Please use this identifier to cite or link to this item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1138979
Full metadata record
DC FieldValueLanguage
dc.contributor.authorSANTOS, E. F. dos
dc.contributor.authorLOPES, L. B.
dc.contributor.authorVENDRUSCULO, L. G.
dc.date.accessioned2022-01-11T01:56:16Z-
dc.date.available2022-01-11T01:56:16Z-
dc.date.created2022-01-10
dc.date.issued2021
dc.identifier.citationIn: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS, 5.; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 10., 2021. Sinop. Resumos... Brasília, DF: Embrapa, 2021. p. 58.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1138979-
dc.descriptionO conhecimento da composição corporal em carcaças contribui para a avaliação do desempenho animal e tem forte impacto na rentabilidade do produtor. O objetivo deste trabalho foi avaliar dois métodos computacionais para a segmentação de imagens RGB de semicarcaças bovinas visando identificar quais pixels representam os alvos de interesse. São eles: gordura, carne ou tecido conjuntivo. Para tal objetivo, foram comparados dois classificadores: uma máquina de vetor de suporte (SVM) e uma rede neural (RNA). Foram utilizadas 618 imagens de semicarcaças, coletadas no primeiro semestre de 2021 em um frigorífico localizado em Sinop, MT. Ambos os modelos utilizaram uma janela deslizante na imagem. Visando confrontar os resultados do modelo SVM de RNA usados para a segmentação dos alvos, foram calculadas os seguintes parâmetros de acurácia: precisão, recuperação e F-1 score. A precisão e recuperação são importantes para avaliar modelos de classificação pois fornece uma métrica individual por classe. A precisão é a capacidade do modelo de não classificar como positiva uma amostra negativa, já a recuperação é a capacidade do modelo em encontrar todas as amostras positivas. O F-1 score é uma média harmônica ponderada entre a precisão e a recuperação. Os resultados mostraram que a precisão nos modelos SVM e RNA para o alvo carne alcançaram um valor ótimo de 1, ou seja, o modelo classificou corretamente todos os pixeis em suas verdadeiras classes de alvos. A recuperação obteve um valor melhor no RNA (0,98) para a carne em relação ao RNA (0,80). Para o F1-score todos os valores referentes aos dois classificadores alcançaram valores satisfatórios superiores a 0,9 referente aos alvos gordura, carne e tecido. Ou seja, o nível de classificação incorreta do pixel foi baixa. Os modelos SVM e RNA apresentaram nível de concordância ótimo, próximo a 1. De uma forma geral os dois métodos apresentaram segmentação dos três alvos de interesse de forma satisfatória. Planeja-se comparar os valores obtidos com validações de especialistas.
dc.languagePortugues
dc.language.isopt_BR
dc.rightsopenAccess
dc.subjectClassificador computacional
dc.subjectProcessamento de dados
dc.subjectSemicarcaça
dc.subjectMáquina de vetor de suporte
dc.subjectSVM
dc.subjectRede neural
dc.subjectSinop-MT
dc.titleSegmentação de alvos de interesse em semicarcaças bovinas utilizando classificadores computacionais.
dc.typeResumo em anais e proceedings
dc.subject.thesagroCarcaça
dc.subject.thesagroBovinocultura
dc.subject.thesagroRNA
riaa.ainfo.id1138979
riaa.ainfo.lastupdate2022-01-10
dc.contributor.institutionELTON FERNANDES DOS SANTOS, UFMT, Sinop-MT; LUCIANO BASTOS LOPES, CPAMT; LAURIMAR GONCALVES VENDRUSCULO, CNPTIA.
Appears in Collections:Resumo em anais de congresso (CPAMT)


FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace