Uso de algoritmos computacionais para análise de imagens e aplicações na produção animal: técnicas de Machine Learning para classificação dos escores de marmoreio da área de olho de lombo
O presente estudo objetiva utilizar técnicas de Análises de Imagem e Visão Computacional (VC), com o intuito de solucionar problemas ligados à área de Produção Animal. Mais especificamente, investigou-se a possibilidade de automatização do escore de marmoreio via métodos de visão computacional aplic...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versão publicada |
| Data de publicação: | 2021 |
| País: | Brasil |
| Recursos: | Universidade de São Paulo (USP) |
| Repositório: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | português |
| OAI Identifier: | oai:teses.usp.br:tde-11032022-120112 |
| Acesso em linha: | https://www.teses.usp.br/teses/disponiveis/10/10135/tde-11032022-120112/ |
| Access Level: | Acceso aberto |
| Palavra-chave: | AOL Aprendizado de máquina Escore de marmoreio LBP Machine Learning Marbling score Python Python,LBP Ribeye área |
| Resumo: | O presente estudo objetiva utilizar técnicas de Análises de Imagem e Visão Computacional (VC), com o intuito de solucionar problemas ligados à área de Produção Animal. Mais especificamente, investigou-se a possibilidade de automatização do escore de marmoreio via métodos de visão computacional aplicados em imagens .JPG. Tais imagens capturaram a região da área de olho de lombo (AOL), oriundas de animais taurinos canadenses. Estas análises foram conduzidas com o objetivo de auxiliar pequenas plantas frigoríficas durante o processo de classificação do escore de marmoreio. Dessa forma, buscou-se neste estudo a comparação de diferentes algoritmos de aprendizado de máquina tendo como entrada de dados diferentes tipos de atributos extraídos de imagens da AOL. Para tal finalidade, obtivemos acesso a um banco de imagens e mensurações (N = 7.704) relacionadas à superfície do músculo Longissimus dorsi, extraídas a partir da 12a e 13a vértebras. Primeiramente, conduzimos um estudo relacionado à determinação da porcentagem de gordura na AOL, via criação de algoritmo implementado em Python (bibliotecas Numpy e OpenCV). Os resultados mostraram que o excesso de brilho em algumas imagens levou o algoritmo a inflacionar em até 54% a GIM quando carcaças do padrão A foram consideradas, e em até 800% para as classificações “Prime”. Posteriormente, apresentamos uma análise piloto como tentativa de segmentação semântica, técnica que nos permite detectar objetos contidos numa mesma imagem por meio de máscaras de cores distintas. Resultados preliminares sugerem que a segmentação semântica possa ser utilizada como potencial ferramenta durante o processo de classificação automatizada das AOL, desde que o tratamento prévio das imagens seja efetivamente aplicado, principalmente em relação ao background, rotação e luminosidade. Dois métodos de Machine Learning foram investigados com o objetivo de classificar os escores de marmoreio automaticamente (Decision Tree - DT e Random Forest - RF). Com a intenção de extrair atributos baseados nos padrões e texturas das imagens, uma proposta de modificação do método LBP (Local Binary Pattern) foi apresentada. Como resultado principal deste estudo, o subset formado pelas imagens das classes A e AAA (N = 400, extremos para o escore de marmoreio), apresentou os melhores resultados de acurácia (> 90%), para ambos os algoritmos. Aumentando-se o número de imagens para 582 amostras de cada classe, o algoritmo RF apresentou os melhores resultados (> 85%), quando comparado ao método DT (77%). Tal declínio pode estar associado com a utilização de imagens previamente classificadas erroneamente, via processo de avaliação subjetiva. Novo processo de avaliação, conduzido por seis avaliadores externos, encontra-se em fase de conclusão para repetição dos experimentos. Em conclusão, nosso trabalho obteve resultados classificatórios satisfatórios, além de apresentar uma nova metodologia para extração de atributos (LBP), anteriormente aplicado somente em áreas externas à produção animal. Métodos supervisionados requerem que a definição de labels seja conduzida com eficácia para a obtenção correta de padrões em processos classificatórios. |
|---|