UNIVERSIDADE FEDERAL DE GOIÁS

Sistema Integrado de Gestão de Atividades Acadêmicas

Emitido em 14/02/2024 14:33

Projeto de Pesquisa
Dados do Projeto Pesquisa
Código: PI07519-2024
Titulo do Projeto: Inteligência Artificial na Identificação de Marcas em Bovinos
Tipo do Projeto: COM Financiamento (Projeto Novo)
Categoria do Projeto: Pesquisa Cientifica
Situação do Projeto: EM ANDAMENTO
Unidade de lotação: INSTITUTO DE INFORMÁTICA (11.30)
Unidade(s) do projeto:
INSTITUTO DE INFORMÁTICA (11.30)
Palavra-Chave: inteligência artificial; visão computacional; indentificação marcações; bovinos
E-mail: aldo.diaz@ufg.br
Período do Projeto: 01/02/2024 a 31/10/2025
Áreas de Conhecimento, Grupo e Linha de Pesquisa
Áreas de Conhecimento:
Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação - Sistemas de Informação (Área de Avaliação)
Possui Cooperação Internacional: Não
Resumo
A inspeção visual de marcações em gado bovino, embora seja uma tarefa fatível de ser automatizada para benefício operacional e financeiro do
produtor pecuário, continua sendo realizada de forma manual e visual. Tal atividade requer da atenção detalhada do operário, que a partir da
análise poderá identificar a marcação de um determinado indivíduo dentro de uma população de animais. Além disso, o diagnóstico é influenciado
pelo conhecimento e experiência prévia do operário e pode não ser validado por outros operários. Assim, a utilização de modelos de
aprendizagem profunda pode contribuir com a detecção padrões em imagens de marcações em bovinos e apresentar visualmente os possíveis
símbolos (textuais e não-textuais) detectados ao especialista. Neste sentido, esse projeto propõe o desenvolvimento e a implementação de
modelos de aprendizado profundo em imagens de marcações em bovinos visando detectar os padrões textuais e não-textuais presentes nas
imagens coletadas e, dessa forma, auxiliar a tomada de decisão do especialista.

Introdução/Justificativa
(incluindo os benefícios esperados no processo ensino-aprendizagem e o retorno para os cursos e para os professores da UFG em geral)
O uso da inteligência artificial para solucionar tarefas fatíveis de serem automatizadas vem ganhando espaços aceleradamente nas mais diversas
aplicações na sociedade e na indústria. Dentro da área pecuária, atividades que antes antigamente eram feitas manualmente, tais como,
pesagem de animais, monitoramento de manadas de animais e rastreabilidade de indivíduos dentre um coletivo, hoje constituem um corpo de
desafios com muita oportunidade de melhora no desempenho utilizando métodos automáticos assistidos por algoritmos de inteligência artificial.
Especificamente, técnicas como o reconhecimento de padrões em imagens adquiridas dentre uma população animal podem ser utilizadas para
detectar uma diversidade de parâmetros, tais como tipo de espécime, contexto do animal dentro de uma cena complexa, estado de saúde, e
identificação do proprietário.
Nesta proposta de projeto, o objetivo é detectar marcas distintivas presentes em imagens de bovinos para favorecer a rastreabilidade da
propriedade dos indivíduos, utilizando o reconhecimento automatizado das marcas por métodos de inteligência artificial e visão computacional.
Atualmente, a identificação de propriedade de bovinos ocorre por meio de descrições textuais da marcação presente nos animais. A falta de uma
natureza mais objetiva e padronizada no processo de descrição da marca, torna a identificação suscetível a erros, especialmente em marcas não-
textuais que dependem da interpretação do usuário.
Dentre as possíveis problemáticas relacionadas com a detecção manual das marcas podem se mencionar [1]:
Subjetividade: A identificação depende da interpretação subjetiva do operador sobre a marcação.
Perdas financeiras: Identificações incorretas podem impedir a recuperação de propriedade do produtor, causando prejuízos.
Morosidade: Um sistema com baixa confiabilidade retarda o processo de investigação, reduzindo a eficiência no uso de recursos.
Os recentes avanços no campo da Visão Computacional têm permitido a criação de sistemas altamente eficientes para classificação de imagens
[1, 2, 3]. A partir de uma base de dados, modelos de aprendizado de máquinas são treinados para estabelecer e reconhecer padrões visuais
complexos. Por meio destes modelos pode-se trabalhar a automatização do processo de identificação de gado bovino através de imagens das
marcações.
Neste contexto, este projeto de pesquisa e inovação visa o desenvolvimento de um sistema de visão artificial (SVA) que, a partir de uma imagem,
irá retornar as marcas mais semelhantes à entrada e o operador realizará a identificação de forma totalmente visual. Dentre as principais
vantagens da presente proposta temos:
Automatização: O reconhecimento de marcações será de forma automática, acelerando o trabalho dos operadores.
Escalabilidade: A expansão do negócio não exigirá o treino de novos operadores, minimizando o custo de introdução a novos mercados.
Confiabilidade: Capaz de atingir consistência e exatidão superior à humana, reduzindo erros e perdas para os produtores.
As empresas associadas atuam em soluções técnicas na produção pecuária. As empresas possuem em seu portfólio de produtos todos os
componentes necessários para a realização da captura e armazenamento de imagens e vídeos de marcações em bovinos. Assim sendo, neste
projeto, espera-se a exploração de técnicas de visão computacional, reconhecimento de padrões e aprendizagem profunda para o
reconhecimento das marcações.
No contexto desta proposta, as empresas de forma associada almejam a disponibilidade de detecções acuradas para a validação das marcações
a partir dos dados gerados. Considera-se este projeto alinhado à missão do Centro de Excelência em Inteligência Artificial (CEIA/UFG), ao
contemplar o desenvolvimento de uma solução inovadora de Aprendizado de Máquina para o setor pecuário, cuja tecnologia esta que será
transferida para a empresa ao fim do projeto.
Objetivos
O objetivo do projeto é o desenvolvimento de modelos de aprendizado de máquina que auxiliem o operário na identificação automatizada de
marcações em bovinos, a partir de imagens digitais.
Metodologia
A equipe de projeto conta com a participação de alunos de graduação, mestrado, doutorado, pesquisadores externos, professores da
Universidade Federal de Goiás e de outras instituições, remunerados por meio de bolsas de estudos de pesquisa.
Para a gestão do projeto será utilizada a metodologia Scrum que é utilizada de forma padronizada no Centro de Excelência em Inteligência
Artificial para executar projetos complexos na forma de sprints, isto é, períodos pré-determinados para estudo e experimentação, com as
empresas e pesquisadores envolvidos. Para isso o CEIA possui uma conta corporativa da ferramenta GitScrum para gestão e acompanhamento
da execução dos projetos. A gestão das implementações e controles de versionamento será feita por meio da ferramenta Github, também com
conta corporativa.
A UE CEIA/UFG também operacionaliza o acompanhamento do projeto por meio de macroentregas, que são marcos formais de
acompanhamento do cronograma para possível validação, replanejamento ou repactuação dos resultados esperados.
Por fim, o desenvolvimento técnico do projeto será realizado por meio do treinamento de modelos de aprendizado profundo e algoritmos de
reconhecimento de padrões para detectar anomalias em imagens de marcações em bovinos. Serão avaliados algoritmos para detecção de
objetos e segmentação semântica do estado da arte, que posteriormente serão utilizados na análise das imagens de marcações na população
estudada. Será analisado, também, o desenvolvimento de novos modelos, a partir dos modelos trabalhados de forma a melhorar o desempenho
final do sistema computacional. A geração de novos dados de imagens de marcações também poderá ser verificada por meio das redes GAN.
Resultados Esperados
Os resultados esperados são:
● Anotação dos dados fornecidos pela empresa;
● Geração de banco de dados de imagens de marcações em bovinos;
● Modelo computacional de detecção de marcações em imagens de bovinos;
● Avaliação de diferentes cenários de análise de dados;
● Troca de experiência entre pesquisadores da UE CEIA/UFG e da empresa.
Espera-se que o projeto contribua significativamente para as pesquisas de mestrado e doutorado, com particular esforço para ampliação dos
projetos com alunos da graduação em pesquisas de iniciação científica e/ou tecnológica. Ademais, o projeto visa oferecer aos alunos
participantes a oportunidade de contato profissional em campos de atuação diretamente relacionados aos seus estudos.
Referências
[1] C. Silva, D. Welfer, F. P. Gioda and C. Dornelles, "Cattle Brand Recognition using Convolutional Neural Network and Support Vector
Machines," in IEEE Latin America Transactions, vol. 15, no. 2, pp. 310-316, Feb. 2017, https://doi:10.1109/TLA.2017.7854627.
[2] Silva, C., Welfer, D., Weber, J. (2018). Deep Learning Techniques Applied to the Cattle Brand Recognition. In: Mendoza, M., Velastín, S. (eds)
Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications. CIARP 2017. Lecture Notes in Computer Science(), vol
10657. Springer, Cham. https://doi.org/10.1007/978-3-319-75193-1_76.
[3] Silva, C., Welfer, D., & Dornelles, C. (2018). The Pattern Recognition in Cattle Brand using Bag of Visual Words and Support Vector Machines
Multi-Class. Inteligencia Artificial, 21(61), 113. https://doi.org/10.4114/intartif.vol21iss61pp1-13.
[4] C. Silva, D. Welfer, F. P. Gioda and C. Dornelles, "Cattle Brand Recognition using Convolutional Neural Network and Support Vector
Machines," in IEEE Latin America Transactions, vol. 15, no. 2, pp. 310-316, Feb. 2017, https://doi.org/10.1109/TLA.2017.7854627.
[5] Silva, C., Welfer, D. and Dornelles, C. 2018. The Pattern Recognition in Cattle Brand using Bag of Visual Words and Support Vector Machines
Multi-Class. Inteligencia Artificial. 21, 61 (Mar. 2018), 113. https://doi.org/10.4114/intartif.vol21iss61pp1-13.
[6] POGORELOV, K.; Randel, K.R.; Griwodz, C.; Eskeland, S.L.; de Lange, T.; Johansen, D.; Spampinato, C.; Dang-Nguyen, D.T.; Lux, M.;
Schmidt, P.T.; et al. KVASIR: A Multi-Class Image Dataset for Computer Aided Gastrointestinal Disease Detection. In Proceedings of the 8th ACM
on Multimedia Systems Conference; ACM: New York, NY, USA, 2017; pp. 164169.
[7] SILVA, J.; Histace, A.; Romain, O.; Dray, X.; Granado, B. Toward embedded detection of polyps in wce images for early diagnosis of colorectal
cancer. Int. J. Comput. Assist. Radiol. Surg. 2014, 9, 283293.
[8] VÁSQUEZ, D.; Bernal, J.; Sánchez, F.J.; Fernández-Esparrach, G.; López, A.M.; Romero, A.; Drozdzal, M.; Courville, A. A benchmark for
endoluminal scene segmentation of colonoscopy images. J. Healthc. Eng. 2017, 2017, 4037190.
[9] LI, D.; Dharmawan, D.A.; Ng, B.P.; Rahardja, S. Residual u-net for retinal vessel segmentation. In Proceedings of the 2019 IEEE International
Conference on Image Processing (ICIP), Taipei, Taiwan, 2225 September 2019; pp. 14251429.
[10] ZHOU, Z.; Siddiquee, M.M.R.; Tajbakhsh, N.; Liang, J. Unet++: Redesigning skip connections to exploit multiscale features in image
segmentation. IEEE Trans. Med. Imaging 2019, 39, 18561867.
[11] XIAO, X.; Lian, S.; Luo, Z.; Li, S. Weighted res-unet for high-quality retina vessel segmentation. In Proceedings of the 2018 9th International
Conference on Information Technology in Medicine and Education (ITME), Hangzhou, China, 1921 October 2018; pp. 327331.
[12] SKANDARANI, Youssef; JODOIN, Pierre-Marc; LALANDE, Alain. Gans for medical image synthesis: An empirical study. Journal of Imaging,
v. 9, n. 3, p. 69, 2023.
[13] BERMUDEZ, C., Plassard, A.J., Davis, L.T., Newton, A.T., Resnick, S.M., Landman, B.A., 2018. Learning implicit brain mri manifolds with
deep learning, in: Medical Imaging 2018: Image Processing, International Society for Optics and Photonics. p. 105741L
Financiamentos
Entidade Financiadora Natureza do Valor Data Inicio Data Fim
Financiamento Financiado
Fundação de Amparo à Pesquisa do Estado de Goiás - Auxilio Financeiro R$ 1.349.486,79
FAPEG + Bolsa
Membros do Projeto
CPF Nome Categoria CH Dedicada Tipo de Participação
236.457.318-14 ALDO ANDRE DIAZ SALAZAR DOCENTE 10 Coordenador

2024
Atividades Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
INSTALACAO DO PROJETO E CONTRATACAO DE
PESSOAL
IDENTIFICACAO DAS NECESSIDADES E LIMITACOES
TECNICAS
DEFINICAO DOS DADOS RELEVANTES
VISUALIZACAO E ANOTACAO DE DADOS
ANALISE EXPLORATORIA DOS DADOS
RELATORIO COM INFORMACOES EXTRAIDAS
DEFINICAO DE CORRELACAO ENTRE AS VARIAVEIS
DE ENTRADA
DEFINICAO E IMPLEMENTACAO DE ALGORITMOS
AVALIACAO DOS RESULTADOS
INTERFACE MINIMA DE VISUALIZACAO DE
RESULTADOS
2025
Atividades Jan Fev Mar Abr Mai Jun Jul Ago Set Out
INSTALACAO DO PROJETO E CONTRATACAO DE
PESSOAL
IDENTIFICACAO DAS NECESSIDADES E LIMITACOES
TECNICAS
DEFINICAO DOS DADOS RELEVANTES
 VISUALIZACAO E ANOTACAO DE DADOS
ANALISE EXPLORATORIA DOS DADOS
RELATORIO COM INFORMACOES EXTRAIDAS
DEFINICAO DE CORRELACAO ENTRE AS VARIAVEIS
DE ENTRADA
DEFINICAO E IMPLEMENTACAO DE ALGORITMOS
AVALIACAO DOS RESULTADOS
INTERFACE MINIMA DE VISUALIZACAO DE
RESULTADOS
Histórico do Projeto
Data Situação Usuário
31/01/2024 SUBMETIDO À COORDENADORIA DE ALDO ANDRE DIAZ SALAZAR / aldo.diaz
PESQUISA
31/01/2024 SUBMETIDO À DIREÇÃO ERIKA MORAIS MARTINS COELHO / erika_coelho
02/02/2024 SUBMETIDO PRPI ELIOMAR ARAUJO DE LIMA / eliomar.lima
02/02/2024 PENDENTE PRPI JESSYCA BORGES BARBOSA MARIANO / jessycaborges
05/02/2024 SUBMETIDO PRPI ALDO ANDRE DIAZ SALAZAR / aldo.diaz
06/02/2024 EM ANDAMENTO JESSYCA BORGES BARBOSA MARIANO / jessycaborges

Relatório Emitido por: JOÃO GABRIEL FREIRE

SIGAA | CERCOMP/UFG - Copyright UFRN