Use este identificador para citar ou linkar para este item:
https://repositorio.ufms.br/handle/123456789/8575| Tipo: | Dissertação |
| Título: | Utilização da visão computacional para predição do rendimento de cortes da carcaça bovina |
| Autor(es): | LARISSA COSTA PORTELA |
| Primeiro orientador: | Marina de Nadai Bonin Gomes |
| Resumo: | O objetivo com este trabalho foi criar equações de predição de cortes da carcaça bovina a partir de imagens da carcaça. Foram utilizados 20 animais, machos não-castrados da raça Nelore, abatidos com idade média de 18 meses, peso médio vivo de 578,80 kg ±103,20 kg e peso de carcaça quente médio de 291,98 kg. Após o resfriamento, as carcaças foram serradas entre 5ª e 6ª costelas, de onde foram coletadas 10 imagens por animal, imagens utilizando um aparelho celular smartphone da marca Xiaomi preso a um suporte do tipo “ring light”, com tipo e intensidade de luz padronizada para todas as carcaças. As carcaças foram então separadas em dianteiro e traseiro, os quais foram pesados e desossados e os valores utilizados para cálculo das correlações com as áreas dos tecidos traçadas nas imagens. A interpretação das imagens foi realizada utilizando o software Labelme, com o qual delimitou-se as áreas de tecido muscular, ósseo, adiposo e cartilagem presente em cada uma das imagens. Para treinamento da rede neural, o conjunto de imagens foi dividido em três grupos distintos: treinamento, teste e validação, empregando-se a técnica de validação cruzada para avaliar a capacidade de generalização dos modelos de aprendizado de máquina. Para avaliação da capacidade preditiva dos modelos foram utilizadas as métricas de Intersection over Union (IoU), recall, precisão e Fscore. Os valores de precisão e acurácia, respectivamente, em ordem decrescente, foram obtidos para fundo (97,98; 98,0), carne (90,87; 92,71), gordura (88,87; 73,50) e Osso (85,29; 80,52) e cartilagem (81,46; 79,15). Os menores valores de precisão para cartilagem, osso e gordura podem ser devido a similaridade em coloração dos três tecidos, ambos em tons claros, tendendo a branco, o que pode ter causado maior dificuldade para diferenciação destes pelos algoritmos. As áreas de tecido muscular e osso estiveram positivamente correlacionadas com os pesos de dianteiro (0,49) e traseiro (0,25), respectivamente. Os pesos das aparas do dianteiro e do traseiro estiveram negativamente correlacionadas com a área de músculo (-0,48 e -0,69, respectivamente). Os algoritmos de visão computacional foram eficazes para diferenciação de tecidos da carcaça a partir de imagens e a correlação entre as áreas dos tecidos e o peso de cortes e aparas foram moderadas, devendo ser alvo de futuros estudos para melhor explorar o potencial dos algoritmos de visão computacional para predição de cortes da carcaça bovina. Palavras-chaves: Bovino de corte, Carcaça, Imagens, Inteligência Artificial. |
| Abstract: | The objective of this study was to develop prediction equations for bovine carcass cuts using carcass images. The study used twenty Nelore male animals that were slaughtered at an average age of 18 months. The average live weight was 578.80 kg ±103.20 kg, and the average hot carcass weight was 291.98 kg. After cooling, the carcasses were sawed between the 5th and 6th ribs. Ten images were taken per animal using a Xiaomi smartphone attached to a 'ring light' support with standardized light intensity. The carcasses were then separated into forequarters and hindquarters, weighed, deboned, and used to calculate correlations with the tissue areas traced in the images. The Labelme software was used to interpret the images and identify the areas of muscle, bone, fat, and cartilage tissue in each image. The set of images was divided into three groups (training, test, and validation) using cross-validation to evaluate the generalization capacity of the machine learning models. The predictive capacity of the models was assessed using metrics such as Intersection over Union (IoU), recall, precision, and Fscore. The predictive capacity of the models was assessed using the Intersection over Union (IoU), recall, precision, and Fscore metrics. The precision and accuracy values, respectively, in descending order, were obtained for bottom (97.98; 98.0), meat (90.87; 92.71), fat (88.87; 73.50), bone (85.29; 80.52), and cartilage (81.46; 79.15). The lower accuracy values for cartilage, bone, and fat may be due to the similarity in color of the three tissues, which are all light in tone and tend towards white. This similarity may have made it more difficult for the algorithms to differentiate between them. The weights of the forequarters (0.49) and hindquarters (0.25) were positively correlated with the areas of muscle tissue and bone, respectively. The weight of the hind and forequarter trimmings showed a negative correlation with the muscle area (-0.48 and -0.69, respectively). The computer vision algorithms effectively differentiated carcass tissues from images. The correlation between tissue areas and the weight of cuts and trimmings was moderate. This relationship should be further explored in future studies to better understand the potential of computer vision algorithms in predicting the yield of beef carcass cuts. Keyword: Beef cattle, Carcass, Images, Artificial Intelligence. |
| Palavras-chave: | Visão computacional predição do rendimento carcaça bovina. |
| País: | Brasil |
| Editor: | Fundação Universidade Federal de Mato Grosso do Sul |
| Sigla da Instituição: | UFMS |
| Tipo de acesso: | Acesso Restrito |
| URI: | https://repositorio.ufms.br/handle/123456789/8575 |
| Data do documento: | 2023 |
| Aparece nas coleções: | Programa de Pós-graduação em Ciência Animal |
Arquivos associados a este item:
Não existem arquivos associados a este item.
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.