Contagem de suínos utilizando visão computacional

Abstract

O estudo apresenta o desenvolvimento de um sistema baseado em inteligência artificial para a identificação e contagem automática de suínos em frigoríficos. A pesquisa foi conduzida utilizando o modelo YOLOV8 (You Only Look Once) integrado a um código em Python. A metodologia envolveu a captura de vídeos em diferentes etapas do processamento industrial, os quais foram convertidos em imagens e anotados com auxílio das ferramentas CVAT e Roboflow. A partir desse banco de dados, o modelo foi treinado com variações de iterações, configurações de rede neural e formas de anotação para otimizar a precisão e eficiência da contagem. Os experimentos demonstraram que fatores como a posição da câmera, interferências no ambiente e o método de anotação influenciam diretamente no desempenho do modelo. Após múltiplas iterações e ajustes, os melhores resultados alcançaram 89% de acurácia, 92% de precisão, 96% de recall e um F1-score de 94%, validando a viabilidade da abordagem. O estudo conclui que a aplicação de visão computacional na contagem de suínos pode otimizar processos na indústria agropecuária, sugerindo futuras melhorias como o uso de ângulos de captura alternativos, maior base de dados e integração com novas tecnologias.The study presents the development of an artificial intelligence-based system for the automatic identification and counting of pigs in slaughterhouses. The research was conducted using the YOLOV8 (You Only Look Once) model integrated with a Python code. The methodology involved capturing videos at different stages of industrial processing, which were converted into images and annotated using CVAT and Roboflow. From this database, the model was trained with variations in iterations, neural network configurations, and annotation methods to optimize counting accuracy and efficiency. The experiments demonstrated that factors such as camera position, environmental interference, and annotation method directly influence the model's performance. After multiple iterations and adjustments, the best results achieved 89% accuracy, 92% precision, 96% recall, and an F1-score of 94%, validating the viability of the approach. The study concludes that the application of computer vision in pig counting can optimize processes in the agricultural industry, suggesting future improvements such as the use of alternative capture angles, a larger database and integration with new technologies.