Previsão de medida de peso bovino utilizando arquitetura resnet50.

Abstract

No Brasil, o mercado da pecuária é uma das principais atividades econômicas do país, enfrentando um enorme desafio devido ao aumento populacional o que levou a um crescimento na demanda por alimentos. Nesse contexto, a indústria da pecuária está sempre em busca de inovações, otimização dos processos e melhoria nas operações de forma ágil, produtiva e lucrativa, sem comprometer a qualidade do produto. Normalmente, os produtores têm que transportar os animais até outro local para realizar a pesagem em balança tendo o contato direto com o animal, essa etapa gera desconforto e estresse ao animal, afetando o bem-estar e consequentemente a qualidade da carne. Um grande fator que contribui para a perca de peso, é o estresse animal devido ao manejo direto gerando perca de peso afetando na qualidade da carne e no lucro do produto. Com os avanços da computação e da inteligência artificial, surge a possibilidade de aplicar novos métodos de aprendizado de máquina para reduzirem o manejo direto, garantindo o bem-estar animal e aumentando a produção. O principal propósito deste estudo é desenvolver um modelo de redes neurais profundas, juntamente com um algoritmo em Python, utilizando a arquitetura Resnet50, para fazer uma previsão precisa do peso do gado, utilizando imagens e técnicas de aprendizado de máquina. Essa estratégia visa eliminar o contato direto com o animal durante a pesagem, contribuindo em pesquisas futuras nessa área.

In Brazil, the livestock market is one of the country's main economic activities, facing a huge challenge due to the increase in population, which has led to an increase in the demand for food. In this context, the livestock industry is always looking to innovate, optimize processes and improve operations in an agile, productive and profitable way, without compromising product quality. Normally, producers have to transport the animals to another location to weigh them on scales and have direct contact with the animal. This step generates discomfort and stress for the animal, affecting its well-being and consequently the quality of the meat. A major factor contributing to weight loss is animal stress due to direct handling, which leads to weight loss, affecting meat quality and product profit. With advances in computing and artificial intelligence, there is the possibility of applying new machine learning methods to reduce direct handling, guaranteeing animal welfare and increasing production. The main purpose of this study is to develop a deep neural network model, together with an algorithm in Python, using the Resnet50 architecture, to make an accurate prediction of cattle weight, using images and machine learning techniques. This strategy aims to eliminate direct contact with the animal during weighing, contributing to future research in this area.