Predição da qualidade de ovos de galinha utilizando ovoscopia, sensoriamento de profundidade, tomografia computadorizada, visão computacional e aprendizado de máquina

• Processo: 22/07446-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de novembro de 2022
• Data de Término da vigência: 31 de outubro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: FACEPE
• Pesquisador responsável: Denis Henrique Pinheiro Salvadeo
• Beneficiário: Denis Henrique Pinheiro Salvadeo
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Bolsa(s) vinculada(s): 24/02575-5 - Extração de medidas morfométricas de ovos a partir de imagens de Tomografia Computadorizada usando Visão Computacional, BP.TT; 23/06422-6 - Extração de medidas morfométricas de ovos a partir de imagens de Tomografia Computadorizada usando Visão Computacional, BP.TT; 22/15667-0 - Detecção, segmentação e classificação de ovos em imagens de ovoscopia, BP.TT; 22/14804-3 - Extração de medidas morfométricas de ovos a partir de imagens de tomografia computadorizada usando visão computacional, BP.TT
• Assunto(s): Aprendizado computacional Aprendizagem profunda Visão computacional Classificação de imagens Segmentação de imagens Zootecnia Ovo
• Palavra(s)-Chave do Pesquisador: Aplicações na Zootecnia | Aprendizado de Máquina | Classificação de Imagens | Detecçaõ de objetos em imagens | Redes Neurais Profundas | segmentação de imagens | Visão Computacional

Resumo

A inteligência artificial aplicada ao aprendizado de máquina pode ser utilizada para otimizar a avaliação dos ovos de consumo. O objetivo desse projeto será predizer a qualidade de ovos baseada em atributos relacionados à casca e frescor utilizando medidas obtidas por ovoscopia, sensoriamento de profundidade e tomografia computadorizada, associadas a técnicas de visão computacional e aprendizado de máquina. O total de 1.000 ovos brancos será utilizado com 0 (frescos), 7, 14, 21 e 28 dias de armazenamento, sendo 200 ovos em cada período. As imagens serão obtidas por meio de ovoscopia, sensoriamento de profundidade e tomografia computadorizada e serão anotadas. Os mesmos ovos serão submetidos às técnicas de avaliação destrutivas para a geração de valores morfométricos de referência para treinamentos de modelos de inteligência artificial e validação dos resultados. Por meio das imagens obtidas, serão utilizadas técnicas de visão computacional (Mask R-CNN, Fully Convolutional Network, ConvNeXt, KPConv, Ellipse R-CNN e outras) para obtenção dos atributos relativos à qualidade dos ovos. Para definir a qualidade e a recomendação de destinação dos ovos, os dados coletados a partir das imagens (automaticamente) e das técnicas destrutivas (manualmente) serão submetidos ao pré-processamento (limpeza dos dados e seleção de características), construção do modelo (regressão logística, floresta aleatória, redes neurais artificiais, arquiteturas de redes neurais profundas, modelos e técnicas de IA explicável). Os modelos testados serão avaliados por acurácia, escore F-1, AUC, coeficiente de correlação de Matthews, Kappa score e log loss. Espera-se que esta investigação contribua para o avanço do estado da arte de avaliação automática de qualidade de ovos. (AU)