Supervisão de hábitos alimentares em grupos de animais com visão computacional em raspberry Pi
DOI:
https://doi.org/10.34117/bjdv10n5-051Keywords:
visão computacional, Raspberry Pi, suínos, comportamento alimentarAbstract
A modernização do setor da pecuária no Brasil tem ocorrido de maneira intensa, de modo a buscar maior eficiência na produção em um menor intervalo de tempo. Nessa perspectiva, a análise do comportamento alimentar de indivíduos em rebanhos possui extrema importância, haja vista que alterações no padrão alimentar dos animais podem inferir sobre problemas sociais ou de saúde, causando perda na eficiência do processo de ganho de massa. Nessa perspectiva, o presente trabalho de conclusão de curso teve como proposta, por parte dos estudantes do ensino médio técnico em Automação Industrial, desenvolver um protótipo que auxilie na identificação e controle dos comportamentos alimentares de suínos, a fim de realizar uma análise dos dados coletados e encontrar possíveis padrões. Para o desenvolvimento do projeto, as seguintes etapas foram realizadas: configuração da placa de desenvolvimento Raspberry Pi, aprendizagem do sistema Linux, estudo das bibliotecas de visão computacional OpenCV e TensorFlow, aprimoramento do código-base utilizado, redirecionando-o para os objetivos do trabalho e geração de relatórios. Com isso, concluiu-se que é possível realizar estudos sobre o comportamento alimentar de indivíduos a partir da visão computacional.
References
IMI, M. A.; KAMARU ZAMAN, F. H. Vehicle Detection and Tracking using YOLO and DeepSORT. Disponível em:<https://ieeexplore.ieee.org/abstract/document/9431784>. Acesso em: 30 de jul. 2022.
BROWN-BRANDL, T. M.; ROHRER, G. A.; EIGENBERG, R. A. Analysis of feeding behavior of group housed growing–finishing pigs. Computers and Electronics in Agriculture, v. 96, p. 246–252, ago. 2013.
BUGHIN, J. et al. ARTIFICIAL INTELLIGENCE THE NEXT DIGITAL FRONTIER?. Disponível em: <https://www.calpers.ca.gov/docs/board-agendas/201801/full/day1/06-technology-ba ckground.pdf>. Acesso em: 3 de ago. de 2022.
CHECHLIŃSKI, Ł.; SIEMIĄTKOWSKA, B.; MAJEWSKI, M. A System for Weeds and Crops Identification—Reaching over 10 FPS on Raspberry Pi with the Usage of MobileNets, DenseNet and Custom Modifications. Sensors, v. 19, n. 17, p. 3787, 31 ago. 2019.
CROSS, A. J. et al. Feeding behavior of grow-finish swine and the impacts of heat stress. Translational Animal Science, v. 4, n. 2, p. 986–992, 27 fev. 2020.
DE MILANO, Danilo; HONORATO, Luciano Barrozo. Visão computacional. Faculdade de Tecnologia, Universidade Estadual de Campinas, 2010.
HARTAWAN, D. R.; PURBOYO, T. W.; SETIANINGSIH, C. Disaster Victims Detection System Using Convolutional Neural Network (CNN) Method. Disponível em: <https://ieeexplore.ieee.org/abstract/document/8784782>. Acesso em: 29 de jul.de 2022.
HOFESMANN, Eric. Google’s Open Images: Now easier to download and evaluate with FiftyOne. Towards Data Science, 2021. Disponível em: <https://towardsdatascience.com/googles-open-images-now-easier-to-download-and-evaluate-with-fiftyone-615ce0482c02>. Acesso em: 29 de nov. de 2022.
KUZMIC, Jurij; RUDOLPH, Günter. Object Detection with TensorFlow on Hardware with Limited Resources for Low-power IoT Devices. In: IJCCI. 2021. p. 302-309.
LI, Q. Application of Artificial Intelligence in Industrial Automation Control System. IOP Conference Series: Earth and Environmental Science, v. 647, p.1-5, 27 jan. 2021.
MARENGONI, M.; STRINGHINI, S. Tutorial: Introdução à Visão Computacional usando OpenCV. Revista de Informática Teórica e Aplicada, v. 16, n. 1, p. 125–160, 8 mar. 2010.
MASELYNE, J. et al. Methods to construct feeding visits from RFID registrations of growing-finishing pigs at the feed trough. Computers and Electronics in Agriculture, v. 128, p. 9–19, 1 out. 2016.
NORMAN, M. et al. Detection of in-Car-Abandoned Children via Deep Learning. In: IOP Conference Series: Earth and Environmental Science. IOP Publishing, 2022. p. 1-7.
Google Inc. OPEN IMAGES DATASET V7. Disponível em: <https://storage.googleapis.com/openimages/web/index.html>. Acesso em: 26 de out. de 2022.
RAIMUNDO, A.; SEBASTIÃO, P. Novos modelos de negócio com recurso à inteligência artificial. IAPMEI, 2021. Disponível em: . Acesso em: 3 de ago. de 2022.
Tecmundo. Raspbery Pi: conheça os principais modelos. Disponível em: <https://www.tecmundo.com.br/produto/234771-raspberry-pi-conheca-principais-mod elos.htm>. Acesso em: 25 de jul. de 2022.
SANTOSO, S. A.; JAYA, I.; IQBAL, M. Design and Implementation of Chaetodontidae Fish Identification Algorithms with Deep Learning Methods. In: 2021 IEEE Ocean Engineering Technology and Innovation Conference: Ocean Observation, Technology and Innovation in Support of Ocean Decade of Science (OETIC). IEEE, 2021. p. 39-44.
TECHMOB. O que é Raspberry Pi e para que serve? Disponível em: <https://techmob.com.br/o-que-e-raspberry-pi-e-para-que-serve/>. Acesso em: 25 de jul. de 2022.
TELLES, E. S.; BARONE, D. A. C.; DA SILVA, A. M. Inteligência Artificial no Contexto da Indústria 4.0. Anais do Workshop sobre as Implicações da Computação na Sociedad (WICS 2020), 30 jun. 2020.
YOUNG, R. J.; LAWRENCE, A. B. Feeding behaviour of pigs in groups monitored by a computerized feeding system. Animal Science, v. 58, n. 1, p. 145-152, 1994.
EMBRAPA. Resultados e impactos positivos da pesquisa agropecuária na economia, no meio ambiente e na mesa do brasileiro. Disponível em: <https://www.embrapa.br/grandes-contribuicoes-para-a-agricultura-brasileira/pecuaria>. Acesso em: 25 de jul. de 2022.
ZHANG, L. et al. Automatic Individual Pig Detection and Tracking in Pig Farms. 2019.
