VISÃO COMPUTACIONAL E MONITORAMENTO DO COMPORTAMENTO DE SUÍNOS

Marta dos Santos Baracho; Yamilia Barrios Tolon

doi:10.52138/citec.v17i01.409

Autores/as

Marta dos Santos Baracho ETEC https://orcid.org/0000-0003-0276-121X
Yamilia Barrios Tolon fatec mococa

DOI:

https://doi.org/10.52138/citec.v17i01.409

Palabras clave:

bem-estar animal, imagens, suinocultura

Resumen

O Brasil é o quarto maior produtor e exportador de carne suína do mundo. O avanço das tecnologias, principalmente com o uso da visão computacional para identificar o animal, marca consideravelmente a análise do comportamento animal. Determinados comportamentos podem indicar problemas de saúde e bem-estar animal. A visão computacional tem como finalidade reproduzir a capacidade humana de ver, analisar e compreender imagens. As imagens podem ser capturadas por câmeras e analisadas e processadas por programas computacionais. O objetivo desta revisão de literatura foi contextualizar a visão computacional e apresentar o seu uso na suinocultura.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

ASSOCIAÇÃO BRASILEIRA DE PROTEÍNA ANIMAL (ABPA) Relatório anual 2023. 2023. Disponível em: https://abpa-br.org/wp-content/uploads/2023/04/Relatorio-Anual-2023.pdf. Acesso em: 12 out. 2024.

ALAMEER, A. et al. Automatic recognition of feeding and foraging behaviour in pigs using deep learning, Biosystems Engineering, 197, p. 91-104, 2020. ISSN 1537-5110, Disponível em: https://doi.org/10.1016/j.biosystemseng.2020.06.013. Acesso em: 12 out. 2024.

BACKES André Ricardo; JUNIOR SÁ, Jarbas Joaci de Mesquita. Introdução à visão computacional usando MATLAB. Rio de Janeiro: Alta books editora, 2016. ISBN 8550800236

BALLARD, Dana Harr; BROWN, Christopher. Computer vision, 1982. Prenice-Hall, Englewood Cliffs, NJ, 1982. Disponível em: https://archive.org/details/computervision0000ball. Acesso em: 12 out. 2024.

BARACHO, M.; TOLON, Y. Análise de imagens para avaliação do bem-estar animal. Agrarian Academy, 9, 17. 2022. Disponível em: https://conhecer.org.br/ojs/index.php/agrarian/article/view/5492. Acesso em: 12 out. 2024.

BHOJ, S. et al. Image processing strategies for pig liveweight measurement: Updates and challenges. Computers and Electronics in Agriculture, 193, 2022. 106693, ISSN 0168-1699, https://doi.org/10.1016/j.compag. 2022.106693. Acesso em: 12 out. 2024.

COELHO, Felipe de Moura. Inteligência Artificial aplicada ao agronegócio: uma revisão acerca dos resultados obtidos após sua implementação. Sorocaba, 2024. 37 p. Trabalho de conclusão de curso (Bacharelado - Engenharia Ambiental) - Universidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia, Sorocaba. Orientador: Antonio Cesar Germano Martins

CHEN, C. et al. Recognition of aggressive episodes of pigs based on convolutional neural network and long short-term memory, Computers and Electronics in Agriculture, 169, p. 105-166, 2020. ISSN 0168-1699 Disponível em: https://doi.org/10.1016/j.compag.2019.105166. Acesso em: 12 out. 2024.

CHUANG M.A, C., DENG, M., YIN, Y. Pig face recognition based on improved YOLO light weight neural network, Information Processing in Agriculture. 11, Issue 3, p. 356-371, 2024. ISSN 2214-3173, Disponível em: https://doi.org/10.1016/j.inpa.2023.03.004. Acesso em: 12 out. 2024.

DOMINIAK, K.D. et al. Spatial modeling of pigs’ drinking patterns as an alarm reducing method I. Developing a multivariate dynamic linear model, Computers and Electronics in Agriculture, 161, p. 79-91, 2019. ISSN 0168-1699, Disponível em: https://doi.org/10.1016/j.compag.2018.06.032. Acesso em: 12 out. 2024.

DONG, Y. et al. Robust Piglet Nursing Behavior Monitoring through Multi-Modal Fusion of Computer Vision and Ambient Floor Vibration. Available at SSRN 4987438. 2024. Disponível em: https://ssrn.com/abstract=4987438. Acesso em: 12 out. 2024.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA(EMBRAPA). 2024. Carne suína - Portal Embrapa. Disponível em: https://www.embrapa.br/qualidade-da-carne/carne-suina. Acesso em: 12 out. 2024.

FERNANDES, A.F.A.; DÓREA, J. R. R.; ROSA, G. J. D. M. Image analysis and computer vision applications in animal sciences: an overview. Frontiers in Veterinary Science, 7, e551269, out. 2020. doi: 10.3389/fvets.2020.551269. Disponível em: https://www.frontiersin.org/articles/10.3389/fvets.2020.551269/full. Acesso em: 12 out. 2024.

FRAGOSO, Katherine Sharlene Barbosa; BUSS, Lizie Pereira. Bem-estar animal e sistemas de produção de suínos Tradução livre da Sessão 7, Capítulo 7.13 do Código Sanitário para Animais Terrestres – OIE 2018. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/producao-animal/arquivos/Captulo7.13emPortugus2020.pdf. Acesso em: 12 out. 2024.

FÖRSTNER, W.; WROBEL, B. P. Photogrammetric computer vision. Springer, 2016.

HANSNEN, F. M. et al. Towards on-farm pig face recognition using convolutional neural networks, Computers in Industry. 98, p. 145-152, ISSN 0166-3615, Disponível em: https://doi.org/10.1016/j.compind.2018.02.016. Acesso em: 12 out. 2024.

HOLM, E. A. et al. Overview: Computer Vision and Machine Learning for Microstructural Characterization and Analysis. Metallurgical and Materials Transactions A, 2020. Disponível em: doi: 10.1007/ s11661-020-06008-4. Acesso em: 12 out. 2024.

HOSSAIN, M.E. et al. A systematic review of machine learning techniques for cattle identification: datasets, methods, and future directions. Artificial Intelligence in Agriculture, Beijin, 6, p. 138–155, 2022. Disponível em: https://doi.org/10.1016/j.aiia.2022.09.002. Acesso em: 12 out. 2024.

JORGE, L. A. C.; INAMASU R. Y. Uso de veículos não tripulados (VANT) em agricultura de precisão, Agricultura de precisão: resultados de um novo olhar, pp 109-134. 2014. Disponível em: https://www.alice.cnptia.embrapa.br/alice/bitstream/doc/1003485/1/CAP8.pdf. Acesso em: 12 out. 2024.

KAUR, A. et al. Cattle identification with muzzle pattern using computer vision technology: a critical review and prospective. Soft Computing, New York, 26, n.10, p. 4771–4795, 2022. Disponível em: https://link.springer.com/article/10.1007/s00500-022-06935-x. Acesso em: 12 out. 2024.

KNAUER, M.T.; BAITINGER, D.J. The sow body condition caliper. Applied Engineering in Agriculture. 31: 175–178. 2015. Disponível em: doi: 10.13031/aea.31.10632. Acesso em: 12 out. 2024.

KHAN, S. et al. A guide to convolutional neural networks for computer vision. Synthesis Lectures on Computer Vision, Morgan & Claypool Publishers, 8, n. 1, p. 1–207, 2018. Disponível em: https://link.springer.com/book/10.1007/978-3-031-01821-3. Acesso em: 12 out. 2024.

KIM, S.H. et al. Animal situation tracking service using RFID, GPS, and sensors. In Proceedings of the 2010 IEEE Second International Conference on Computer and Network Technology (ICCNT), Bangkok, Thailand, 23–25 April 2010; pp. 153–156. Disponível em: https://doi.org/10.3390/s17122757. Acesso em: 12 out. 2024.

KIM, J. et al. Depth-Based Detection of Standing-Pigs in Moving Noise Environments. Sensors. 17, 2757. 2017. Disponível em: https://doi.org/10.3390/s17122757

LI, J. et al. Promote computer vision applications in pig farming scenarios: high-quality dataset, fundamental models, and comparable performance1, Journal of Integrative Agriculture, 2024, ISSN 2095-3119, Disponível em: https://doi.org/10.1016/j.jia.2024.08.014. Acesso em: 12 out. 2024.

MAHMUD, M.S. et al. A systematic literature review on deep learning applications for precision cattle farming. Computers and Electronics in Agriculture, Oxford, 187, 106313, Aug. 2021.Disponível em: https://doi.org/10.1016/j.compag.2021.106313. Acesso em: 12 out. 2024.

MARSOT., M. et al. An adaptive pig face recognition approach using Convolutional Neural Networks. 2020. Computers and Electronics in Agriculture,173, (2):105386 Disponível em: doi:10.1016/j.compag.2020.105386. Acesso em: 12 out. 2024.

MATTINA, M. et al. An efficient center-based method for real-time pig posture recognition and tracking. Applied Intelligence, 54, 5183–5196. 2024. Disponível em: https://doi.org/10.1007/s10489-024-05439-5. Acesso em: 12 out. 2024.

MILANO, D.; HONORATO, L. B. Visão Computacional. 2010. Artigo – Universidade Estadual de Campinas. Limeira, São Paulo, 2010. Disponível em: https://docplayer.com.br/3058305-Visao-computacional-danilo-de-milano-luciano-barrozohonorato-unicamp-universidade-estadual-de-campinas-ft-faculdade-de-tecnologia.html. Acesso em: 12 out. 2024.

NASIRAHMADI, A. et al. Automatic detection of mounting behaviours among pigs using image analysis. Computers and Electronics in Agriculture, 124, p.295–302, 2016. Disponível em: https://doi.org/10.1016/j.compag.2016.04.022. Acesso em: 12 out. 2024.

NASIRAHMADI, A. et al. A new approach for categorizing pig lying behaviour based on a Delaunay triangulation method. Animal, 11, p.131–139, 2017. Disponível em: https://doi.org/10.1017/S1751731116001208. Acesso em: 12 out. 2024.

NASIRAHMADI, A. et al. Using machine vision for investigation of changes in pig group lying patterns. Computers and Electronics in Agriculture, 119, p.184–190, 2015. Disponível em: https://doi.org/10.1016/j.compag.2015.10.023. Acesso em: 12 out. 2024.

NEVES, Hugo Vieira. Avanços em Visão Computacional / editores: Luiz Antônio Pereira Neves, Hugo Vieira Neto, Adilson Gonzaga. Curitiba, PR: Omnipax, 2012 406 p. ISBN: 978-85-64619-09-8. Acesso em: 12 out. 2024.

ORGANIZAÇÃO MUNDIAL DE SAÚDE ANIMAL (OIE) - World Organisation for Animal Health. Chapter 7.1: Introduction to the recommendations for animal welfare. In: Terrestrial Animal Health Code, volume 1, 2023. Disponível em: https://www.woah.org/en/what-we-do/standards/codes-andmanuals/terrestrial-code-onlineaccess/?id=169&L=1&htmfile=chapitre_aw_introduction.htm. Acesso em: 16 Ago. 2023

PANDORFI, H. et al. Suinocultura de precisão: Visão computacional e tecnologias digitais. Revista Científica de Produção Animal, 22, n.2, p.73-79, 2020. Disponível em: doi: http://dx.doi.org/10.5935/2176-4158/rcpa.v22n2p55-59. Acesso em: 12 out. 2024.

PEZZUOLO, A. et al. On-barn pig weight estimation based on body measurements by a Kinect v1 depth camera, Computers and Electronics in Agriculture. 2018. 148,

p. 29-36. 2018. ISSN 0168-1699, Disponível em: https://doi.org/10.1016/j.compag.2018.03.003. Acesso em: 12 out. 2024.

PITTMAN J.S. Sow Prolapse Syndrome; Proceedings of the ISU—James D. McKean Swine Disease Conference; Ames, IA, USA. 3–4 November 2016; pp. 45–58.

PSOTA, E.T. et al. Multi-Pig Part Detection and Association with a Fully-Convolutional Network Sensors, 19, 4, p.852, 2019.Disponível em: https://doi.org/10.3390/s19040852. Acesso em: 12 out. 2024.

REZA, M.N. et al. Instance Segmentation and Automated Pig Posture Recognition for Smart Health Management. Journal Animal Science Technology, 2024a.

Disponível em: https://doi.org/10.5187/jast.2024.e112. Acesso em: 12 out. 2024.

REZA, M.N. et al. Thermal imaging and computer vision technologies for the enhancement of pig husbandry: a review. Journal Animal Science Technology, 66, 1, 31-56. 2024b. Disponível em: doi: 10.5187/jast. 2024.e4. Epub 2024 Jan 31. PMID: 38618025; PMCID: PMC11007457. Acesso em: 12 out. 2024.

RIBEIRO, H. M. C. et al. Aplicação do OpenCV utilizando técnicas de visão computacional e segmentação de imagens para reconhecimento de colônias bacterianas em análises microbiológicas de qualidade de água. Caderno Pedagógico, 21,6, e4235. 2024. Disponível em: https://doi.org/10.54033/cadpedv21n6-040. Acesso em: 12 out. 2024.

RIEKERT, M. et al. Model selection for 24/7 pig position and posture detection by 2D camera imaging and deep learning 2021. Computers and Electronics in Agriculture Computers and Electronics in Agriculture, 187, p.106-213 2021. Disponível em: https://doi.org/10.1016/j.compag.2021.106213. Acesso em: 12 out. 2024.

SILVA, Fausto Oliveira. Classificador de imagens termográficas usando visão computacional / Fausto Oliveira e Silva. - 2023. 86 f.; il.; 30 cm Dissertação (mestrado) - Instituto Federal do Espírito Santo, Programa de Pós-graduação em Engenharia de Controle de Automação, 2023. Disponível em: https://repositorio.ifes.edu.br/bitstream/handle/123456789/3590/Disserta%c3%a7%c3%a3o_Final_Completa_Fausto.pdf?sequence=1&isAllowed=y. Acesso em: 12 out. 2024.

STAVRAKAKIS, S. et al. Validity of the Microsoft Kinect sensor for assessment of normal walking patterns in pigs. Computers Electronics in Agriculture, 117, p.1–7. 2015. Disponível em: doi: 10.1016/j.compag.2015.07.003. https://doi.org/10.1016/j.compag.2015.07.003Get rights and content. Acesso em: 12 out. 2024.

SUN, Y. et al. Deep Learning face representation from predicting 10000 classes[C]. Processings of IEEE Conference on Computer Vision and Pattern Recognition. 1891-1898. 2014. Disponível em: https://ieeexplore.ieee.org/document/6909640. Acesso em: 12 out. 2024.

TAIWO, G.et al. Vision Transformers for Automated Detection of Pig Interactions in Groups. Available at SSRN: 2024. Disponível em: https://ssrn.com/abstract=4994652 or http://dx.doi.org/10.2139/ssrn.4994652. Acesso em: 12 out. 2024.

TEFILI, D. et al. Supervisão de hábitos alimentares em grupos de animais com visão computacional em raspberry Pi. Brazilian Journal of Development, 10, 5, e69849. 2024. Disponível em: https://doi.org/10.34117/bjdv10n5-051. Acesso em: 12 out. 2024.

TIAN, M. et al. Chengjiang Long, Yuhao Ma, Automated pig counting using deep learning, Computers and Electronics in Agriculture, 2019. 163, 2019,104840, ISSN 0168-1699, Disponível em: https://doi.org/10.1016/j.compag.2019.05.049. Acesso em: 12 out. 2024.

WANG, K. et al. A portable and automatic Xtion-based measurement system for pig body size, Computers and Electronics in Agriculture, 2018. 148, p.291-298, 2018. ISSN 0168-1699, Disponível em: https://doi.org/10.1016/j.compag.2018.03.018. Acesso em: 12 out. 2024.

WANG, Y. et al. Walkthrough weighing of pigs using machine vision and an artificial neural network, Biosystems Engineering, 100, 01, p. 117-125, 2008. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1537511008000500. Acesso em: 12 out. 2024.

WEBER, V. A. M. et al. Cattle weight estimation using active contour models andregression trees bagging. Computers and Electronics in Agriculture, Elsevier, 179, p.105804, 2020. Disponível em: https://doi.org/10.1016/j.compag.2020.105804. Acesso em: 12 out. 2024.

YANG, Q.; XIAO, D.; LIN, S. Feeding behavior recognition for group-housed pigs with the Faster R-CNN, Computers and Electronics in Agriculture, 155, p. 453-460, ISSN 0168-1699. 2018. Disponível em: https://doi.org/10.1016/j.compag.2018.11.002. Acesso em: 12 out. 2024.

YANG, Q. et al. Long-term video activity monitoring and anomaly alerting of group-housed pigs. Computers and Electronics in Agriculture, 224, p. 109-205. 2024. Disponível em: https://doi.org/10.1016/j.compag.2024.109205. Acesso em: 12 out. 2024.