Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho (2022)
- Authors:
- Autor USP: RODRIGUES, ALEX VINÍCIUS DA SILVA - FZEA
- Unidade: FZEA
- Sigla do Departamento: ZEB
- DOI: 10.11606/D.74.2022.tde-29072022-113058
- Subjects: TERMOGRAFIA; BEM-ESTAR DO ANIMAL; MINERAÇÃO DE DADOS; INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL
- Agências de fomento:
- Language: Português
- Abstract: Estudos recentes em produção animal têm investigado tecnologias e modelos computacionais para predição do nível de estresse térmico com o uso de medições não invasivas e automáticas. Para contribuir com esse tema, o projeto tem como objetivo a construção e teste de modelos computacionais para predição do nível de estresse térmico de bovinos de leite utilizando base de dados obtida por experimento em câmara climática. O experimento foi conduzido durante 45 dias com 10 bezerras da raça Holandesa distribuídas aleatoriamente em dois grupos. Os animais foram alocados na câmara climática (em sistema Tie Stall) e expostos a duas ondas de calor. Durante o período do experimento, além dos dados meteorológicos das instalações, foram coletados 5 vezes ao dia (6, 10, 14, 18 e 22 horas) os dados de temperatura retal, frequência respiratória e da termografia de infravermelho (TIV) de diferentes áreas do corpo (olho, fronte, costela e flanco) para extração de valores temperaturas e da Assinatura Térmica (método de extração de características explorado no trabalho). Para a etapa de modelagem foram avaliados diferentes algoritmos baseados em Aprendizado de Máquina (redes neurais artificiais, máquina de vetores de suporte, árvore de decisão e k-vizinhos mais próximos) utilizando combinações diferentes de entradas para classificação de atributo de nível de estresse térmico. Para determinar o desempenho dos modelos de classificação foram utilizados como métrica os parâmetros obtidos da matrizconfusão gerada (acurácia, precisão e sensibilidade). Os melhores resultados foram obtidos com os algoritmos de Floresta Randômica e Máquina de Vetores de Suporte. A Assinatura Térmica se mostrou mais eficiente como atributo previsor dos modelos quando comparada as temperaturas pontuais extraídas das TIVs. Foram obtidos no trabalho modelos com acurácias acima de 90% na classificação de nível de estresse térmico animal. Os resultados obtidos evidenciam o potencial do uso de aprendizado de máquina associado a dados extraídos de termografias de infravermelho para a classificação de nível de estresse térmico animal
- Imprenta:
- Publisher place: Pirassununga
- Date published: 2022
- Data da defesa: 21.02.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
RODRIGUES, Alex Vinícius da Silva. Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho. 2022. Dissertação (Mestrado) – Universidade de São Paulo, Pirassununga, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-29072022-113058/. Acesso em: 12 jun. 2024. -
APA
Rodrigues, A. V. da S. (2022). Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho (Dissertação (Mestrado). Universidade de São Paulo, Pirassununga. Recuperado de https://www.teses.usp.br/teses/disponiveis/74/74131/tde-29072022-113058/ -
NLM
Rodrigues AV da S. Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho [Internet]. 2022 ;[citado 2024 jun. 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-29072022-113058/ -
Vancouver
Rodrigues AV da S. Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho [Internet]. 2022 ;[citado 2024 jun. 12 ] Available from: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-29072022-113058/
Informações sobre o DOI: 10.11606/D.74.2022.tde-29072022-113058 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas