kg in the best automated scenario. Additionally, applying the Low-Rank Adaptation (LoRA) optimization technique to the segmentation model allowed reducing the checkpoint size from hundreds of megabytes to approximately 15 MB while preserving Dice and IoU metrics above 0.95, enabling remote system updates in areas with limited connectivity. Finally, the usability evaluation (SUS) indicated an overall average score of 75.7, considered good, although it highlighted the need for interfaces adapted for users with lower digital literacy. The work concludes that the proposed solution is technically viable and operationally robust for decision support in precision livestock farming.

Descrição

Orientador: Prof. Dr. Romuere Rodrigues Veloso e Silva Examinador interno: Prof. Dr. Antonio Oseas de Carvalho Filho Examinador externo: Prof. Dr. Natanael Pereira da Silva Santos (UFPI) Examinador externo: Prof. Dr. Iális Cavalcante de Paula Júnior (UFC)

Citação

Avaliação

Revisão

Suplementado Por

Referenciado Por