Utilização de técnicas de aprendizagem de máquina e processamento de imagem para estimar o peso de gado de corte

Abstract

A pecuária bovina possui grande representatividade na economia brasileira, sendo que em 2020 o Brasil atingiu o maior rebanho mundial com 218 milhões de cabeças de gado. Mesmo com esta alta representatividade, o acompanhamento do peso dos animais é feito de forma rudimentar e, em muitos casos, não é realizado devido a quantidade necessária de trabalhadores para realizar o processo. O peso dos animais é uma característica importante, pois influencia em diversos fatores como lactação, crescimento e fertilidade. Ademais, é uma medida relevante para a correta definição da dosagem de medicamentos. Por este motivo, o presente trabalho tem como objetivo a proposição de um método para a estimativa não intrusiva do peso de gado de corte a partir de imagens por meio de Aprendizado de Máquina, mas especificamente por meio de Redes Neurais. Para a avaliação do método foi utilizado um conjunto de dados de animais da raça Hereford que possui 103 imagens com seus respectivos pesos. Este conjunto de dados foi submetido a duas arquiteturas diferentes de Redes Neurais Convolucionais, uma sequencial e uma baseada na rede DenseNet. Os resultados obtidos foram relevantes, sendo que o modelo sequencial alcançou um RMSE de 57,50kg e um MAPE de 10,2% e o modelo de DenseNet um RMSE de 35,67kg e um MAPE de 6,1%. Desta forma, conclui-se que o método proposto tem potencial para estimar o peso de gado de corte contribuindo para o bem-estar dos animais e auxiliando produtores no monitoramento de rebanhos.