Uso de inteligência artificial com foco em visão computacional na produção de bovinos e suínos

Abstract

O presente trabalho teve como objetivo realizar uma revisão sobre a história das redes neurais artificias, assim como analisar diferentes trabalhos acadêmicos de áreas com e sem relação com as ciências veterinárias, para verificar o atual estado das redes neurais no meio acadêmico. Foi determinado, por meio da análise de quarenta artigos referentes a soluções de problemas na produção animal, através do uso de redes neurais, que o maior número de trabalhos da área abrangem a espécie bovina, que o número de dados de treinamento nos trabalhos é pequeno, se comparado com bases de dados de artigos de outras áreas do conhecimento, que a maioria dos trabalhos não entram em detalhes sobre o software utilizado para implementação das redes neurais e que a maioria dos autores principais dos trabalhos atuavam em departamentos de ciência animal. Outro objetivo do trabalho foi determinar as mais eficazes arquiteturas de redes neurais, cuja tarefa compreende a predição da ocorrência de descarte de matrizes suínas provenientes de granjas de quarto sítio e unidades produtoras de leitões. Uma base de dados com 5.013 fêmeas descartadas, classificadas em sete diferentes categorias de motivos de descarte, foi utilizada para o treinamento das redes neurais. Além disso as mais eficazes arquiteturas de redes neurais, cuja tarefa compreende a predição da ocorrência de descarte de matrizes suínas provenientes de granjas de quarto sítio e unidades produtoras de leitões. Uma base de dados com 5.013 fêmeas descartadas, classificadas em sete diferentes categorias de motivos de descarte, foi utilizada para o treinamento das redes neurais. A base foi filtrada e os dados de diferentes índices produtivos das fêmeas foram utilizados para a realização de quatro experimentos. O primeiro experimento tinha o objetivo de testar a eficácia de uma rede neural em classificar o motivo de descarte das fêmeas suínas nas sete diferentes categorias. A acurácia máxima alcançada foi de 56,35%. O segundo experimento visava determinar a eficácia de uma rede neural em estimar a probabilidade de descarte das fêmeas em apenas uma categoria. A acurácia máxima alcançada foi de 99,78%. O terceiro experimento tinha como objetivo avaliar a eficácia de uma rede neural em prever as variáveis da vida produtiva do parto seguinte das fêmeas, baseada em dados dos dois partos anteriores. O erro médio absoluto mínimo alcançado foi de 1,777 para a variável de número de desmamados. O quarto e último experimento tinha o intuito de testar a capacidade de uma rede neural em determinar se uma fêmea seria ou não descartada no parto seguinte, baseada em dados de dois partos anteriores. De maneira geral, as redes neurais demonstraram adequado desempenho em encontrar padrões em diferentes dados da vida produtiva de matrizes suínas e predizer a ocorrência e a classificação de seus descartes.

The objective of this work was to review the history of artificial neural networks, as well as to analyze different academic works in areas related and unrelated to the veterinary sciences, to verify the current state of neural networks in the academia. It was determined, through the analysis of forty research works referring to solutions of problems in animal production, through the use of neural networks, that the largest number of works in the area are referring to the bovine species, that the number of training data in the research works is small, compared to databases of articles from other areas of knowledge, that most of the papers do not go into detail about the software used to implement neural networks and that most of the main authors of the papers work in animal science departments. Besides that, another objective of this work was to determine the most effective neural network architectures, whose task includes the prediction of the occurrence of culling of female swine breeders from four-site units and piglet-production units. A database of 5,013 culled gilts, classified into seven different culling reason categories, was used for the neural networks training. The base was filtered and the data from different productive indexes of the females were used to perform four experiments. The first experiment aimed to test the effectiveness of a neural network in the task of classifying the reason for culling swine gilts into seven different categories. The maximum accuracy achieved was 56.35%. The second experiment aimed to determine the effectiveness of a neural network in estimating the probability of gilt culling in only one category. The maximum accuracy achieved was 99.78%. The third experiment aimed to evaluate the effectiveness of a neural network in predicting the productive life variables of the breeder's next delivery, based on data from the previous two parities. The minimum mean absolute error reached was 1.777 for the weaned number variable. The fourth and final experiment was designed to test the ability of a neural network to determine whether or not a gilt would be culled in the next parturition based on data from two previous births. In general, neural networks have shown adequate performance in finding patterns in different data of the productive life of swine breeders and predicting the occurrence and classification of their culling events.