Identificação individual de ovinos: análise de posicionamento de captura de imagens e modelos de classificação

• Processo: 24/18074-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de dezembro de 2024
• Data de Término da vigência: 30 de novembro de 2025
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola - Construções Rurais e Ambiência
• Pesquisador responsável: Késia Oliveira da Silva Miranda
• Beneficiário: Nicole Morás Coutinho
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Assunto(s): Ambiência Análise de imagens Aprendizado computacional Zootecnia de precisão
• Palavra(s)-Chave do Pesquisador: Ambiência | Análise de imagens | aprendizado de máquinas | Ovinocultura de precisão | Zootecnia de Precisão

Resumo

A ovinocultura, prática antiga e amplamente disseminada, enfrenta desafios significativos no Brasil, como a identificação e rastreamento individual que ainda são realizados por métodos tradicionais, como brincos e marcações, causando estresse, além da falta de dados sobre a saúde dos animais. Este projeto aborda a necessidade da identificação individual de ovinos, visando o bem-estar e saúde dos animais. As abordagens em deep learning serão utilizadas para identificação das ovelhas e será realizada a partir de análises visuais, com uma análise inicial do posicionamento de câmeras e a avaliação comparativa de modelos de identificação, utilizando o Inception V3 e SqueezeNet. A coleta de dados ocorrerá no grupo de extensão "Sistema Intensivo de Produção de Ovinos e Caprinos" (SIPOC) da ESALQ-USP, utilizando 30 ovelhas de Dorper x Santa Inês, com peso corporal médio de 30 ± 5 kg. A coleta será realizada em cinco diferentes posições (frontal, traseira, superior e laterais esquerda e direita), sendo capturada 100 imagens de cada posição por animal, totalizando 500 fotos por ovelha e 15.000 para o experimento completo, a fim de determinar o modelo mais eficaz. Como forma de análise dos resultados será utilizado o software Orange Data Mining e dois extratores de recursos distintos, Inception V3 e SqueezeNet, utilizando quatro classificadores: K-Nearest Neighbors (kNN), Random Forest, Support Vector Machine (SVM), Neural Network e as métricas de avaliação incluirão AUC (área sob a curva ROC), acurácia (CA), F1 Score, precisão (Prec), sensibilidade (Recall), coeficiente de correlação de Matthews (MCC) e a matriz de confusão. Nesse contexto, espera-se que seja possível a identificação individual dos animais, a fim de permitir avanços para os sistemas integrados de visão computacional para monitoramento, por exemplo de saúde e bem-estar dos animais.