| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
11/01/2022 |
|
Data da última atualização: |
11/01/2022 |
|
Tipo da produção científica: |
Resumo em Anais de Congresso |
|
Autoria: |
SANTOS, E. F. dos; LOPES, L. B.; VENDRUSCULO, L. G. |
|
Afiliação: |
ELTON FERNANDES DOS SANTOS, UFMT, Sinop-MT; LUCIANO BASTOS LOPES, CPAMT; LAURIMAR GONCALVES VENDRUSCULO, CNPTIA. |
|
Título: |
Segmentação de alvos de interesse em semicarcaças bovinas utilizando classificadores computacionais. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
In: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS, 5.; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 10., 2021, Sinop. Resumos... Brasília, DF: Embrapa, 2021. p. 58. |
|
ISBN: |
978-65-87380-70-4 |
|
Idioma: |
Português |
|
Conteúdo: |
O 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. MenosO 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 melh... Mostrar Tudo |
|
Palavras-Chave: |
Classificador computacional; Máquina de vetor de suporte; Processamento de dados; Rede neural; Semicarcaça; Sinop-MT; SVM. |
|
Thesagro: |
Bovinocultura; Carcaça; RNA. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
Marc: |
LEADER 03025nam a2200265 a 4500
001 2138987
005 2022-01-11
008 2021 bl uuuu u01u1 u #d
020 $a978-65-87380-70-4
100 1 $aSANTOS, E. F. dos
245 $aSegmentação de alvos de interesse em semicarcaças bovinas utilizando classificadores computacionais.$h[electronic resource]
260 $aIn: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS, 5.; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 10., 2021, Sinop. Resumos... Brasília, DF: Embrapa, 2021. p. 58.$c2021
520 $aO 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.
650 $aBovinocultura
650 $aCarcaça
650 $aRNA
653 $aClassificador computacional
653 $aMáquina de vetor de suporte
653 $aProcessamento de dados
653 $aRede neural
653 $aSemicarcaça
653 $aSinop-MT
653 $aSVM
700 1 $aLOPES, L. B.
700 1 $aVENDRUSCULO, L. G.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
