| |
|
|
| Registros recuperados : 19 | |
| 3. |  | OLIVEIRA, G. S. de; SILVEIRA, E. S.; SANTOS, M. F.; FERNANDES, C. D.; JANK, L.; MATSUBARA, E. T. Caracterização do banco de germoplasma de Panicum maximum quanto a fatores bióticos: uso de drones para avaliação de doenças. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 15., 2019, Campo Grande, MS. [Resumos dos trabalhos...]. Brasília, DF: Embrapa, 2019 80 p. (Embrapa Gado de Corte. Documentos, 264). Comitê Organizador: Marlene de Barros Coelho; Lenita Ramires dos Santos; Rodrigo Carvalho Alva; Lucimara Chiari; Thais Basso Amaral. p. 40-41| Biblioteca(s): Embrapa Gado de Corte. |
|    |
| 4. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. 228-234| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Territorial. |
| |
| 5. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. p. 228-234.| Biblioteca(s): Embrapa Cerrados. |
| |
| 6. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAUJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Brasília, DF: Embrapa, 2016. p. 228-234.| Biblioteca(s): Embrapa Pantanal. |
| |
| 7. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020.| Biblioteca(s): Embrapa Agricultura Digital. |
| |
| 8. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 9. | | 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. Deep4Fusion: a Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits. Computers and Electronics in Agriculture, v. 211, 2023. 14 p.| Biblioteca(s): Embrapa Gado de Corte. |
|  |
| 10. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Decision making support system for the adaptation and coexistence of extensive livestock farming in the dynamics of pantanal floods and droughts in face of climate change. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W . G. da (ed.). Adapting to climate change: strategies for Brazilian agricultural and livestock systems. Brasília, DF: MAPA, 2021. p. 92-93.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Pantanal. |
| |
| 11. | | CRIVELLARO, L. L.; MATSUBARA, E. T.; BARRIOS, S. C. L.; CARROMEU, C.; SANTOS, M. F.; VALLE, C. B. do; JANK, L. Pasto Certo: escolha de cultivares com Inteligência Artificial. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 14., 2018, Campo Grande - MS. [Resumos dos trabalhos]. Brasília, DF, Embrapa, 2018 115 p. (Embrapa Gado de Corte. Documentos, 258). p. 64-65| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 12. | | BARRIOS, S. C. L.; CARROMEU, C.; MATSUBARA, E. T.; CRIVELLARO, L. L.; SILVA, M. A. I. da; VALLE, C. B. do; SANTOS, M. F.; JANK, L. Pasto Certo - versão 2.0®: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Gado de Corte, 2019. 13 p. (Embrapa Gado de Corte. Comunicado técnico, 148).| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 13. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Sistema de suporte à decisão para a adaptação e convivência da pecuária extensiva à dinâmica das inundações e estiagens do Pantanal frente às mudanças climáticas. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W. G. da (org.). Estratégias de adaptação às mudanças do clima dos sistemas agropecuários brasileiros. Brasília, DF: MAPA, 2021. p. 92-93.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Pantanal. |
| |
| 14. | | WEBER, F. de L.; WEBER, V. A. de M; MORAES, P. H. de; MATSUBARA, E. T.; PAIVA, D. M. B.; GOMES, M. de N. B.; OLIVEIRA, L. O. F. de; MEDEIROS, S. R. de; CAGNIN, M. I. Counting cattle in UAV images using convolutional neural network. Remote Sensing Applications: Society and Environment, v. 29, article 100900, 2023.| Biblioteca(s): Embrapa Gado de Corte; Embrapa Pecuária Sudeste. |
| |
| 15. | | BARRIOS, S. C. L.; CARROMEU, C.; CRIVELLARO, L. L.; VERZIGNASSI, J. R.; ZIMMER, A. H.; SANTOS, M. F.; JANK, L.; VALLE, C. B. do; JOSÉ, M. R.; GOMES, O. C. de O.; MATSUBARA, E. T.; SILVA, M. A. I. da. Pasto Certo - versão 3.0: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Embrapa Gado de Corte, 2021. (Embrapa Gado de Corte / Comunicado Técnico, 159)| Biblioteca(s): Embrapa Gado de Corte. |
| |
| 16. | | OSCO, L. P.; MARCATO JUNIOR, J.; RAMOS, A. P. M.; JORGE, L. A. de C.; FATHOLAHI, S. N.; SILVA, J. A.; MATSUBARA, E. T.; PISTORI, H.; GONÇALVES, W. N.; LI, J. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observations and Geoinformation, v. 102, 102456, 2021. 1 - 22| Biblioteca(s): Embrapa Instrumentação. |
| |
| 17. | | WEBER, F. de L.; WEBER, V. A. de M.; MENEZES, G. V.; OLIVEIRA JUNIOR, A. da S.; ALVES, D. A.; OLIVEIRA, M. V. M. de; MATSUBARA, E. T.; PISTORI, H.; ABREU, U. G. P. de. Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks. Computers and Electronics in Agriculture, v. 175, 105548, p. 1-9, 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 18. | | WEBER, V. A. M.; WEBER, F. de L.; OLIVEIRA, A. da S.; ASTOLFI, G.; MENEZES, G. V.; PORTO, J. V. de A.; REZENDE, F. P. C.; MORAES, P. H. de; MATSUBARA, E. T.; MATEUS, R. G.; ARAÚJO, T. L. A. C. de; SILVA, L. O. C. da; QUEIROZ, E. Q, A. de; ABREU, U. G. P. de; GOMES, R. da C.; PISTORI, H. Cattle weight estimation using active contour models and regression trees Bagging . Computers and Electronics in Agriculture, v.179, 105804, p. 1-12, dec, 2020.| Biblioteca(s): Embrapa Pantanal. |
| |
| 19. | | BARRIOS, S. C. L.; CARROMEU, C.; SILVA, M. A. I. da; MATSUBARA, E. T.; VALLE, C. B. do; JANK, L.; SANTOS, M. F.; ASSIS, G. M. L. de; CRIVELLARO, L. L.; GONÇALVES, T. D. T.; QUEIROZ JÚNIOR, J. M.; CANDIDO, A. R.; MACHADO, W. K. R.; GOUVEIA, B. T.; NOBRE, A. A. A.; ZANELLA, A. L. Pasto Certo® version 2.0 - An application about Brazilian tropical forage cultivars for mobile and desktop devices. Tropical Grasslands-Forrajes Tropicales, v. 8, n. 2, p. 162?166, 2020.| Biblioteca(s): Embrapa Gado de Corte. |
| |
| Registros recuperados : 19 | |
|
|
|
 | 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; Embrapa Pecuária Sudeste. |
|
Data corrente: |
25/01/2023 |
|
Data da última atualização: |
26/01/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 2 |
|
Autoria: |
WEBER, F. de L.; WEBER, V. A. de M; MORAES, P. H. de; MATSUBARA, E. T.; PAIVA, D. M. B.; GOMES, M. de N. B.; OLIVEIRA, L. O. F. de; MEDEIROS, S. R. de; CAGNIN, M. I. |
|
Afiliação: |
FABRICIO DE LIMA WEBER, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; VANESSA APARECIDA DE MORAES WEBER, UNIVERSIDADE ESTADUAL DE MATO GROSSO DO SUL; PEDRO HENRIQUE DE MORAES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; EDSON TAKASHI MATSUBARA, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; DÉBORA MARIA BARROSO PAIVA, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; MARINA DE NADAI BONIN GOMES, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; LUIZ ORCIRIO FIALHO DE OLIVEIRA, CNPGC; SERGIO RAPOSO DE MEDEIROS, CPPSE; MARIA ISTELA CAGNIN, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL. |
|
Título: |
Counting cattle in UAV images using convolutional neural network. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Remote Sensing Applications: Society and Environment, v. 29, article 100900, 2023. |
|
ISSN: |
2352-9385 |
|
DOI: |
https://doi.org/10.1016/j.rsase.2022.100900 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Determining the number of cattle in countries with the most extensive livestock and large pastures is difficult requires a lot of time of the farm workforce and is stressful to the animals. Counting cattle in an agile way using tools that can automatically perform this task would be very useful for herd conferences and farm management. The proposed solution is to count cattle through images acquired by Unmanned Aerial Vehicles (UAVs). This allows faster acquisition of the number of cattle in a given area so management tasks can be more accurately done and, allowing better interventions towards technical improvements. Thus, models of architectures from Convolutional Neural Networks (CNN) to YOLOv4 and YOLOv5 models (X, L, M, and S) were used for comparison. In order to evaluate the efficiencies of these solutions for the bovine counting, 878 images were acquired through flights of 20, 40, 80, and 100 m high. YOLOv4 obtained a precision of 0.90, and the YOLOv5 architectures (X, L, M, and S) were 0.98, 0.96, 0.93, and 0.96, respectively. In conclusion, the use of CNN to identify and count cattle from UAV images is a viable solution. |
|
Thesagro: |
Gado Nelore; Sanidade Animal; Sensoriamento Remoto. |
|
Thesaurus NAL: |
Animal welfare; Cattle; Livestock; Neural networks; Remote sensing. |
|
Categoria do assunto: |
--
L Ciência Animal e Produtos de Origem Animal |
|
Marc: |
LEADER 02144naa a2200337 a 4500
001 2151218
005 2023-01-26
008 2023 bl uuuu u00u1 u #d
022 $a2352-9385
024 7 $ahttps://doi.org/10.1016/j.rsase.2022.100900$2DOI
100 1 $aWEBER, F. de L.
245 $aCounting cattle in UAV images using convolutional neural network.$h[electronic resource]
260 $c2023
520 $aDetermining the number of cattle in countries with the most extensive livestock and large pastures is difficult requires a lot of time of the farm workforce and is stressful to the animals. Counting cattle in an agile way using tools that can automatically perform this task would be very useful for herd conferences and farm management. The proposed solution is to count cattle through images acquired by Unmanned Aerial Vehicles (UAVs). This allows faster acquisition of the number of cattle in a given area so management tasks can be more accurately done and, allowing better interventions towards technical improvements. Thus, models of architectures from Convolutional Neural Networks (CNN) to YOLOv4 and YOLOv5 models (X, L, M, and S) were used for comparison. In order to evaluate the efficiencies of these solutions for the bovine counting, 878 images were acquired through flights of 20, 40, 80, and 100 m high. YOLOv4 obtained a precision of 0.90, and the YOLOv5 architectures (X, L, M, and S) were 0.98, 0.96, 0.93, and 0.96, respectively. In conclusion, the use of CNN to identify and count cattle from UAV images is a viable solution.
650 $aAnimal welfare
650 $aCattle
650 $aLivestock
650 $aNeural networks
650 $aRemote sensing
650 $aGado Nelore
650 $aSanidade Animal
650 $aSensoriamento Remoto
700 1 $aWEBER, V. A. de M
700 1 $aMORAES, P. H. de
700 1 $aMATSUBARA, E. T.
700 1 $aPAIVA, D. M. B.
700 1 $aGOMES, M. de N. B.
700 1 $aOLIVEIRA, L. O. F. de
700 1 $aMEDEIROS, S. R. de
700 1 $aCAGNIN, M. I.
773 $tRemote Sensing Applications: Society and Environment$gv. 29, article 100900, 2023.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Gado de Corte (CNPGC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
