|
|
| Acesso ao texto completo restrito à biblioteca da Embrapa Gado de Corte. Para informações adicionais entre em contato com cnpgc.biblioteca@embrapa.br. |
Registro Completo |
Biblioteca(s): |
Embrapa Gado de Corte. |
Data corrente: |
17/10/2023 |
Data da última atualização: |
17/10/2023 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Autoria: |
RODRIGUES, L. de S.; CAIXETA FILHO, E.; SAKIYAMA, K.; SANTOS, M. F.; JANK, L.; CARROMEU, C.; SILVEIRA, E.; MATSUBARA, E. T.; MARCATO JUNIOR, J.; GONCALVES, W. N. |
Afiliação: |
LUCAS DE SOUZA RODRIGUES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; EDMAR CAIXETA FILHO, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; KENZO SAKIYAMA, UNIVERSIDADE DE SÃO PAULO; MATEUS FIGUEIREDO SANTOS, CNPGC; LIANA JANK, CNPGC; CAMILO CARROMEU, GTI; ELOISE SILVEIRA, CNPGC; EDSON TAKASHI MATSUBARA, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; JOSÉ MARCATO JUNIOR, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; WESLEY NUNES GONCALVES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL. |
Título: |
Deep4Fusion: a Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
Computers and Electronics in Agriculture, v. 211, 2023. |
Páginas: |
14 p. |
DOI: |
https://doi.org/10.1016/j.compag.2023.107957 |
Idioma: |
Inglês |
Conteúdo: |
Deep learning methods have become one of the fundamental blocks of high-throughput phenotyping using RGB imagery. In this study, we go beyond applying deep learning algorithms; we improve deep learning models using a multi-view fusion approach. The proposal dynamically merges information from two deep-learning models. We evaluate this approach to improve the estimation of total dry matter yield, leaf dry matter yield and total green matter yield of plots of Guineagrass, an important tropical forage species. The proposed approach, named Deep4Fusion fusion network, can be set to use two different deep learning models. The experimental results indicated that our approach improved the performance between 20% to 33% when compared with standard models reported in previous works, with a significant improvement (p-value < 0.05) for leaf dry matter and total dry matter yield. We believe that the flexibility of multi-view fusion in merging the predictions of several CNNs models through shared layers across the network has the potential to improve the results of many other single-view deep learning approaches. |
Thesaurus Nal: |
Forage dryers; Forage grasses; Forage yield; Phenotype. |
Categoria do assunto: |
-- |
Marc: |
LEADER 02021naa a2200301 a 4500 001 2157276 005 2023-10-17 008 2023 bl uuuu u00u1 u #d 024 7 $ahttps://doi.org/10.1016/j.compag.2023.107957$2DOI 100 1 $aRODRIGUES, L. de S. 245 $aDeep4Fusion$ba Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits.$h[electronic resource] 260 $c2023 300 $a14 p. 520 $aDeep learning methods have become one of the fundamental blocks of high-throughput phenotyping using RGB imagery. In this study, we go beyond applying deep learning algorithms; we improve deep learning models using a multi-view fusion approach. The proposal dynamically merges information from two deep-learning models. We evaluate this approach to improve the estimation of total dry matter yield, leaf dry matter yield and total green matter yield of plots of Guineagrass, an important tropical forage species. The proposed approach, named Deep4Fusion fusion network, can be set to use two different deep learning models. The experimental results indicated that our approach improved the performance between 20% to 33% when compared with standard models reported in previous works, with a significant improvement (p-value < 0.05) for leaf dry matter and total dry matter yield. We believe that the flexibility of multi-view fusion in merging the predictions of several CNNs models through shared layers across the network has the potential to improve the results of many other single-view deep learning approaches. 650 $aForage dryers 650 $aForage grasses 650 $aForage yield 650 $aPhenotype 700 1 $aCAIXETA FILHO, E. 700 1 $aSAKIYAMA, K. 700 1 $aSANTOS, M. F. 700 1 $aJANK, L. 700 1 $aCARROMEU, C. 700 1 $aSILVEIRA, E. 700 1 $aMATSUBARA, E. T. 700 1 $aMARCATO JUNIOR, J. 700 1 $aGONCALVES, W. N. 773 $tComputers and Electronics in Agriculture$gv. 211, 2023.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Gado de Corte (CNPGC) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Gado de Leite. |
Data corrente: |
14/06/2022 |
Data da última atualização: |
10/04/2024 |
Tipo da produção científica: |
Documentos |
Autoria: |
SILVA, M. V. G. B.; FERREIRA JUNIOR, E.; PANETTO, J. C. do C.; PAIVA, L. de C.; MACHADO, M. A.; REIS, D. R. de L.; DALTRO, D. dos S.; NEGRI, R.; KLUSKA, S.; MARTINS, M. F.; BORGES, C. A. V. (ed.). |
Afiliação: |
MARCOS VINICIUS GUALBERTO B SILVA, CNPGL; EDIVALDO FERREIRA JUNIOR; JOAO CLAUDIO DO CARMO PANETTO, CNPGL; LEANDRO DE CARVALHO PAIVA, ASSOCIAÇÃO BRASILEIRA DOS CRIADORES DE GIROLANDO; MARCO ANTONIO MACHADO, CNPGL; DANIELE RIBEIRO DE LIMA REIS FAZA, CNPGL; DARLENE DOS SANTOS DALTRO, ASSOCIAÇÃO BRASILEIRA DOS CRIADORES DE GIROLANDO; RENATA NEGRI, ASSOCIAÇÃO BRASILEIRA DOS CRIADORES DE GIROLANDO; SABRINA KLUSKA, ASSOCIAÇÃO BRASILEIRA DOS CRIADORES DE GIROLANDO; MARTA FONSECA MARTINS, CNPGL; CRISTIANO AMANCIO VIEIRA BORGES, CNPGL. |
Título: |
Programa de Melhoramento Genético da Raça Girolando - sumário de touros - resultado do teste de progênie (avaliação genética/genômica) - junho 2022. |
Ano de publicação: |
2022 |
Fonte/Imprenta: |
Juiz de Fora: Embrapa Gado de Leite, 2022. |
Páginas: |
125 p. |
Série: |
(Embrapa Gado de Leite. Documentos, 266). |
Idioma: |
Português |
Conteúdo: |
O teste de progênie da raça Girolando foi iniciado em 1997, como resultado de uma parceria da Girolando com a Embrapa Gado de Leite. No ano de 2007, foi implantado o Programa de Melhoramento Genético do Girolando (PMGG), o que permitiu não somente a interação com os programas já existentes na Associação, como o Serviço de Registro Genealógico (SRG), o Teste de Progênie (TP) e o Serviço de Controle Leiteiro (SCL), mas também a criação do Sistema de Avaliação Linear do Girolando (SALG). O PMGG tem como objetivos principais a identificação de indivíduos geneticamente superiores, a multiplicação genética de forma orientada, a avaliação genética de características economicamente importantes e a promoção da sustentabilidade da atividade leiteira. Os resultados do PMGG têm sido impressionantes. A raça Girolando é a que mais cresce na produção de sêmen, no Brasil, chegando à marca de 920.848 doses produzidas no ano de 2021, o que representa um aumento de mais de 9% em relação ao ano de 2020. Outro dado importante a ser ressaltado é o crescente incremento na produção de leite das vacas Girolando. Considerando a produção de leite em até 305 dias, em 2000, a produção média alcançava 3.695 kg e, já em 2021, essa média aumentou para 6.032 kg, representando um aumento de 60% no período de 20 anos. Devido a estes e a outros fatores, a raça Girolando vem ganhando cada vez mais reconhecimento nacional e internacional, tornando-se, desta forma, a preferida para produção de leite nas regiões tropicais. No Brasil, esta raça possui grande aceitação e cerca de 80% do leite produzido no país provêm de animais Girolando, sendo capazes de manter bom nível de produção em diferentes sistemas de manejo e de condições climáticas. MenosO teste de progênie da raça Girolando foi iniciado em 1997, como resultado de uma parceria da Girolando com a Embrapa Gado de Leite. No ano de 2007, foi implantado o Programa de Melhoramento Genético do Girolando (PMGG), o que permitiu não somente a interação com os programas já existentes na Associação, como o Serviço de Registro Genealógico (SRG), o Teste de Progênie (TP) e o Serviço de Controle Leiteiro (SCL), mas também a criação do Sistema de Avaliação Linear do Girolando (SALG). O PMGG tem como objetivos principais a identificação de indivíduos geneticamente superiores, a multiplicação genética de forma orientada, a avaliação genética de características economicamente importantes e a promoção da sustentabilidade da atividade leiteira. Os resultados do PMGG têm sido impressionantes. A raça Girolando é a que mais cresce na produção de sêmen, no Brasil, chegando à marca de 920.848 doses produzidas no ano de 2021, o que representa um aumento de mais de 9% em relação ao ano de 2020. Outro dado importante a ser ressaltado é o crescente incremento na produção de leite das vacas Girolando. Considerando a produção de leite em até 305 dias, em 2000, a produção média alcançava 3.695 kg e, já em 2021, essa média aumentou para 6.032 kg, representando um aumento de 60% no período de 20 anos. Devido a estes e a outros fatores, a raça Girolando vem ganhando cada vez mais reconhecimento nacional e internacional, tornando-se, desta forma, a preferida para produção de leite nas regiões t... Mostrar Tudo |
Palavras-Chave: |
Bovine; Dairy Gir; Gyr cattle. |
Thesagro: |
Bovino; Gado Gir; Gir Leiteiro; Melhoramento Animal. |
Thesaurus NAL: |
Genetic improvement. |
Categoria do assunto: |
L Ciência Animal e Produtos de Origem Animal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1144061/1/DOC-266-Programa-de-Melhoramento-Genetico-da-Raca-Girolando.pdf
|
Marc: |
LEADER 02852nam a2200349 a 4500 001 2144061 005 2024-04-10 008 2022 bl uuuu 00u1 u #d 100 1 $aSILVA, M. V. G. B. 245 $aPrograma de Melhoramento Genético da Raça Girolando - sumário de touros - resultado do teste de progênie (avaliação genética/genômica) - junho 2022.$h[electronic resource] 260 $aJuiz de Fora: Embrapa Gado de Leite$c2022 300 $a125 p. 490 $a(Embrapa Gado de Leite. Documentos, 266). 520 $aO teste de progênie da raça Girolando foi iniciado em 1997, como resultado de uma parceria da Girolando com a Embrapa Gado de Leite. No ano de 2007, foi implantado o Programa de Melhoramento Genético do Girolando (PMGG), o que permitiu não somente a interação com os programas já existentes na Associação, como o Serviço de Registro Genealógico (SRG), o Teste de Progênie (TP) e o Serviço de Controle Leiteiro (SCL), mas também a criação do Sistema de Avaliação Linear do Girolando (SALG). O PMGG tem como objetivos principais a identificação de indivíduos geneticamente superiores, a multiplicação genética de forma orientada, a avaliação genética de características economicamente importantes e a promoção da sustentabilidade da atividade leiteira. Os resultados do PMGG têm sido impressionantes. A raça Girolando é a que mais cresce na produção de sêmen, no Brasil, chegando à marca de 920.848 doses produzidas no ano de 2021, o que representa um aumento de mais de 9% em relação ao ano de 2020. Outro dado importante a ser ressaltado é o crescente incremento na produção de leite das vacas Girolando. Considerando a produção de leite em até 305 dias, em 2000, a produção média alcançava 3.695 kg e, já em 2021, essa média aumentou para 6.032 kg, representando um aumento de 60% no período de 20 anos. Devido a estes e a outros fatores, a raça Girolando vem ganhando cada vez mais reconhecimento nacional e internacional, tornando-se, desta forma, a preferida para produção de leite nas regiões tropicais. No Brasil, esta raça possui grande aceitação e cerca de 80% do leite produzido no país provêm de animais Girolando, sendo capazes de manter bom nível de produção em diferentes sistemas de manejo e de condições climáticas. 650 $aGenetic improvement 650 $aBovino 650 $aGado Gir 650 $aGir Leiteiro 650 $aMelhoramento Animal 653 $aBovine 653 $aDairy Gir 653 $aGyr cattle 700 1 $aFERREIRA JUNIOR, E. 700 1 $aPANETTO, J. C. do C. 700 1 $aPAIVA, L. de C. 700 1 $aMACHADO, M. A. 700 1 $aREIS, D. R. de L. 700 1 $aDALTRO, D. dos S. 700 1 $aNEGRI, R. 700 1 $aKLUSKA, S. 700 1 $aMARTINS, M. F. 700 1 $aBORGES, C. A. V.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Gado de Leite (CNPGL) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|