Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks

Computers and Electronics in Agriculture - Tập 175 - Trang 105548 - 2020
Fabricio de Lima Weber1,2, Vanessa Aparecida de Moraes Weber3,4, Geazy Vilharva Menezes2, Adair da Silva Oliveira Junior2, Daniela Arestides Alves1, Marcus Vinicius Morais de Oliveira1, Edson Takashi Matsubara2, Hemerson Pistori3,2, Urbano Gomes Pinto de Abreu1,3,5
1Programa de Pós-Graduação em Zootecnia, Universidade Estadual de Mato Grosso do Sul, Aquidauana, MS, Brazil
2Faculdade de Computação (FACOM), Universidade Federal do Mato Grosso do Sul, Campo Grande, MS, Brazil
3Departmento de Ciências Ambientais e Sustentabilidade Agropecuária, Universidade Católica Dom Bosco, Campo Grande, MS, Brazil
4Universidade Estadual de Mato Grosso do Sul, Campo Grande, MS, Brazil
5Empresa Brasileira de Pesquisa Agropecuária (Embrapa) Pantanal, Corumbá, MS, Brazil

Tài liệu tham khảo

Abreu, 2005, Caracterización morfométrica de los bovinos Pantaneiros del núcleo de conservación in situ de Nhumirim, Archivos de Zootecnia, 54, 211 Amorim, 2019, Semi-supervised learning with convolutional neural networks for UAV images automatic recognition, Comput. Electron. Agric., 164, 10.1016/j.compag.2019.104932 Chen, G., Han, H.E., T.X., Kays, Z.R., Forrester, T., 2014. Deep convolutional neural network-based species recognition for wild animal monitoring. 2014 IEEE International Conference on Image Processing (ICIP), Paris, p. 858–862. Dani, 2013, Cattle, cheese and conservation, Nature, 502, 448, 10.1038/502448c Deng, J., Dong, W., Socher, R., Li, L.J., Li, K., Fei-Fei, L. 2009. ImageNet: A LargeScale Hierarchical Image Database. CVPR09. Gimenez, 2015, 114 Goodfellow, 2016 Hansen, 2018, Towards on-farm pig face recognition using convolutional neural networks, Comput. Ind., 98, 145, 10.1016/j.compind.2018.02.016 He, K., Zhang, X., Ren, S., Sun, J. 2016. Deep residual learning for image recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770–778. Jahne, 2000 Juliano, 2012, Conservação de recurso genético animal (RGA): Bovino Pantaneiro. Coleção 500 Perguntas, 500 Respostas, GADO DE CORTE NO PANTANAL. 2ed. Corumbá: Embrapa Pantanal Kumar, 2016, Face Recognition of Cattle: Can it be Done?, Proc. Natl. Acad. Sci., India, Sect. A, 86, 137, 10.1007/s40010-016-0264-2 Lecun, 2015, Deep learning, Nature, 521, 436, 10.1038/nature14539 Lopes, M.A. Informática aplicada à bovinocultura. Jaboticabal: FUNEP, 1997. Lorencin, 2019, Marine Objects Recognition Using Convolutional Neural Networks, Nase More, 66, 112, 10.17818/NM/2019/3.3 Lu, 2018, FDCNet: filtering deep convolutional network for marine organism classification, Multimedia tools and applications, 77, 21847, 10.1007/s11042-017-4585-1 Mazza, 1992, Conservation of Pantaneira cattle in Brazil. Historical origin, Archivos de Zootecnia, 41, 443 Mazza, 1994, Etnobiologia e conservação do bovino pantaneiro, Corumbá: EMBRAPA, 61 Morgan, 2016, A influência da rastreabilidade na cadeia produtiva brasileira de carne bovina, Revista Espacios, 37, 20 Nixon, 2002 Pineda, N., 2002. Rastreabilidade: Uma necessidade do mundo globalizado. Disponível em: <http://www.beefpoint.com.br/rastreabilidade-uma-necessidade-do-mundo-globalizado-6425/>. Acesso em 30/07/2019. Primo, A.T., 2004. América: conquista e colonização: a fantástica história dos colonizadores ibéricos e seus animais na era dos descobrimentos. Movimento. Porto Alegre, BR. 1° ed. Rezende, 2015, Índices zootécnicos de novilhas da raça Pantaneira, Veterinária e Zootecnia, 21, 550 Redivo, 2012, O uso da rastreabilidade e certificação na produção de bovinos de corte: um estudo de caso. XXXII Encontro nacional de engenharia de produção, Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção. Bento Gonçalves, RS. Russakovsky, 2015, ImageNet Large Scale Visual Recognition Challenge, International Journal of Computer Vision (IJCV), 10.1007/s11263-015-0816-y Silva, 2006, Avaliação do uso de identificadores eletrônicos em suínos, Engenharia Agrícola, Jaboticabal, 26, 11, 10.1590/S0100-69162006000100002 Simonyan, K., Zisserman, A. 2014. “Very deep convolutional networks for large-scale image recognition”. arXiv preprint arXiv: 1409, p. 1556. SNA, 2016 Sokolova, 2009, A systematic analysis of performance measures for classification tasks, Inf. Process. Manage., 45, 427, 10.1016/j.ipm.2009.03.002 Souza, 2010, Aplicação de modelos de markov ocultos na obtenção de taxas de mortalidade das larvas do mosquito da dengue, Tese (Mestrado), Faculdade de Computação, Universidade Federal de Mato Grosso do Sul. Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017, February). Inception-v4, inception-resnet and the impact of residual connections on learning. Thirty-first AAAI conference on artificial intelligence. Too, 2019, A comparative study of fine-tuning deep learning models for plant disease identification, Computers and Electronics in Agriculture, 161, 272, 10.1016/j.compag.2018.03.032 Valle, 2007, Boas práticas agropecuárias - bovinos de corte. Campo Grande, MS., Embrapa Gado de Corte, 86 Weber, 2020, Prediction of Girolando cattle live weight by means of body measurements extracted from images, Revista Brasileira de Zootecnia, 49, 10.37496/rbz4920190110