Utilização de visão computacional e VANTs na pecuária: uma revisão da literatura Use of computational vision and UAVs in livestock: a Literature review

Abstract

New technologies have been developed with the objective of supporting the activity of livestock. Within these technologies, the computational vision stands out by defining techniques and developing tools in order to allow automatic analysis of images, such as those captured by UAVs (Unmanned Aerial Vehicles). These can be used for different purposes in livestock precision such as identification and counting of the animals. This paper presents the results of a literature review about the use of UAVs and computational vision to support livestock activities with the objective of identifying, cataloging and classifying the existing works in this context.

Full text

Utilização de visão computacional e VANTs na
pecuária: uma revisão da literatura
Use of computational vision and UAVs in livestock: a
Literature review
Fabricio de Lima Weber1,2,
Maria Istela Cagnin1, Débora
Maria Barroso Paiva1
1 Facom, UFMS –
Universidade Federal do Mato
Grosso do Sul
Campo Grande – MS, Brasil
fabricio.weber@gmail.com,
istela@facom.ufms.br,
debora@facom.ufms.br
Vanessa Aparecida de Moraes
Weber2,4,
2 UEMS – Universidade
Estadual de Mato Grosso do
Sul – MS, Brasil
vamoraes@gmail.com
Sérgio Raposo de Medeiros 3,
Rodrigo da Costa Gomes3
3 Embrapa Gado de Corte
Campo Grande – MS, Brasil
sergio.medeiros@embrapa.br,
rodrigo.gomes@embrapa.br
Hemerson Pistori1,4
4 Ciências Ambientais e
Sustentabilidade
Agropecuária, UCDB –
Universidade Católica Dom
Bosco
Campo Grande – MS, Brasil
pistori@ucdb.br
Resumo — Novas tecnologias têm sido desenvolvidas com o
objetivo de apoiar a atividade da pecuária. Dentro dessas
tecnologias, a visão computacional se destaca por definir técnicas
e desenvolver ferramentas de forma a permitir análise automática
de imagens, como as capturadas por VANTs (Veículos Aéreos Não
Tripulados). Estes podem ser utilizados para diferentes
finalidades na pecuária de precisão, tais como /identificação e
contagem dos animais. Neste artigo é apresentado o resultado de
uma revisão da literatura sobre o uso de VANTs e visão
computacional para apoiar atividades da pecuária com o objetivo
de identificar, catalogar e classificar os trabalhos existentes neste
contexto.
Palavras Chave - Pecuária de Precisão; Bovinos; Visão
Computacional; VANTs.
Abstract — New technologies have been developed with the
objective of supporting the activity of livestock. Within these
technologies, the computational vision stands out by defining
techniques and developing tools in order to allow automatic
analysis of images, such as those captured by UAVs (Unmanned
Aerial Vehicles). These can be used for different purposes in
livestock precision such as identification and counting of the
animals. This paper presents the results of a literature review
about the use of UAVs and computational vision to support
livestock activities with the objective of identifying, cataloging and
classifying the existing works in this context.
Keywords - Livestock Precision; Cattle; Computer Vision; UAVs.
I. INTRODUÇÃO
O rebanho mundial da pecuária em 2017 foi de
aproximadamente 998,31 milhões de cabeças. A produção
mundial de carne cresceu 37,43% de 2000 a 2017, perfazendo
um crescimento médio anual de 2,1%. Esses dados representam
uma produção de 263 milhões de toneladas de carne [1]. No
contexto brasileiro, o país é um dos principais produtores e
exportadores de carne bovina do mundo, sendo que grande
parte das riquezas e empregos gerados pela pecuária brasileira
fazem parte desta cadeia produtiva [2]. Ademais, o Brasil tem
alcançado recordes de produção na pecuária e isso se deve, em
parte, ao uso de tecnologias empregadas na atividade [3].
Com relação à sustentabilidade, a pecuária enfrenta um
grande desafio que é a crescente demanda por incrementar a
produção usufruindo apenas dos recursos já definidos [4] [5].
Assim sendo, o uso de tecnologias adequadas pode melhorar
esse processo e otimizar o nível de recursos empregados.
Consequentemente, é importante conhecer o que se tem
estudado e relatado a respeito de novas tecnologias para apoiar
a atividade da pecuária. Dentre as novas tecnologias, considera-
se relevante conhecer como Veículos Aéreos Não Tripulados
(VANTs) são comumente utilizados para capturar imagens no
âmbito da pecuária e quais as técnicas e ferramentas têm sido
usadas para processar as imagens adquiridas. Para isso, este
trabalho apresenta um mapeamento sistemático da literatura [6]
[7] [8], combinado com a técnica snowballing [9], para indicar
os estudos primários existentes sobre o tema mencionado neste
parágrafo com o objetivo de obter conhecimento sobre isso,
identificar evidências e lacunas existentes com o intuito de
delinear novas oportunidades de pesquisa.
Outros pesquisadores podem se beneficiar deste estudo, seja
por constatar lacunas para o desenvolvimento de novas
pesquisas ou por identificar e propor técnicas mais eficientes
para os problemas elencados. Consequentemente, a cadeia
produtiva da pecuária também se beneficia pelo
impulsionamento de novas pesquisas visando o
desenvolvimento de tecnologias inovadoras para apoiar essa
atividade.
A escrita deste artigo está organizada em mais cinco seções.
Na Seção II é apresentado uma breve descrição sobre visão
computacional e VANTs. Na Seção III é descrito o
planejamento do mapeamento sistemático. Na Seção IV é
apresentada a condução do mapeamento sistemático. Na Seção
V são discutidos os resultados obtidos e, por fim, na Seção VI
é apresentada a conclusão.
II. EMBASAMENTO TEÓRICO
A visão computacional é uma área da ciência da
computação que utiliza um conjunto de técnicas para adquirir,
processar, analisar e compreender imagens com o objetivo de

reproduzir em sistemas a capacidade humana da visão e, assim,
amparar análises do ambiente ou objeto [10].
Os VANTs são aeronaves que não possuem pilotos
embarcados. São controladas a distância por meio de
equipamentos computacionais e supervisão humana, o que
caracteriza a situação de autônomo. VANTs podem ser
denominados automáticos quando o voo é controlado por
controladores lógicos programáveis [11].
III. PLANEJAMENTO
Com base em Kitchenham et al. [6], foram definidas as
questões de pesquisa do mapeamento sistemático, a string de
busca, as fontes de informação (bases de busca), os critérios de
inclusão e de exclusão dos trabalhos retornados pelas bases de
buscas e a estratégias de busca e seleção dos estudos primários,
conforme apresentado nas subseções a seguir.
A. Questões de pesquisa
Com o objetivo de encontrar estudos primários para
entender e sumarizar evidências sobre a existência do uso de
VANTs e visão computacional nas atividades de pecuária, as
Questões de Pesquisa (QP) a seguir foram estabelecidas:
QP1: Existem estudos que utilizam técnicas de visão
computacional com base em imagens coletadas por VANTs no
contexto de pecuária de precisão?
QP1.1: Quais técnicas ou ferramentas existem para realizar
o processamento das imagens adquiridas pelos VANTs?
QP2: Quais são os problemas relacionados à pecuária que
cada estudo aborda?
B. String de busca padrão e fontes de informação
Para a construção da string de busca foram selecionados
conceitos chaves que se deseja investigar. A partir dos
conceitos chaves, os sinônimos, termos relacionados e siglas
foram identificados.
No Quadro 1 é apresentada a string de busca padrão
utilizada no mapeamento sistemático conduzido.
QUADRO 1. STRING DE BUSCA PADRÃO
("Unmanned Aerial Vehicle" OR "Unmanned Aerospace Vehicle" OR "air
system unmannedable" OR "Unmanned Aircraft Systems" OR "Uninhabited
Aircraft Vehicle" OR "Unmanned Air Vehicle" OR "Unmanned Airborne
Vehicle" OR "Unmanned Autonomous Vehicle" OR "Unmanned Vehicle"
OR "Upper Atmosphere Vehicle" OR "Drone" OR "vant" OR "uas" OR
"suas" OR "rpas" OR "uav" OR *rotor ) AND (livestock or farm or cattle or
feedlot or bovin* or "lot feeder") and ("computer vision" or CV)
No Quadro 2 são apresentadas as bases selecionadas como
fontes de estudos para este mapeamento sistemático. As três
primeiras bases de dados foram selecionadas devido ao número
de artigos indexados e publicados e, complementarmente, a
última base foi indicada pois é uma ferramenta de pesquisa de
trabalhos acadêmicos que indexa diversas bases.
QUADRO 2. BASES DE DADOS
Fonte Endereço
ACM Digital Library http://portal.acm.org/dl.cfm
Science Direct http://www.sciencedirect.com/
IEEE https://ieeexplore.ieee.org/
Scholar Google https://scholar.google.com.br/
C. Critérios de Inclusão e Exclusão
Os Critérios de Inclusão (CI) foram escolhidos de forma a
permitir que estudos primários relevantes sejam incluídos na
pesquisa, e os Critérios de Exclusão (CE) foram elencados para
que seja possível descartar os estudos primários irrelevantes no
contexto deste mapeamento. Como critério de inclusão tem-se
CI1: O estudo utiliza visão computacional com imagens
coletadas por VANTs no contexto de pecuária de precisão.
Os critérios de exclusão definidos são: CE1: O estudo não
contempla satisfatoriamente o critério de inclusão CI1; CE2: O
estudo já foi selecionado por meio de outra fonte; CE3: O
estudo não está em inglês ou em português e CE4: O estudo
completo não está disponível na Internet.
D. Estratégias de busca e seleção
Neste trabalho, foram planejadas sete etapas para a
condução do mapeamento sistemático: 1) buscar trabalhos nas
bases de busca indicadas com base na string de busca padrão,
2) aplicar os critérios de exclusão CE2, CE3 e CE4 no conjunto
de trabalhos retornados das bases de busca, 3) aplicar o critério
de exclusão CE1 nos trabalhos resultantes da etapa 2, tomando
como base o título e o resumo e, se necessário, introdução e
conclusão; 4) realizar snowballing com base no título das
referências bibliográficas dos trabalhos resultantes da etapa 3;
5) aplicar os critérios de exclusão no conjunto de estudos
retornados da etapa 4; 6) analisar na íntegra os trabalhos obtidos
nas etapas 3 e 5 (estudos primários), e extrair dados para
responder às questões de pesquisa; e 7) responder às questões
de pesquisa com base nos dados extraídos na etapa anterior.
IV. CONDUÇÃO DO MAPEAMENTO
O período das buscas em cada base, apresentada no Quadro
2, foi de 29/08/2018 a 31/10/2018. Com a finalidade de atender
as particularidades de cada base de busca, a string p adrão s ofreu
alterações, mas sem destoar do protocolo de pesquisa definido.
Foram encontrados 65 trabalhos, conforme apresentados
quantitativamente na Tabela 1 por base de busca.
TABELA 1. SUMARIZAÇÃO DOS RESULTADOS POR BASE DE BUSCA
Base de Busca Resultado
ACM Digital Library 26
Science Direct 3
Scholar Google 36
Total 65
Após a realização das buscas, deu-se início às etapas de
seleção dos estudos. Primeiramente, aplicaram-se os critérios
de exclusão de estudos repetidos em mais de uma base de busca
(CE2) e que não estavam escritos nos idiomas inglês ou
português (CE3). Em seguida, foi feita a exclusão de artigos que
não estavam completos ou não disponíveis (CE4).
Posteriormente, foi necessário realizar a leitura do resumo de
cada estudo para aplicar o critério de exclusão CE1. Em alguns
casos, foi necessário realizar a leitura da introdução e da
conclusão. O resumo do processo de seleção dos estudos após
a aplicação dos critérios de exclusão está apresentado na Tabela
2.
A. Snowballing
O processo de snowballing compreende em certificar se há
estudos relevantes a partir das referências bibliográficas dos
estudos selecionados anteriormente [9], com o intuito de
enriquecer o conjunto de estudos primários.

Após realizar todas as etapas de seleção dos trabalhos
retornados pelas bases de busca, obteve-se um total de quatro
estudos primários. Estes estudos foram definidos como o start
set para a realização do processo de snowballing. Na Tabela 3
são apresentados os títulos dos estudos primários. Na Tabela 4
é apresentado um breve resumo de cada estudo que compõe o
start set.
A partir das referências bibliográficas de cada trabalho do
start set foram levantadas referências relevantes, tomando
como base o título, que poderiam contribuir para responder as
questões de pesquisa definidas no planejamento deste
mapeamento sistemático. Na Tabela 5 é apresentada a
quantidade de referências relevantes identificadas em cada
trabalho do start set, bem como os resultados após a aplicação
dos critérios de exclusão.
Cinco estudos foram excluídos pois se enquadraram no
critério de exclusão CE2. Após a leitura do resumo e da
introdução, 178 estudos foram considerados fora do escopo por
não atenderem o critério de inclusão CE1. Restaram quatro
trabalhos para leitura completa para ajudar a responder às
questões de pesquisa. Na Tabela 6 são apresentados os títulos
dos estudos primários resultantes do processo de snowballing e
na Tabela 7 é apresentado um breve resumo de cada um desses
estudos. Salienta-se que as etapas de seleção e extração foram
validadas por autores deste artigo, com o intuito de dirimir a
subjetividade inerente a elas.
TABELA 2. SUMARIZAÇÃO DOS RESULTADOS POR BASE DE BUSCA E CRITÉRIOS DE EXCLUSÃO
Base de Busca Qtde Aplicação dos Critérios de Exclusão Total
CE1 CE2 CE3 CE4
ACM Digital Library 26 13 4 0 9 0
Science Direct 3 0 2 0 0 1
Scholar Google 36 21 3 0 9 3
Total de Estudos 65 34 9 0 18 4
TABELA 3. ESTUDOS PRIMÁRIOS SELECIONADOS PARA A COMPOSIÇÃO DO START SET
Sigla Nome Ano Citação Tipo de
Publicação País
SDIR1 Detecting mammals in UAV images: Best practices to address a substantially imbalanced
dataset with deep learning 2017 [12] Journals Holanda
SGOO1 Perspectives on the use of unmanned aerial systems to monitor cattle 2018 [13] Journals Brasil
SGOO2 Real-time object detection in agricultural/remote environments using the multiple-expert
colour feature extreme learning machine (MEC-ELM) 2018 [14] Journals Reino
Unido
SGOO3 Detection of Cattle Using Drones and Convolutional Neural Networks 2018 [15] Journals Espanha
TABELA 4. SÍNTESE DOS TRABALHOS PRIMÁRIOS.
Sigla Resumo
SDIR1 Por meio de alterações introduzidas na Rede Neural Convolucional (CNN) e comparações com o estado da arte, os autores conseguiram reduzir o
número de falso positivos ao treinar a CNN, com 1/3 dos dados originais para obter uma taxa de revocação de 90%. Isso permitiu redução de
conferências manuais da contagem dos animais em até três vezes.
SGOO1 Discute como o uso de VANTs ainda está muito limitado na pecuária e mostra exemplos de tipos de drones e suas características, os tipos de
sensores usados, as dificuldades encontradas na aquisição e no processamento das imagens. Também evidencia que o aprendizado de máquina
pode ser usado para contagem de animais utilizando CNN’s e concluem que há grande demanda para o uso de VANTs na criação de bovinos.
SGOO2 Apresenta um sistema (MEC-ELM) já desenvolvido pelos autores, que testa duas novas métricas (CLCM e Y’UV). Utilizou dois bancos de dados
com diferentes métodos de aquisição de imagem como câmera fixa ou VANTs com diferentes características e sensores. Discute a eficácia das
duas métricas propostas com os diferentes métodos de aquisição das imagens.
SGOO3 Analisa imagens adquiridas por VANTs utilizando CNN para identificar objetos de interesse em tempo real, no caso bovinos, presentes nas
imagens. As imagens foram separadas em duas classes, uma contendo bovinos e outra contendo fundos. Foram utilizadas mais de 13.000 imagens,
sendo 80% delas utilizadas para treino e 20% para teste. Como resultado, os autores obtiveram acurácia de 97,1% no treino e 95,5% nos testes.
TABELA 5. QUANTITATIVO DOS ESTUDOS APÓS O SNOWBALLING
Start set Qtde Aplicação dos Critérios de Exclusão Leitura
CE1 CE2 CE3 CE4
SDIR1 40 38 0 0 0 2
SGOO1 56 51 2 0 0 3
SGOO2 42 41 1 0 0 0
SGOO3 50 48 2 0 0 0
Total 188 178 5 0 0 5
TABELA 6. ESTUDOS PRIMÁRIOS SELECIONADOS APÓS O SNOWBALLING
Sigla Nome Ano Citação Tipo de
Publicação País
SNW1 Visual Localisation and Individual Identification of Holstein Friesian Cattle via Deep Learning 2018 [16] Conference Itália
SNW2 UAVs Applied to the Counting and Monitoring of Animals 2014 [17] Workshops Suíça
SNW3 Strategic Cattle Roundup using Multiple Quadrotor UAVs 2017 [18] Journals Coreia
do Sul
SNW4 Use of an Unmanned Aerial Vehicle — Mounted Video Camera to Assess Feeding Behavior of
Raramuri Criollo Cows 2016 [19] Journals USA
SNW5 Unmanned livestock monitoring systemand methods of use 2017 [20] Patente USA

TABELA 7. SÍNTESE DOS TRABALHOS PRIMÁRIOS APÓS O SNOWBALLING
Sigla Resumo
SNW1 Apresenta o uso de imagens capturadas por VANTs para identificação individual de bovinos utilizando CNN. Utilizou o banco de imagem ImageNet
fornecido com a implementação Faster-RCNN, desenvolvida em Python. Os objetos de interesses quando detectados e localizados são marcados nas
imagens com as regiões de interesses utilizando Redes de Memória de Longo prazo (LSTMs).
SNW2 Apresenta pesquisa em grandes áreas do sistema pecuário com a utilização de VANT. Aplicado na contagem e o monitoramento de espécies animais,
com gravações em vídeo. Os objetos das imagens são separados nas classes bovino e fundo, utilizando CNN, obtiveram uma acurácia de 97,1% no
treino e 95,5% no teste desta arquitetura.
SNW3
Propõe a utilização de quatro VANTs para conduzir animais em seus piquetes, criando ruídos de predadores. Os VANTs são controlados por
controladores PID (Proporcional Integral Derivativo), que seguem trajetórias ótimas de tempo e evitam colisões por meio de altitudes diferentes. A
intenção foi avaliar se VANTs poderiam ser utilizados para tocar o rebanho. Para verificação de grandes áreas utilizam aquisição de imagens via
satélite e processamento das imagens para localizar os animais antes de enviar os drones.
SNW4 Apresenta a viabilidade de usar o monitoramento de vídeo de VANTs para prever a ingestão de itens alimentares discretos de vacas de corte Raramuri
Criollo, criadas em pastagens. Foram geradas 4.893 imagens estáticas de intervalo de dois segundos que foram visualizadas para determinar a
atividade de alimentação de vacas.
SNW5 Apresenta um sistema de monitoramento de bovinos, utilizando um VANT com o intuito de monitorar a saúde e bem-estar de bovino. As aquisições
das imagens são em tempo real sobre os estados comportamentais e fisiológicos de animais individualmente.
V. RESULTADOS E DISCUSSÕES
A extração dos dados foi feita com base nos estudos
primários selecionados durante a condução do mapeamento,
totalizando nove estudos. Foram extraídas informações básicas
sobre cada estudo, como título, autores, ano de publicação, tipo
de publicação, país de afiliação do primeiro autor e resumo.
Foram extraídas, também, informações específicas, como o tipo
de solução oferecida pelo estudo, tecnologias e algoritmos de
visão computacional empregados. A Figura 1 apresenta o total
de artigos por ano.
FIGURA 1. TOTAL DE ARTIGOS PUBLICADOS POR ANO
Nota-se que nos últimos dois anos ocorreu um crescimento
significativo no número de artigos publicados representando
78% do total de estudos primários selecionados. Além disso, a
maioria dos estudos selecionados foi publicada em journals
(67%), destacando a originalidade do tema. Considerando a
afiliação dos autores, a maioria dos artigos (56%) é da Europa.
Brasil e Coreia do Sul possui um trabalho cada (11%) e Estados
Unidos possuem dois (22%), sendo um deles patente.
Considerando a quantidade de trabalhos por país, os Estados
Unidos se sobressaem.
Nas subseções a seguir é apresentada uma análise dos
estudos primários com o intuito de responder as questões de
pesquisa deste mapeamento sistemático.
QP1: Existem estudos que utilizam técnicas de visão
computacional com base em imagens coletadas por VANTs no
contexto de pecuária de precisão? e QP1.1: Quais técnicas ou
ferramentas existem para realizar o processamento das
imagens adquiridas pelos VANTs?
Em SDIR1 [12] são aplicadas técnicas de aprendizagem a
fim de direcionar uma CNN para detecção de animais de grande
porte na Savana Africana. Os autores separaram o banco de
imagens em duas classes, animais e fundo (sombras, árvores,
montes de terra, etc.), de forma balanceada. Ademais, usaram
70% das imagens para compor o treino, 10% para a validação e
20% para teste. Com o intuito de gerar mais imagens para
treinar a rede, os autores fizeram uso de técnicas para aumentar
a quantidade de dados por meio de rotações das imagens. A
arquitetura da ResNet18 foi adaptada para extrair características
a fim de produzir uma melhor predição e, posteriormente, pré-
treinaram esse modelo por meio do banco de imagens da
ImageNet. Para reforçar o modelo, adicionaram blocos
convolucionais ou Perceptrons Multicamadas (MLPs) com
ativações não-lineares (ReLU) e regularização com dropout, e
ativação da camada softmax no final. A programação dos
modelos da CNN foram implementados em PyTorch em um
computador com uma placa gráfica NVIDIA Geforce
GTX1080Ti.
Em SGOO1 [13] é descrita a importância dos processos de
aquisição e processamento de imagens com o uso de técnicas
de visão computacional. Os autores citam uso de algoritmos de
aprendizado profundo para detecção e contagem de animais.
Apesar de não realizarem experimentos, citam técnicas e
algoritmos de aprendizado rasos, utilizados por outros autores,
como o classificador de k vizinhos mais próximos (KNN) e
classificadores de máquinas de vetores de suporte (SVM),
morfologia matemática, modelos deformáveis e algoritmos de
subtração de fundo.
Em SGOO2 [14] são utilizadas a Máquina de
Aprendizagem Extrema de Recurso de Cor (CF-ELM) e a
Máquina de Aprendizado Extrema de Múltiplas Cores (MEC-
ELM). Os autores utilizaram como entrada quadros do vídeo
capturado com apoio de VANTs e aplicaram a CF-ELM com as
seguintes técnicas de maneira consecutiva: Y’UV (luminância,
crominância vermelha, crominância azul) e CLCM (matrizes de
co-ocorrência de nível de cor). Posteriormente, aplicaram o
MEC-ELM e finalmente executaram o treino dos dados.

Em SGOO3 [15] usa-se CNN para detecção e contagem de
animais, representados em vídeos. A captura desses vídeos foi
feita por meio de um Raspberry Pi modelo 3. A CNN estava
totalmente conectada a um Perceptron Multi-Layer (MLP), rede
com todos os neurônios ligados entre si. A rede foi treinada com
duas classes, uma de bovinos e a outra contendo sombras e
fundos. Iniciou-se com 100 imagens de cada classe e,
posteriormente, foi aplicado aumento e transformação dos
dados obtendo-se 1200 imagens de cada classe. O software foi
implementado na linguagem Python.
Em SNW1 [16] utiliza-se entrada de imagem estática e uma
rede VGG-M 1024 de ponta a ponta para treino adaptada para
uma Rede Neural Convolucional por Região (R-CNN) para a
identificação individual de bovinos da raça Holandesa. Foram
treinados dois bancos de imagens, um estático e outro adquirido
por VANTs. Após o processamento e aquisição de imagens
extraídas dos quadros dos vídeos, foram obtidas 11.000
imagens. Para uma melhor identificação, os autores utilizaram
a Rede Inception V3, aplicada a uma rede de memória de longo
prazo (LSTM) de comprimento de 256 células. As imagens
foram adquiridas com altura de voo que variaram de 5 a 25
metros, decrementando cinco metros da maior altitude. A
implementação do algoritmo foi desenvolvida na linguagem
Python.
Em SNW2 [17] os autores usam a arquitetura CNN para
processar as imagens adquiridas com voos feitos manualmente,
posteriormente, aplicaram aumento rotacional dos dados, com
intuito de gerar até 40 imagens artificiais para cada amostra da
imagem original. Segundo os autores, este processo gerou outro
estudo devido às notáveis influências que o mesmo exerceu no
desempenho do modelo final.
Em SNW3 [18] são usados quatro VANTs para manejo de
condução de bovinos por meio da produção de sons similares
aos que predadores de bovinos emitem na natureza. Para tanto,
usaram o processamento de imagens adquiridas por satélites
para localizar o rebanho. Os VANTs foram supervisionados
pelo software MATLAB/Simulink para simulações de voos,
controle da câmera e para elaborar estratégias de agrupamento
dos bovinos.
Em SNW4 [19], foram extraídos os quadros dos vídeos,
totalizando 4893 imagens, com o apoio do software livre
FrameShots 3.1. As imagens foram analisadas manualmente e,
posteriormente, utilizaram o teste t de Students, para determinar
se animais não adaptados a VANT (animais não familiarizados
com o equipamento) e adaptados a VANT (animais
familiarizados com o equipamento) possuem diferentes
frequências de alimentação.
Em SNW5 [20] é realizado monitoramento visual da
fazenda e da saúde dos animais por meio de: i) pelo menos um
VANT; ii) uso de várias câmeras ou sensores; iii) um
transmissor; iv) um receptor; v) um servidor conectado a um
siste ma de co mputad or par a receb er ima gens e v ídeos; e vi) u ma
tela para exibição em tempo real das imagens coletadas para
interpretação de dados de estoque de cocho, saúde, bem-estar
dos animais.
Em síntese, as técnicas de visão computacional utilizadas
são as de aquisição, processamento, aumento e transformação
dos dados, e técnicas de aprendizado rasos e profundo. Dentre
as ferramentas utilizadas, têm-se o FrameShots 3.1 utilizado
para aquisição de imagens, sendo que em alguns casos foram
desenvolvidas ferramentas específicas em Python. Conforme
mencionado, a quantidade de imagens utilizadas variou entre
2400 e 13520 imagens. Cinco trabalhos possuem imagens
adquiridas através da extração de quadros de vídeos.
QP2: Quais são os problemas relacionados à pecuária que
cada estudo aborda?
Em SDIR1 [12] pretende-se diminuir os erros de contagem
e localização de animais selvagens. Apesar de apresentarem
experimento com animais selvagens, os autores citam a
possibilidade de uso dessas técnicas para a pecuária de bovinos.
Em SGOO1 [13] conclui-se que a utilização de VANTs pode
auxiliar no monitoramento e na contagem do gado,
principalmente em um país como o Brasil onde a pecuária
extensiva prevalece. Em SGOO2 [14] relata-se que estudos
podem ajudar a solucionar problemas na pecuária para auxiliar
no reconhecimento dos animais. Em SGOO3 [15] busca-se
facilitar a análise das imagens em tempo real e uma contagem
de bovinos mais eficiente. Em SNW1 [16] apresenta-se um
processo para a identificação de animais que reconhece uma
marcação física nos animais para identificação, se
diferenciando da maioria dos métodos de identificação
existentes. Em SNW2 [17] busca-se facilitar a contagem de
animais da pecuária em grandes áreas. Em SNW3 [18]
apresenta-se uma proposta de uso de VANTs para conduzir os
bovinos, por meio de reprodução de som de predadores. Em
SNW4 [19] sugere-se que a técnica de monitoramento, através
de VANTs, poderia fornecer um meio não invasivo e aceitável
para conhecer o comportamento de animais de corte. Em SNW5
[20] apresenta-se o uso de VANTs com a intenção de
acompanhar ao vivo a localização dos animais, monitoramento
de cochos e bebedouros.
FIGURA 2. PORCENTAGEM DE PROBLEMAS RELACIONADOS NOS ESTUDO
PRIMÁRIOS
Assim, conforme observado na Figura 2, os estudos
primários selecionados tratam de problemas relacionados a
contagem (33,3%), localização (11,1%),
reconhecimento/identificação (33,3%) e comportamento
(11,1%) de bovinos, bem como acompanhamento da saúde
animal (11,1%). Nota-se que a maioria dos estudos preocupa-

se com a contagem e com a identificação de animais, uma vez
que essas atividades são rotineiras nas fazendas e exigem o
dispêndio de tempo e, consequentemente, custo principalmente
em fazendas com grandes áreas e que lidam com pecuária
extensiva.
VI. CONCLUSÕES
A pecuária de precisão surge como um processo de obter
mais lucro, maior eficiência com recursos disponíveis e melhor
bem-estar, com um manejo mais eficiente utilizando recursos
tecnológicos para uma tomada de decisão mais rápida e eficaz,
com os dados existentes [21]. Diversos mecanismos, técnicas e
ferramentas têm sido utilizados e propostos em benefício da
pecuária de precisão. Este artigo discutiu os resultados de um
mapeamento sistemático que levanta os estudos primários que
utilizam VANTs para a captura das imagens ou vídeos e
técnicas e ferramentas de visão computacional para o
processamento e interpretação dos mesmos no contexto da
pecuária.
Diante do exposto, observou-se que a maioria dos estudos
primários selecionados trata da utilização de VANTs para
contagem ou detecção de animais, independente do modo de
como foram utilizadas as imagens adquiridas pelos VANTs.
Observou-se também que, de todos os estudos selecionados,
seis deles (SDIR1, SGOO1, SGOO2, SGOO3, SNW1 e
SNW2), ou seja 66,7%, utilizam alguma técnica de aprendizado
de máquina, enquanto três deles (SNW3, SNW4 e SNW5), ou
seja 33,3%, não as utilizam.
Apesar do número reduzido de estudos primários, os
resultados obtidos mostraram aumento significativo nos
últimos dois anos de estudos que utilizam VANTs e visão
computacional em benefício da pecuária, ressaltando a
importância dessas tecnologias para o avanço da pecuária de
precisão.
Assim, acredita-se que o assunto merece ser mais
explorado, tanto pelas técnicas relatadas como por outras
técnicas de visão computacional e aprendizagem de máquina
que poderão ser propostas. Adicionalmente, observou-se a
importância do desenvolvimento de ferramentas mais efetivas
para o processamento de imagens adquiridas por VANTs para
resolver problemas de pecuária.
AGRADECIMENTOS
Este trabalho foi realizado com o apoio financeiro da
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
- Brasil (CAPES) - Código de Financiamento 001, Conselho
Nacional de Desenvolvimento Científico e Tecnológico
(CNPq), Fundação de Apoio ao Desenvolvimento do Ensino,
Ciência e Tecnologia do Estado de Mato Grosso do Sul
FUNDECT (T.O. 102/2016), Universidade Federal de Mato
Grosso do Sul (UFMS) e Universidade Católica Dom Bosco
(UCDB).
REFERÊNCIAS BIBLIOGRÁFICA
[1] USDA. United States Department of Agriculture. Disponivel em
<https://www.usda.gov/>. 2018.
[2] L. F. Florit, D .D . Grava, “Ética ambiental e desenvolvimento territorial
sustentável: uma análise com base na categoria de especismo”. Editorial
Associação nacional de Pós-Graduação e Pesquisa em Ambiente e
Sociedade. vol XIX, no. 4, 2016, p. 23-42.
[3] H. Pandorfi, G. L. P. Almeida, C. Guiselini. Zootecnia de precisão:
princípios básicos e atualidades na suinocultura. Rev. bras. saúde prod.
anim. [online]. 2012, vol.13, n.2, pp.558-568, 2012.
[4] R. H. R. Sambuichi, M. A. C. Oliveira, A. P. M. Silva, G. Luedemann. A
sustentabilidade ambiental da agropecuária brasileira: Impactos, políticas
públicas e desafios, Texto para Discussão, Instituto de Pesquisa
Econômica Aplicada (IPEA), No. 1782, Instituto de Pesquisa Econômica
Aplicada (IPEA), Brasília, 2012.
[5] D. B. Silva. Sustentabilidade no Agronegócio: dimensões econômica,
social e ambiental. Comunicação & Mercado/UNIGRAN - Dourados -
MS, v. 1, n. 3, p. 23-34, 2012.
[6] B. Kitchenham. Procedures for Performing Systematic Reviews. Keele,
Staffs, ST5 5BG, UK, 2004.
[7] B. Kitchenham et al. Guidelines for performing Systematic Literature
Reviews in Software Engineering. Keele, Staffs, ST5 5BG, UK, 2007.
[8] K. Petersen et al. Systematic mapping studies in software engineering. In:
Proceedings of the 12th international conference on Evaluation and
Assessment in Software Engineering. [S.l.: s.n.], (EASE’08), p. 68–77,
2008.
[9] C. Wohlin. Guidelines for snowballing in systematic literature studies and
a replication in software engineering. In: Proceedings of the 18th
international conference on evaluation and assessment in software
engineering. ACM. p. 38, 2014.
[10] B. Jahne, H. Haubecker. Computer vision and applications: a guide for
students and practitioners. Academic Press, 2000.
[11] DECEA. ICA 100-40 - Sistemas de Aeronaves Remotamente Pilotadas e
o Acesso ao Espaço Aéreo Brasileiro. Disponível em:
http://publicacoes.decea.gov.br//?i=publicacao&id=4510>. 2017.
[12] B. Kellenberger, M. Volpi, D. Tuia.. D. Detecting mammals in UAV
images: Best practices to address a substantially imbalanced dataset with
deep learning. Remote Sensing of Environment, v. 216, p. 139-153, 2018.
[13] J. G. A. Barbedo, L. V. Koenigkan. Perspectives on the use of unmanned
aerial systems to monitor cattle. Outlook on Agriculture, 47(3), 214–222,
2018.
[14] E. J. Sadgrove, G. Falzon, D. Miron, D. W. Lamb, Real-time object
detection in agricultural/remote environments using the multiple-expert
colour feature extreme learning machine (MEC-ELM), Computers in
Industry, Volume 98, p. 183-191, 2018.
[15] A. Rivas, P. Chamoso, A. G. Briones, J. M. Corchado. Detection of Cattle
Using Drones and Convolutional Neural Networks. Sensors (Basel,
Switzerland), 18(7), 2048. doi:10.3390/s18072048, 2018.
[16] W. Andrew, C. Greatwood, T. Burghardt, Visual Localisation and
Individual Identification of Holstein Friesian Cattle via Deep Learning.
2017 IEEE International Conference on Computer Vision Workshops
(ICCVW). p.2850-2859, 2017.
[17] P. Chamoso, W. Raveane, V. Parra, A. González. UAVs Applied to the
Counting and Monitoring of Animals. Advances in Intelligent Systems
and Computing. 291. 10.1007/978-3-319-07596-9_8, 2014.
[18] S. Jung, B.K. Ariyur. Strategic Cattle Roundup using Multiple Quadrotor
UAVs. International Journal of Aeronautical and Space Sciences, v. 18,
n. 2, p. 315-326, 2017.
[19] S. Nyamuryekung’e, A. F. Cibils, R. E. Estell, A. L Gonzalez. Use of an
unmanned aerial vehicle− mounted video camera to assess feeding
behavior of Raramuri Criollo cows. Rangeland ecology & management,
v. 69, n. 5, p. 386-389, 2016.
[20] T. R. Trumbull, S. R. Myrtle. Unmanned livestock monitoring system and
methods of use. U.S. Patent Application n. 15/000,018, 20 jul. 2017.
[21] I. J. O. DA SILVA. Automação dos sistemas para aumento do conforto
animal. NUPEA, ESALQ - USP. Disponível em: <
http://www.nupea.esalq.usp.br/admin/modSite/arquivos/
imagens/857de97217f133bbcc4b48b3db797a68.pdf >. 2001.