Aplicação de aprendizado de máquina para aumento de precisão de um sistema automatizado de nutrição de suínos

Autores

  • Giuliano Dal Bo Universidade de Caxias do Sul (UCS), Caxias do Sul, Rio Grande do Sul, Brasil
  • Leandro Luiz Corso Universidade de Caxias do Sul (UCS), Caxias do Sul, Rio Grande do Sul, Brasil

DOI:

https://doi.org/10.14488/1676-1901.v22i1.4586

Palavras-chave:

Aprendizado de Máquina, Inteligência Artificial, Rede Neural Artificial, Regressão Linear, Nutrição Suína

Resumo

Com a constante evolução computacional, a viabilidade de implementação de modelos de aprendizado de máquina vem se desenvolvendo em diversas áreas de atuação. Uma das áreas de grande relevância para o desenvolvimento econômico nacional é o agronegócio, e dentre suas subáreas, a suinocultura apresenta parcela representativa para o mercado. Dentre as rubricas de custo da suino cultura, a que tem maior representatividade e necessidade de controle preciso é o consumo de ração. Visando o aumento da precisão de um sistema automatizado de nutrição de suínos, este artigo tem como objetivo, demonstrar uma composição de modelo supervisionado de inteligência artificial para previsão das variáveis mais relevantes para atingir o menor erro possível entre a dosagem programa e a dosagem realizada pelo equipamento. O modelo de aprendizado de máquinaconsiderado é de regressão linear. Para verificação da acuracidade e performance do modelo são utilizadas as principais métricas de erro de análises quantitativas. Os resultados apresentados no artigo indicam que o modelo de aprendizado de máquina do tipo regressão linear consegue uma melhor generalização da variável a ser prevista e pode reduzir o erro absoluto da dosagem de cada ciclo de trato dos animais em média 7,4 vezes.

Downloads

Não há dados estatísticos.

Referências

AMOURI, Amar; ALAPARTHY, Vishwa T.; MORGERA, Salvatore D.. A Machine Learning Based Intrusion Detection System for Mobile Internet of Things. Sensors, [S.L.], v. 20, n. 2, p. 461, 14 jan. 2020. DOI http://dx.doi.org/10.3390/s20020461.

BASHA, Rani Fathima Kamal; BHARATHI, M.L; VENUSAMY, Kanagaraj. Dynamic prediction of energy and power usage cost using linear regression-machine learning analysis. Journal Of Physics: Conference Series, [S.L.], v. 1921, p. 012067, 2021. IOP Publishing. DOI http://dx.doi.org/10.1088/1742-6596/1921/1/012067.

BEROZA, G. C.; SEGOU, M.; MOUSAVI, S. Mostafa. Machine learning and earthquake forecasting - next steps. Nature Communications, [S.L.], v. 12, n. 1, p. 1-3, 6 ago. 2021. DOI http://dx.doi.org/10.1038/s41467-021-24952-6.

BONSIGNORIO, Fabio; HSU, David; JOHNSON-ROBERSON, Matthew; KOBER, Jens. Deep Learning and Machine Learning in Robotics [From the Guest Editors]. IEEE Robotics & Automation Magazine, [S.L.], v. 27, n. 2, p. 20-21, jun. 2020. DOI http://dx.doi.org/10.1109/mra.2020.2984470.

BURY, F.; DELAERE, C. Matrix element regression with deep neural networks - Breaking the CPU barrier. Journal Of High Energy Physics, [S.L.], v. 2021, n. 4, p. 1-26, abr. 2021. Springer Science and Business Media LLC. DOI http://dx.doi.org/10.1007/jhep04(2021)020.

BROWNLEE, Jason. Linear Regression for Machine Learning. 2020. Elaborada por Machine Learning Algorithms. Disponível em:

https://machinelearningmastery.com/linear-regression-for-machine-learning/.Acesso em: 24 fev. 2022.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Produção de Suínos, Embrapa Suínos e Aves. 2003. Disponível em: http://www.cnpsa.embrapa.br/SP/suinos/nutricao.html. Acesso em: 06 out. 2021.

FLORES, B. E. A pragmatic view of accuracy measurement in forecasting. Omega, v. 14, n. 2, p. 93–98, 1986.

GIL, A. C. Como elaborar projetos de pesquisa. 4 ed. São Paulo: Atlas, 2002.

HE, Yuqing; TIEZZI, Francesco; HOWARD, Jeremy; MALTECCA, Christian. Predicting body weight in growing pigs from feeding behavior data using machine learning algorithms. Computers And Electronics in Agriculture, [S.L.], v. 184, p. 106085-106100, 2021. DOI http://dx.doi.org/10.1016/j.compag.2021.106085.

HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. O’Texts, 2018.E-book.

IGHALO, Joshua O.; ADENIYI, Adewale George; MARQUES, Gonçalo. Application of linear regression algorithm and stochastic gradient descent in a machine‐learning environment for predicting biomass higher heating value. Biofuels, Bioproducts and Biorefining, [S.L.], v. 14, n. 6, p. 1286-1295, 2020. DOI: http://dx.doi.org/10.1002/bbb.2140.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Resultados Definitivos Censo Agro 2017, Portal IBGE, 2017. Disponível em: https://censoagro2017.ibge.gov.br/templates/censo_agro/resultadosagro/pecuaria.html?localidade=0&tema=1. Acesso em: 06 out. 2021.

JORDAN, M. I.; MITCHELL, T. M. Machine learning: trends, perspectives, and prospects. Science, [S.L.], v. 349, n. 6245, p. 255-260, jul. 2015. http://dx.doi.org/10.1126/science.aaa8415.

KAGERMANN, H.; LUKAS, W.; WAHLSTER, W. Industrie 4.0: Mit dem Internet der Dinge auf dem Wegzur 4. Industriell en Revolution. VDI Nachrichten, v. 13, n. 1, p. 2-3, 2011.

LAW, Rob. Back-propagation learning in improving the accuracy of neural network- based tourism demand forecasting. Tourism Management, [S.L.], v. 21, n. 4, p. 331-340, 2000. DOI http://dx.doi.org/10.1016/s0261-5177(99)00067-9.

LEE, Woongsup; HAM, Younghwa; BAN, Tae-Won; JO, Ohyun. Analysis of Growth Performance in Swine Based on Machine Learning. IEEE Access, [S.L.], v. 7, p. 161716-161724, 2019. DOI http://dx.doi.org/10.1109/access.2019.2951522.

MAKRIDAKIS, S. Accuracy concerns measures: theoretical and practical concerns. Internationaljournalofforecasting, v. 9, p. 527–529, 1993.

MARCATO, Simara Márcia; LIMA, Gustavo Júlio Mello Monteiro de. Efeito da restrição alimentar como redutor do poder poluente dos dejetos de suínos. Revista Brasileira de Zootecnia, [S.L.], v. 34, n. 3, p. 855-863, jun. 2005. DOI http://dx.doi.org/10.1590/s1516-35982005000300017.

MARTINS, P.C., ALBUQUERQUE, M.P.; MACHADO, Mesquita, A. A. Implicações da Imuno castração na Nutrição de Suínos e nas características de Carcaça. Archivos de Zootecnia. 2013, 62, 105-118. Disponível em: https://www.redalyc.org/articulo.oa?id=49558826008

MUHURI, P. K.; SHUKLA, A. K.; ABRAHAM, Ajith. Industry 4.0: a bibliometric analysis and detailed overview. Engineering Applications Of Artificial Intelligence, [S.L.], v. 78, p. 218-235, 2019.http://dx.doi.org/10.1016/j.engappai.2018.11.007.

NAKAGAWA, Elisa Yumi; ANTONINO, Pablo Oliveira; SCHNICKE, Frank; KUHN, Thomas; LIGGESMEYER, Peter. Continuous Systems and Software Engineering for Industry 4.0: a disruptive view. Information And Software Technology, [S.L.], v. 135, p. 106562-106566, 2021. DOI http://dx.doi.org/10.1016/j.infsof.2021.106562.

NEWELL, Robert; NEWMAN, Lenore; MENDLY-ZAMBO, Zsofia. The Role of Incubators and Accelerators in the Fourth Agricultural Revolution: A Case Study of Canada. Agriculture, v. 11, p. 1-15, 2021. DOI http://doi.org/10.3390/agriculture11111066.

PAIALUNGA, Piero. Deep Learning vs Linear Regression: theoretical differences and hands on examples about MLP and linear regress or in a machine learning problem. Theoretical differences and hands on examples about MLP and Linear Regressor in a Machine Learning problem.. 2022. Elaborada por Towards Data Science. Disponível em:https://towardsdatascience.com/deep-learning-vs-linear- regression-ea74aca115ea. Acesso em: 24 fev. 2022.

SCHUH, G.et al.,Industrie 4.0 maturity index: managing the digital transformation of companies. Herbert Utz Verlag GmbH, 2017.

SHUKLA, S. K. (Ed.). Industry 4.0–A Confluence of Embedded Artificial Intelligence, Machine Learning, Robotics and Security. 2018.

SRIVASTAVA, Tavish. 11 Important Model Evaluation Metrics for Machine Learning Everyone Should Know. 2019. Elaborada por Analytics Vidhya. Disponível em: https://www.analyticsvidhya.com/blog/2019/08/11-important-model-evaluation-error-metrics/. Acesso em: 24 fev. 2022.

SPANAKI, Konstantina; SIVARAJAH, Uthayasankar; FAKHIMI, Masoud; DESPOUDI, Stella; IRANI, Zahir. Disruptive technologies in agricultural operations: a systematic review of ai-driven agritech research. Annals of Operations Research, [S.L.], p. 1- 34, 2021. DOI http://dx.doi.org/10.1007/s10479-020-03922-z.

SWAMINATHAN, Saishruthi. Linear Regression — Detailed View. 2018. Elaborada por Towards Data Science. Disponível em: https://towardsdatascience.com/linear- regression-detailed-view-ea73175f6e86. Acesso em: 24 fev. 2022.

ZHOU, Lina; PAN, Shimei; WANG, Jianwu; VASILAKOS, Athanasios V.. Machine learning on big data: opportunities and challenges. Neurocomputing, [S.L.], v. 237, p. 350-361, 2017. http://dx.doi.org/10.1016/j.neucom.2017.01.026

Publicado

15-01-2023

Como Citar

Dal Bo, G., & Corso, L. L. (2023). Aplicação de aprendizado de máquina para aumento de precisão de um sistema automatizado de nutrição de suínos . Revista Produção Online, 22(1), 2428–2451. https://doi.org/10.14488/1676-1901.v22i1.4586

Edição

Seção

Artigos