Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21820
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Ensino médio |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Departamento de Zootecnia |
| Bolsa | BIC-Júnior |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CAPES, CNPq, FAPEMIG |
| Primeiro autor | ANA LUÍSA CÚGOLA CASTRO MAMEDE |
| Orientador | DANIELE BOTELHO DINIZ MARQUES |
| Outros membros | Alessandra Alves da Silva, Inaê Ikegami Machado, RENATA VERONEZE, Vitória Ribeiro Oliveira |
| Título | Algoritmos de aprendizagem de máquina para predição de características de carcaça suína usando dados de processamento de imagem |
| Resumo | O uso de tecnologias, como imagens de vídeo bidimensionais, tem potencial para predizer características de carcaça de suínos de forma mais eficiente e precisa, com a vantagem de reduzir o custo da fenotipagem. Assim, objetivamos avaliar os modelos de regressão do Operador de Seleção e Encolhimento Mínimo Absoluto (LASSO) e a regressão da rede elástica (ENET) para predizer o peso de barriga e a espessura de toucinho (ET) de suínos puros e cruzados com base em imagens obtidas a partir do processamento de imagens de vídeo. Foram avaliados 47 suínos machos castrados, sendo 10 da raça Piau, 14 da raça Large White, 13 animais Piau x Large White e 10 animais Duroc x Large White. No dia do abate (177,28 ± 2,10 dias de idade e em média 103,27 ± 32,56 Kg), imagens individuais foram coletadas de cada indivíduo usando uma câmera digital Intel RealSense Depth D435 com resolução de 1920 x 1080 pixels. Vídeos foram gravados com duração de aproximadamente 30 segundos para cada animal. As características da área do dorso, perímetro do dorso, largura do dorso e profundidade corporal foram extraídas das imagens usando o software livre ImageJ. Para predição, os dados foram particionados aleatoriamente em conjunto de dados de treinamento (65%) e conjunto de dados de teste (35%), balanceados por grupo genético, e os algoritmos de aprendizado de máquina foram usados para construir os modelos preditivos. Em geral, ambos os algoritmos apresentaram resultados de predição semelhantes. Os valores de R² obtidos por meio do modelo LASSO e ENET foram respectivamente, 0,17 e 0,10 para peso da barriga e 0,23 e 0,22 para ET. Os valores de raiz do erro quadrático médio (RMSE) foram respectivamente, 1,14 e (1,19) para barriga e 8,80 (8.85) para ET. Enquanto, os valores de erro absoluto médio (MAE) foram, respectivamente, 0,69 e (0,71) para barriga e 7,90 (7,94) para ET. A profundidade corporal foi o atributo mais importante para predizer o peso de barriga para ambos os modelos. No entanto a largura do dorso foi o atributo mais importante para predizer a ET para ambos os modelos. Em conclusão, ambos os métodos LASSO e ENET foram equivalentes para predizer os cortes de carne suína. Entretanto, as acurácias de predição foram em geral, baixas, demonstrando que apenas imagens dos animais vivos não são suficientes para obter uma boa predição para peso da barriga e espessura de toucinho. |
| Palavras-chave | ENET, imagem, LASSO |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|