Aprendizado profundo aplicado a Fenotipagem Automática na Piscicultura
dc.contributor.advisor | Brega, José Remo Ferreira [UNESP] | |
dc.contributor.author | Batista, Fabricio Martins [UNESP] | |
dc.contributor.institution | Universidade Estadual Paulista (Unesp) | |
dc.date.accessioned | 2024-11-11T18:29:42Z | |
dc.date.available | 2024-11-11T18:29:42Z | |
dc.date.issued | 2024-08-21 | |
dc.description.abstract | A Piscicultura vem ganhando destaque nos últimos anos quase dobrando a produção mundial em um intervalo de dez anos (FAO, 2020). Os produtos da Piscicultura configuram uma importante fonte de proteína em países costeiros ou insulares pois são o recurso natural em maior abundância nessas regiões fazendo parte do cotidiano alimentar de suas populações. Os avanços tecnológicos recentes possibilitam a evolução da prática da Piscicultura através de novas ferramentas como a Inteligência Artificial e Internet das Coisas. Entre as práticas da chamada Piscicultura de Precisão estão o monitoramento inteligente de condições do ambiente através de sensores especializados (AGOSSOU; TOSHIRO, 2021) bem como a automação de tarefas manuais inerentes ao processo produtivo deste tipo de atividade. A automação torna possível a análise de grandes volumes de dados, trazendo escalabilidade ao manejo e reduzindos os custos do processo produtivo como um todo. Entre as tarefas que se destacam, está a fenotipagem de animais cultivados em cativeiro na Piscicultura durante vários estágios do crescimento para avaliação da interação da espécie com o ambiente ou mesmo a prevalência de determinadas características após sucessivas seleções reprodutivas. A fenotipagem geralmente é realizada manualmente através de uma imagem digital tirada por um especialista. A imagem obtida é pós-processada em softwares especializados em medição utilizando um objeto de referência de tamanho conhecido na imagem. Dessa forma, o presente trabalho foi desenvolvido com a finalidade de mapear técnicas de fenotipagem automática a partir de imagens digitais e a partir do levantamento propor uma solução através de Aprendizado Profundo. A finalidade do mapeamento está em obter uma visão geral sobre uma determinada área de pesquisa, e determinar quais e quantas são as evidências relacionadas a essa área. Os resultados demonstram uma tendência no uso de técnicas de Aprendizado Profundo para a automação dessas tarefas na área da Piscicultura. Todavia, ainda há uma prevalência de algumas técnicas de Visão Computacional clássica e Processamento de Imagens como a detecção de bordas e métodos iterativos para obtenção de regiões de interesse em imagens digitais e realizar a fenotipagem a partir das informações obtidas. | pt |
dc.description.abstract | Fish farming has been gaining prominence in recent years, almost doubling world productionin a ten-year interval (FAO, 2020). Fish farming products are an important source of protein in coastal or island countries as they are the most abundant natural resource in these regions and are part of the daily food of their populations. Recent technological advances enable the evolution of fish farming practice through new tools such as Artificial Intelligence and the Internet of Things. Among the practices of the so-called Precision Fish Farming are the intelligent monitoring of environmental conditions through specialized sensors (AGOSSOU; TOSHIRO, 2021) as well as the automation of manual tasks inherent to the production process of this type of activity. Automation makes it possible to analyze large volumes of data, bringing scalability to handling, reducing costs of the production process as a whole. Among the tasks that stand out is the phenotyping of animals cultivated in captivity in Aquaculture during various stages of growth to evaluate the interaction of the species with the environment or even the prevalence of certain characteristics after successive reproductive selections. Phenotyping is usually performed manually using a digital image taken by a specialist and post-processed in specialized measurement software using an object of known size as a reference in the image. Thus, the present work was developed with the purpose automatic phenotyping techniques from digital images and based on the results obtained, propose a solution through the application of Deep Learning. The purpose of the mapping is to obtain an overview of a particular area of research, and to determine what and how much evidence is related to that area. The results demonstrate a trend in the use of Deep Learning techniques for the automation of these tasks in the fish farming area in recent years, but there is still a prevalence of some classical Computer Vision and Image Processing techniques such as edge detection and iterative methods to obtain regions of interest in digital images. | en |
dc.identifier.capes | 33004153073P2 | |
dc.identifier.citation | BATISTA, F. M. Aprendizado profundo aplicado a FenotipagemAutomática na Piscicultura. Orientador: José Remo Ferreira Brega. 2024. 97 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2024. | |
dc.identifier.uri | https://hdl.handle.net/11449/258088 | |
dc.language.iso | por | |
dc.publisher | Universidade Estadual Paulista (Unesp) | |
dc.rights.accessRights | Acesso aberto | pt |
dc.subject | Fenotipagem | pt |
dc.subject | Segmentação semântica | pt |
dc.subject | Visão computacional | pt |
dc.subject | Processamento de imagens | pt |
dc.subject | Piscicultura | pt |
dc.subject | Inteligência artificial | pt |
dc.subject | Aprendizado profundo | pt |
dc.subject | Computer vision | en |
dc.subject | Phenotyping | en |
dc.subject | Acquaculture | en |
dc.subject | Artificial intelligence | en |
dc.subject | Deep learning | en |
dc.title | Aprendizado profundo aplicado a Fenotipagem Automática na Piscicultura | pt |
dc.title.alternative | Deep learning applied to Automatic Phenotyping in Acquaculture | en |
dc.type | Dissertação de mestrado | pt |
unesp.campus | Universidade Estadual Paulista (Unesp), Faculdade de Ciências, Bauru | pt |
unesp.embargo | Online | pt |
unesp.examinationboard.type | Banca pública | pt |
unesp.graduateProgram | Ciência da Computação - FC/FCT/IBILCE/IGCE | pt |
unesp.knowledgeArea | Computação aplicada | pt |
unesp.researchArea | Inteligência computacional | pt |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- batista_fm_me_bauru.pdf
- Tamanho:
- 9.72 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 2.14 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: