Banca de QUALIFICAÇÃO: EWERTON COSTA SOUSA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: EWERTON COSTA SOUSA
DATA: 26/01/2026
HORA: 09:00
LOCAL: Plataforma Google meet
TÍTULO: UM MÉTODO DE VISÃO COMPUTACIONAL PONTA A PONTA PARA PESAGEM DE OVINOS A PARTIR DE IMAGENS
PALAVRAS-CHAVES: Imagem de Profundidade, Ovinos, Pecuária de Precisão, Predição de Peso, Redes Neurais Convolucionais, Visão Computacional
PÁGINAS: 65
GRANDE ÁREA: Ciências Agrárias
ÁREA: Zootecnia
SUBÁREA: Genética e Melhoramento dos Animais Domésticos
RESUMO:

A pesagem de animais usando balanças tradicionais é um processo que requer muito esforço e tempo das pessoas envolvidas e expõe os animais e os humanos a situações de estresse e risco à saúde. Visando superar esses desafios, métodos de visão computacional (VC) vem sendo explorados ao longo dos anos com o objetivo de estimar o peso de forma indireta e não invasiva por meio do uso de modelos de regressão nos quais as variáveis preditoras correspondem a atributos extraídos, preferencialmente de forma automática, de imagens. Entretanto, os métodos para estimação do peso de ovinos baseados em VC encontrados na literatura, de forma geral, ainda apresentam baixa acurácia de predição e/ou baixa capacidade de generalização, principalmente por fazerem a segmentação do animal e a extração dos atributos para predição por meio de técnicas tradicionais de Processamento Digital de Imagens (PDI) combinadas com imagens RGB. Nesta tese, propõe-se e avalia-se a acurácia, capacidade de generalização e eficiência computacional de um método para estimação do peso de ovinos que se baseia no modelo de Rede Neural Convolucional (ConvNet) Efficient-Net-B3 e em imagens de profundidade (depth) capturadas em perspectiva dorsal (top-down). O método proposto opera em um estilo ponta a ponta que dispensa a implementação de etapas explícitas de segmentação e extração de atributos. A acurácia e a generalização do método foram avaliadas por meio de uma combinação de análises quantitativas e qualitativas, garantindo a confiabilidade dos resultados. Na análise quantitativa, a avaliação foi realizada por meio das métricas coeficiente de determinação (R²), erro absoluto médio (MAE) e erro percentual absoluto médio (MAPE), utilizando diferentes configurações de conjuntos de treinamento/teste. Na análise qualitativa, mapas de saliência foram gerados para auxiliar na análise da precisão com que o modelo treinado localiza o animal nas imagens e aprende as características relevantes para estimar o peso. O método proposto demonstrou ser uma ferramenta simples, eficiente e não requer contato que alcançou acurácia e capacidade de generalização promissoras (R² de 0,96, MAE de 1,66 kg e MAPE de 6,48%), contribuindo para o avanço dos métodos tecnológicos para o mercado de pequenos ruminantes. A análise rigorosa da generalização do modelo resultou em informações valiosas sobre as condições que afetam o desempenho da predição, as quais poderiam não ter sido detectadas se o estudo tivesse se baseado em um único conjunto de treinamento/teste. Além disso, a análise qualitativa ajudou a interpretar o funcionamento dos modelos, um desafio comum em métodos baseados em modelos de ConvNet, e contribui para garantir a avaliação da generalização do modelo.

MEMBROS DA BANCA:
Presidente - 1550485 - JOSE LINDENBERG ROCHA SARMENTO
Interno - 2993761 - NATANAEL PEREIRA DA SILVA SANTOS
Externo à Instituição - 034.***.***-48 - TIAGO GONÇALVES PEREIRA ARAÚJO - UFCG