Desenvolvimento de metodologias para a detecção do comportamento ingestivo de bovinos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorDanes, Marina de Arruda Camargo-
Autor(es): dc.contributorBresolin, Tiago-
Autor(es): dc.contributorSchultz, Erica Beatriz-
Autor(es): dc.contributorMazza, Pedro Henrique S.-
Autor(es): dc.contributorAlves, Gustavo Mazon Correa-
Autor(es): dc.creatorSilva, Lázaro Henrique da-
Data de aceite: dc.date.accessioned2026-02-09T12:47:35Z-
Data de disponibilização: dc.date.available2026-02-09T12:47:35Z-
Data de envio: dc.date.issued2025-09-17-
Data de envio: dc.date.issued2025-07-28-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60299-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1168383-
Descrição: dc.descriptionPrecision Livestock Farming has revolutionized animal production by integrating sensors, data science, and machine learning algorithms. However, some methodological foundations have not yet been fully explored. With this in mind, this study aimed to develop and validate methodologies for automating the detection of cattle ingestive behavior. This work used wearable sensors, including a triaxial accelerometer and gyroscope, fixed on the animals' neck and collar. Data collection took place between 2023 and 2025 across eight distinct production scenarios. Continuous visual observations were made, which were then manipulated to simulate time-interval observations. The data were organized into nine distinct databases and subsequently unified. Holdout validation and external validation were employed. Four algorithms were compared: Random Forest (RF), Light Gradient Boosting (LGB), K-Nearest Neighbors (KNN), and Artificial Neural Networks (ANN). Three hyperparameter search strategies were tested (Random Search, Bayesian Search, and Evolutionary Algorithms), as well as balancing techniques (SMOTE, ADASYN, NearMiss, and Random Undersampling). The impact of different data capture intervals (1s to 60s) and sensor attachment locations was also assessed. The performance metrics were Accuracy, Precision, Recall, and F1-Score. The predictive models performed well in classifying feeding, rumination, and idling behaviors, with RF standing out, especially in binary datasets. The generalization of the databases improved accuracy in external validation, confirming the hypothesis that algorithms trained on heterogeneous data are more robust. Although Holdout validation yielded better metrics, it overestimated the results. Balancing strategies impacted performance when considering precision, recall, and F1-Score, but not accuracy. Regarding sensor placement, neck-mounted sensors outperformed collar-mounted ones, particularly in detecting feeding behavior. Larger intervals between data captures (up to 60s) maintained good performance, indicating practical feasibility. Two-minute interval-based visual observations proved effective, saving observer effort without compromising accuracy. The combined use of these methodologies allows for progress in creating solutions applicable to the field reality of livestock 4.0. It is concluded that the integration of sensors, optimized algorithms, and heterogeneous datasets offers high potential for the automated monitoring of cattle ingestive behavior.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES-
Descrição: dc.descriptionA Zootecnia de Precisão tem revolucionado a produção animal ao integrar sensores, ciência de dados e algoritmos de aprendizado de máquina. Contudo, algumas bases metodológicas ainda não foram completamente exploradas. Pensando nisso, este estudo buscou desenvolver e validar metodologias para automatizar a detecção do comportamento ingestivo de bovinos. O presente trabalho utilizou sensores vestíveis do tipo acelerômetro e giroscópio triaxial fixados na nuca e colar dos animais. As coletas de dados ocorreram entre 2023 e 2025, em oito cenários distintos de produção. Foram realizadas observações visuais contínuas, que depois foram manipuladas para simular observações por intervalos de tempo. Os dados foram organizados em nove bancos distintos e posteriormente unificados. Utilizou-se validação Holdout e validação externa. Quatro algoritmos foram comparados: Random Forest (RF), Light Gradient Boosting (LGB), K-Nearest Neighbors (KNN) e Redes Neurais Artificiais (ANN). Três estratégias de busca por hiperparâmetros foram testadas (Random Search, Bayesian Search e Algoritmos Evolutivos), bem como técnicas de balanceamento (SMOTE, ADASYN, NearMiss e Undersampling aleatório). Avaliou-se ainda o impacto de diferentes intervalos de coleta (1s a 60s) e locais de fixação dos sensores. As métricas de desempenho foram Acurácia, Precisão, Recall e F1-Score. Os modelos preditivos apresentaram bom desempenho na classificação dos comportamentos alimentando, ruminando e ócio, com destaque para o algoritmo RF, especialmente em bases binárias. A generalização dos bancos de dados melhorou a acurácia em validação externa, confirmando a hipótese de que algoritmos treinados com dados heterogêneos são mais robustos. A validação Holdout, embora com melhores métricas, superestimou os resultados. Estratégias de balanceamento impactaram o desempenho quando olhamos precisão, recall e F1- Score, mas não a acurácia. Quanto ao local de fixação, sensores na nuca superaram os do colar, principalmente na detecção do comportamento de alimentação. Intervalos maiores entre capturas de dados (até 60s) mantiveram boa performance, indicando uma viabilidade prática. Observações visuais por intervalos de 2 minutos mostraram-se eficazes, poupando esforço do observador sem comprometer a acurácia. O uso combinado dessas metodologias permite avançar na criação de soluções aplicáveis à realidade de campo na pecuária 4.0. Conclui-se que a integração entre sensores, algoritmos otimizados e bases heterogêneas oferece alto potencial para o monitoramento automatizado do comportamento ingestivo de bovinos.-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionEconômicos-
Descrição: dc.descriptionTecnologia e produção-
Descrição: dc.descriptionTrabalho-
Descrição: dc.descriptionODS 2: Fome zero e agricultura sustentável-
Descrição: dc.descriptionODS 3: Saúde e bem-estar-
Descrição: dc.descriptionODS 9: Indústria, inovação e infraestrutura-
Descrição: dc.descriptionODS 12: Consumo e produção responsáveis-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Zootecnia-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherFaculdade de Zootecnia e Medicina Veterinária – FZMV-
Direitos: dc.rightsAttribution 3.0 Brazil-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/3.0/br/-
Palavras-chave: dc.subjectBovinocultura-
Palavras-chave: dc.subjectCiência de Dados-
Palavras-chave: dc.subjectComportamento animal-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectSensores-
Palavras-chave: dc.subjectAnimal behavior-
Palavras-chave: dc.subjectCattle-
Palavras-chave: dc.subjectData Science-
Palavras-chave: dc.subjectSensors-
Palavras-chave: dc.subjectCIENCIAS AGRARIAS::ZOOTECNIA-
Título: dc.titleDesenvolvimento de metodologias para a detecção do comportamento ingestivo de bovinos-
Título: dc.titleDevelopment of methodologies for detecting the ingestive behavior of cattle-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.