dc.contributor.advisor | Welfer, Daniel | |
dc.creator | Cassanego, Samuel Rech | |
dc.date.accessioned | 2024-08-23T14:02:14Z | |
dc.date.available | 2024-08-23T14:02:14Z | |
dc.date.issued | 2024-08-20 | |
dc.date.submitted | 2024-08-20 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/32889 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Sistemas de Informação, RS, 2024. | por |
dc.description.abstract | The advancement of computing, including machine learning, has made it possible to optimize and minimize the consequences of the fish biometrics process while maintaining process efficiency and improving handling, reducing stress caused, and mitigating other symptoms that negatively impact the school and management. The aim of this work was to innovate the practice and methodology of the fish biometrics process by integrating knowledge from Artificial Intelligence, image detection, and object measurement. The project’s identification and prediction prototype was configured with the neural networks that make up YOLOv8, including the nano versions used in the initial tests and the large version, which is considered one of the most comprehensive YOLOv8 versions. The latter was used in the definitive training and adopted in the final prototype version. Additionally, a mathematical algorithm was implemented to estimate the size of the detected tilapia based on pixel size, converting measurements to provide the fish’s length in centimeters and an estimate of weight in real scales. After training, the model’s determined accuracy for masks and detection boxes was 74.5% and 81% in complex detections, and 97.4% and 97.8% in simple detections, respectively. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Biometria de peixes | por |
dc.subject | Inteligência artificial | por |
dc.subject | Detecção de imagens | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Biometry of fish | eng |
dc.subject | Artificial intelligence | eng |
dc.subject | Image detection | eng |
dc.subject | YOLOv8 | eng |
dc.subject | Machine learning | eng |
dc.title | Detecção automática não invasiva de dados biométricos para peixes através de inteligência artificial | por |
dc.title.alternative | Non-invasive automatic detection of biometric data for fish, through artificial intelligence | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Sistemas de Informação | por |
dc.description.resumo | O avanço da computação, incluindo o aprendizado de máquina, proporcionou a possibilidade de otimizar e minimizar consequências do processo de biometria de peixes, mantendo a eficiência do processo e otimizando o manuseio, diminuindo o estresse causado e outros sintomas que prejudicam o cardume e manejo. O objetivo deste trabalho foi de inovar a prática e metodologia do processo de biometria de peixes, integrando conhecimentos de Inteligência Artificial, detecção de imagens e mensuração de objetos. O protótipo de identificação e predição do projeto foi configurado com as redes neurais que compõem o YOLOv8, incluindo as versões nano, utilizadas nos testes iniciais, e a versão large, considerada uma das versões mais completas da YOLOv8. Esta última foi utilizada nos treinamentos definitivos e adotada na versão final do protótipo. Além disso, foi implementado um algoritmo matemático com o objetivo de estimar o tamanho da tilápia detectada através do tamanho em pixels, realizando uma conversão de medidas que, como resultado, fornece o comprimento do peixe em centímetros e a estimativa do peso em escalas reais. Após os treinamentos, a precisão determinada do modelo para máscaras e caixas detectoras foi de 74,5% e 81% em detecções complexas, 97,4% e 97,8% em detecções simples, respectivamente. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |