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

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)