Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão (2025)
- Authors:
- Autor USP: WEN, TUNG CHIUN - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2025.tde-24062025-153930
- Subjects: APRENDIZADO COMPUTACIONAL; CAPIVARAS; CONTROLADORES DIGITAIS; INTELIGÊNCIA ARTIFICIAL; RECONHECIMENTO DE PADRÕES; REDES NEURAIS; SISTEMAS EMBUTIDOS; ZOOTECNIA DE PRECISÃO
- Language: Português
- Abstract: Este trabalho aborda a modernização da produção animal no Brasil, que apesar de ser um dos principais produtores globais, enfrenta desafios relacionados à ética e ao bem-estar animal. A Zootecnia de Precisão é destacada como uma abordagem que utiliza tecnologias avançadas, como dispositivos embarcados e algoritmos de aprendizado de máquina, para monitorar e otimizar as condições em que os animais são criados. O uso de Tiny Machine Learning (TinyML) permite a implementação de inteligência artificial em dispositivos com recursos limitados, possibilitando decisões autônomas e em tempo real. Este trabalho, é composto por 3 capítulos em formato de artigo, explorando o uso de Tiny Machine Learning na Zootecnia de Precisão. O primeiro capítulo é uma revisão de literatura sobre TinyML, abrangendo desde os conceitos básicos de Inteligência Artificial até a Computação de Borda. Também discute os desafios e oportunidades do TinyML na Zootecnia de Precisão, com foco em seus benefícios, desafios e perspectivas para melhorar a interação com animais e promover práticas mais eficientes e sustentáveis. O segundo capítulo do trabalho, destaca a crescente presença de capivaras em áreas urbanas, seu papel como hospedeiros da bactéria Rickettsia rickettsii, causadora da Febre Maculosa Brasileira, e o desenvolvimento de um sistema autônomo para detecção de presença desse animal. A modelagem desenvolvida via distinção "visual" da capivara em relação a outros animais (onça e veado) com uso doTinyML permitiu precisão superior a 94%. O terceiro capítulo enfatiza a importância do deep learning para análises de reconhecimento de padrões sonoros. Também menciona o desenvolvimento de modelos compactos e robustos de redes neurais, níveis de precisão acima de 92% foram obtidos na fase de teste. No entanto, os resultados não foram satisfatórios na fase de implementação, presumivelmente em função da qualidade inadequada do hardware. Novos testes de implementação são recomendados com uso de hardwares mais sofisticados
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2025
- Data da defesa: 23.04.2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
WEN, Tung Chiun. Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão. 2025. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-24062025-153930/. Acesso em: 09 jan. 2026. -
APA
Wen, T. C. (2025). Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-24062025-153930/ -
NLM
Wen TC. Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão [Internet]. 2025 ;[citado 2026 jan. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-24062025-153930/ -
Vancouver
Wen TC. Tiny machine learning na aplicação de sistemas inteligentes autônomos na zootecnia de precisão [Internet]. 2025 ;[citado 2026 jan. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-24062025-153930/
Informações sobre o DOI: 10.11606/T.11.2025.tde-24062025-153930 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
