https://repositorio.ufjf.br/jspui/handle/ufjf/16234
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
douglaslimafonseca.pdf | 3.65 MB | Adobe PDF | Visualizar/Abrir |
Tipo: | Dissertação |
Título: | Inteligência artificial para identificação de mastite bovina em sistemas de produção compost barn |
Autor(es): | Fonseca, Douglas Lima |
Primeiro Orientador: | Fonseca, Leonardo Goliatt da |
Membro da banca: | Arbex, Wagner Antonio |
Membro da banca: | Alcindo, Jefferson Filgueira |
Resumo: | Os inúmeros fatores que afetam a contaminação de mastite subclínica em vacas em ambientes controlados, como os Compost Barns, tornam o estudo dessa detecção um desafio complexo. Embora existam pesquisas na literatura que se concentrem na detecção de mastite subclínica por meio de aprendizado de máquina, com uma variedade de modelos e variáveis, a aplicação desse tipo de técnica para a detecção da mastite subclínica ainda é pouco explorada, especialmente em um contexto de aprendizado de máquina automatizado. Portanto, o uso de modelos de aprendizado de máquina automatizado para a detecção da mastite subclínica representa um tópico de estudo com grande potencial. Inspirado por essa lacuna, este estudo tem como objetivo aplicar técnicas avançadas de aprendizado de máquina automatizado para aprimorar a detecção precoce da mastite subclínica em bovinos leiteiros mantidos em Compost Barns, com ênfase no bem-estar animal e na identificação precoce da doença. Além disso, busca-se auxiliar os produtores a reduzir os impactos financeiros significativos causados por essa doença. O aprendizado de máquina desempenha um papel crucial na detecção da mastite, permitindo a análise eficiente de padrões sutis nos dados dos bovinos leiteiros. Essa abordagem viabiliza a identificação antecipada da doença, resultando em intervenções rápidas que preservam o bem-estar dos animais e reduzem os custos associados a tratamentos tardios. A capacidade de processar grandes volumes de informações contribui para uma pecuária mais saudável e produtiva. Para abordar essa questão, o estudo propôs a aplicação de quatro modelos de aprendizado de máquina automatizado: AutoGluon, H2O, TPOT e uma combinação dos três. Esses modelos foram testados em três conjuntos de dados distintos e demonstraram resultados promissores em todas as análises. Vale destacar a eficácia da abordagem H2O, que alcançou um desempenho de 0,80% na métrica de Área sob a Curva ROC usando apenas 12 variáveis. Por outro lado, o TPOT também revelou grande potencial devido à sua programação genética. O melhor resultado percentual, independentemente da quantidade de variáveis, foi obtido com a combinação dos três modelos, alcançando 0,81% na métrica de Área sob a Curva ROC, ao ser aplicado a um conjunto de dados composto por 24 variáveis. |
Abstract: | The numerous factors that affect subclinical mastitis contamination in cows within controlled environments, such as Compost Barns, make the study of its detection a complex challenge. While there is research in the literature that focuses on subclinical mastitis detection through machine learning using various models and variables, the application of such a technique for subclinical mastitis detection remains relatively unexplored, especially in the context of automated machine learning. Therefore, using automated machine learning models for subclinical mastitis detection is a promising research topic. Inspired by this gap, this study aims to apply advanced automated machine-learning techniques to enhance early subclinical mastitis detection in dairy cattle housed in Compost Barns, focusing on animal welfare and early disease identification. Additionally, it aims to assist producers in reducing the significant financial impacts caused by this disease. Machine learning is crucial in mastitis detection, enabling efficient analysis of subtle patterns in dairy cattle data. This approach facilitates early disease identification, resulting in prompt interventions that preserve animal welfare and reduce costs associated with late treatments. The ability to process large volumes of information contributes to a healthier and more productive livestock industry. To address this issue, the study proposed applying four automated machine learning models: AutoGluon, H2O, TPOT, and a combination. These models were tested on three distinct datasets and demonstrated promising results in all analyses. It is worth highlighting the effectiveness of the H2O approach, which achieved a performance of 0.80% in the Area under the ROC Curve metric using only 12 variables. On the other hand, TPOT also showed great potential due to its genetic programming. The best percentage result, regardless of the number of variables, was achieved with the combination of the three models, reaching 0.81% in the Area under the ROC Curve metric when applied to a dataset composed of 24 variables. |
Palavras-chave: | Aprendizagem de máquina automatizada Mastite Compost Barns Automated machine learning Mastitis |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Juiz de Fora (UFJF) |
Sigla da Instituição: | UFJF |
Departamento: | ICE – Instituto de Ciências Exatas |
Programa: | Programa de Pós-graduação em Modelagem Computacional |
Tipo de Acesso: | Acesso Aberto Attribution-ShareAlike 3.0 Brazil |
Licenças Creative Commons: | http://creativecommons.org/licenses/by-sa/3.0/br/ |
URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/16234 |
Data do documento: | 28-Set-2023 |
Aparece nas coleções: | Mestrado em Modelagem Computacional (Dissertações) |
Este item está licenciado sob uma Licença Creative Commons