Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/123456789/6548
Título: | USO DA BIOACÚSTICA E APRENDIZADO DE MÁQUINA NA ALIMENTAÇÃO DE PEIXES EM PISCICULTURA |
Título(s) alternativo(s): | USE OF BIOACOUSTICS AND MACHINE LEARNING IN FISH FEEDING IN FISH FARMING |
Autor(es): | MENDES JUNIOR, José Neuton Nunes |
Palavras-chave: | Aquicultura; Bioacústica; Redes Neurais Aquaculture; Bioacoustics; Neural networks |
Data do documento: | 19-Jan-2022 |
Editor: | UFMA |
Resumo: | Um dos pontos positivos dos organismos aquáticos é o seu baixo Fator de Conversão Alimentar Aparente, uma vez que os mesmos precisam consumir menos alimento para aumentar de peso, comparativamente aos organismos da produção animal terrestre. Mesmo com uma alta conversão de alimento em biomassa, os gastos com ração na piscicultura representam de 50% a 80% do custo total de produção. Desta forma, o manejo alimentar eficiente, em frequência e horários corretos, procurando sempre oferecer a ração de forma fracionada ao longo do dia, é um ponto chave para diminuir custos na produção, e aumentar o desempenho produtivo, aumentando o lucro da atividade. O objetivo deste trabalho foi desenvolver um sistema de classificação de eventos relacionados à alimentação, para peixes em piscicultura. Foi construído um hidrofone (microfone subaquático) no intuito de monitorar os sons subaquáticos produzidos pelos peixes em cativeiro. Os hidrofones foram instalados em viveiros comerciais de produção de duas espécies de peixe, localizados na Fazenda Macielma, município de Pinheiro-MA, e os sons subaquáticos foram gravados durante o período de alimentação dos animais. Os sons adquiridos foram separados em três classes, relacionadas com os momentos da alimentação: Antes, Durante e Depois da alimentação. Foi então treinado um modelo de inteligência artificial baseado em aprendizagem profunda, para realizar a classificação dos sons entre as três classes (momentos da alimentação), com auxílio da plataforma online Teachable Machine. Ao todo foram gravados 100 minutos de áudio, durante 9 eventos de alimentação. O modelo treinado foi capaz de classificar corretamente os áudios entre as classes consideradas, com acurácia de 88%. Concluímos que tanto o hidrofone quanto o modelo de inteligência artificial elaborados foram adequados e conseguiram satisfatoriamente captar e analisar os sons produzidos pelos peixes e identificar os diferentes momentos da alimentação: 1) momento antes da alimentação, com peixes calmos; 2) momento de busca e ingestão de alimento, com peixes com alta agitação; e 3) momento após a alimentação, com peixes retornando a um estado de baixa agitação. |
Descrição: | One of the positive points of aquatic organisms is their low Food Conversion Factor Apparent, since they need to consume less food to gain weight, compared to terrestrial animal production organisms. Even with a high conversion of food in biomass, spending on feed in fish farming represents 50% to 80% of total cost of production. In this way, efficient feeding management, in frequency and schedules correct, always trying to offer the ration in fractions throughout the day, it is a point key to reducing costs in production, and increasing productive performance, increasing the profit from the activity. The aim of this work was to develop a classification system for events related to feeding, for fish in fish farming. A hydrophone was built (underwater microphone) in order to monitor the underwater sounds produced by the fish in captivity. The hydrophones were installed in two commercial production nurseries. species of fish, located at Fazenda Macielma, municipality of Pinheiro-MA, and the sounds underwater were recorded during the feeding period of the animals. the acquired sounds were separated into three classes, related to the moments of feeding: Before, During and After feeding. An artificial intelligence model based on deep learning, to carry out the classification of sounds between the three classes (moments of food), with the help of the Teachable Machine online platform. All were recorded 100 minutes of audio, during 9 feeding events. The trained model was able to correctly classify the audios between the considered classes, with an accuracy of 88%. We conclude that both the hydrophone and the artificial intelligence model developed were suitable and were able to satisfactorily capture and analyze the sounds produced by the fish and identify the different moments of feeding: 1) moment before feeding, with calm fish; 2) moment of search and food ingestion, with fish with high agitation; and 3) moment after feeding, with fish returning to a state of low agitation. |
URI: | http://hdl.handle.net/123456789/6548 |
Aparece nas coleções: | TCCs do Curso de Graduação em Engenharia de Pesca do Campus de Pinheiro |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Jose_Neuton___TCC.pdf | TCC de Graduação | 6,19 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.