Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/58082
Registro completo de metadados
Campo DCValorIdioma
dc.creatorAmaral, Bruna Campos-
dc.date.accessioned2023-07-07T15:06:57Z-
dc.date.available2023-07-07T15:06:57Z-
dc.date.issued2023-07-07-
dc.date.submitted2023-06-30-
dc.identifier.citationAMARAL, B. C. Um novo algoritmo de rastreamento em tempo real para suínos baseado em Deep Learning. 2023. 51 p. Dissertação (Mestrado em Engenharia Agrícola)–Universidade Federal de Lavras, Lavras, 2023.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/58082-
dc.description.abstractEnsuring the health and well-being of pigs requires significant effort in terms of labor, material resources, and time. The use of traditional monitoring methods can be stressful for pigs and demand substantial resources from producers, especially in large-scale production systems like industrial pig farming. This practice can have negative impacts on pig health and welfare, as well as the economic profitability of pig production. In this context, the aim of this study was to develop a model using the YOLOv8 architecture to detect and track pigs in a group housing environment. A total of 690 images of pigs housed in groups of nine individuals were used, with the dataset divided into training and validation sets in an 80:20 ratio. With the developed model, it was possible to perform tracking and establish individual identification for each pig. However, the metrics used to evaluate the model's performance yielded unsatisfactory results, highlighting the need to increase the training dataset. Despite these challenges, the model demonstrated good performance in terms of frames per second (FPS), indicating its viability for real-time applications, thus ensuring that the model has potential for practical implementation in pig monitoring and management.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.rightsAttribution 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectYOLOv8pt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectBem-estarpt_BR
dc.subjectRastreamentopt_BR
dc.subjectTreinamentopt_BR
dc.subjectClassificação por imagenspt_BR
dc.subjectYou Only Look Once version 8pt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectWell-beingpt_BR
dc.subjectTrackingpt_BR
dc.subjectTrainingpt_BR
dc.subjectClassification by imagespt_BR
dc.subjectDeep learningpt_BR
dc.titleUm novo algoritmo de rastreamento em tempo real para suínos baseado em Deep Learningpt_BR
dc.title.alternativeA novel real-time tracking algorithm for pigs based on Deep Learningpt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Agrícolapt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Campos, Alessandro Torres-
dc.contributor.advisor-co1Green-Miller, Angela-
dc.contributor.referee1Campos, Alessandro Torres-
dc.contributor.referee2Yanagi Junior, Tadayuki-
dc.contributor.referee3Klosowski, Elcio Silverio-
dc.description.resumoGarantir a saúde e o bem-estar dos suínos requer um esforço significativo em termos de mão de obra, recursos materiais e tempo. O uso de métodos tradicionais de monitoramento pode ser estressante para os suínos e demandar recursos substanciais dos produtores, especialmente em sistemas de produção em larga escala, como a suinocultura industrial. Essa prática pode ter impactos negativos na saúde e bem-estar dos suínos e na lucratividade econômica da produção sunícula. Neste contexto, o objetivo deste estudo foi desenvolver um modelo usando a arquitetura YOLOv8 para detectar e rastrear suínos em um ambiente de alojamento em grupo. Foram utilizadas 690 imagens de suínos alojados em grupos de nove indivíduos. O conjunto de dados foi dividido em treinamento e validação em uma proporção de 80:20. Com o modelo desenvolvido, foi possível realizar o rastreamento e estabelecer a identificação individual de cada suíno. No entanto, as métricas utilizadas para avaliar o desempenho do modelo apresentaram resultados pouco satisfatórios, evidenciando a necessidade de aumentar o conjunto de dados de treinamento. Apesar desses desafios, o modelo demonstrou bom desempenho em termos de quadros por segundo (FPS), indicando sua viabilidade para aplicações em tempo real, garantindo que o modelo tem potencial para implementação prática no monitoramento e manejo de suínos.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqConstruções Rurais e Ambiênciapt_BR
dc.creator.Latteshttps://lattes.cnpq.br/7838570956780294pt_BR
Aparece nas coleções:Engenharia Agrícola - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTACAO_Um novo algoritmo de rastreamento em tempo real para suínos baseado em Deep Learning.pdf2,44 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons