Tecnologia RFID aplicada a agrocomputação:
Um estudo de caso utilizando descoberta de
conhecimento em base de dados
ORGANIZAÇÃO DA APRESENTAÇÃO
● Introdução ● Objetivo Geral ● Referencial Teórico ● Metodologia ● Considerações FinaisOBJETIVO GERAL
O objetivo geral do presente trabalho é propor um modelo para previsão do peso de frangos de corte, por meio de algoritmos de descoberta de conhecimento em base de dados, fundamentado em variáveis do ambiente, como: temperatura, umidade relativa do ar e luminosidade, da mesma forma que, foram considerados dados relativos a idade e peso das aves.
REFERENCIAL TEÓRICO
● Avicultura
● RFID (Radio Frequency Identification)
● Descoberta de Conhecimento em Base de Dados ● Sabedoria das Massas
AVICULTURA
● A avicultura é o ramo que se destina a criação de aves;
● É um dos setores mais importantes para a economia do país, pois representa aproximadamente 1,5% do PIB (Produto Interno Bruto) brasileiro e 47% da carne produzida no país;
PROD. BRASILEIRA DE CARNE DE FRANGO
(MILHÕES DE TONELADAS)
EXP. MUNDIAL DE CARNE DE FRANGO EM 2015
(MILHÕES DE TONELADAS)
RFID (RADIO FREQUENCY IDENTIFICATION)
O RFID é um método de identificação automática através de sinais de rádio, capaz de recuperar e armazenar dados. Um sistema RFID é composto por:
● Tags; ● Antenas; ● Leitor;
COMPONENTES DE UM SISTEMA RFID
● Tag (Identificador): Dispositivo capaz de identificar elementos no meio
em que está implementado.
● Tipos de tags:
○ Tags Passivos; ○ Tags Ativos;
COMPONENTES DE UM SISTEMA RFID
● Antena: Tem como função fazer a comunicação entre as informações
contidas no identificador e o leitor.
● Tipos de Antena:
○ Antena Polarização Linear; ○ Antena Polarização Circular;
COMPONENTES DE UM SISTEMA RFID
● Leitor: O leitor tem a incumbência de compreender as informações
DESCOBERTA DE CONHECIMENTO EM BASE
DE DADOS
Combina métodos tradicionais de análise de dados com algoritmos sofisticados para processar grandes volumes de dados.
É composta por três processos, sendo eles:
● Pré-processamento; ● Mineração de Dados;
Temos dois tipos de tarefas para a mineração de dados, que são:
● Tarefas Preditivas: O objetivo é predizer o valor de um atributo baseado
na análise dos valores já existentes.
● Tarefa Descritivas: Que tem por intuito é encontrar padrões entre os
dados.
Classificação: baseia-se em explorar características de determinado elemento
e enquadrá-lo em conjuntos pré-definidos.
Regressão: É utilizada quando a classificação de atributos não é suficiente, os
usuários podem estar interessados em predizer valores que estão ausentes na base dados.
Agrupamento: Busca separar elementos com características diferentes em
subgrupos ou segmentos com aspectos semelhantes.
Associação: Descobrir que atributos estão relacionados em uma base de
dados.
ANÁLISE DE ASSOCIAÇÃO
Número da Nota Fiscal
Itens
1 Pão, Leite
2 Pão, fralda, cerveja e ovos
3 Leite, fralda, cerveja e refrigerante
4 Pão, leite, fralda e cerveja
Relacionamentos gerados:
1. {Pão} => Leite; 2. {Fralda} => Cerveja;
SABEDORIA DAS MASSAS
Solução que emerge de uma decisão coletiva, muitas vezes é mais precisa quando comparada a opinião de um único especialista.
● No âmbito da Descoberta de Conhecimento em Base de Dados esta afirmação se faz verdadeira em muitos casos;
SABEDORIA DAS MASSAS
Na Descoberta de Conhecimento, este conceito pode ser entendido como um conjunto de algoritmos que produzem soluções individuais e que de alguma forma combinam suas saídas produzindo uma resposta final.
CONSTRUÇÃO DE SOLUÇÕES BASEADAS EM
SABEDORIAS DAS MASSAS
A construção de soluções baseadas em Sabedoria das Massas pode ocorrer de duas maneiras, sendo elas:
● O uso de múltiplos algoritmos;
UNIÃO DAS SOLUÇÕES
A união das soluções propostas pelo Ensemble Learning pode acontecer de várias formas, sendo elas:
● Voto da maioria;
● Voto ponderado da maioria; ● Combinação algébrica:
METODOLOGIA
● Ferramentas utilizadas para o desenvolvimento do trabalho ● Modelo Entidade-Relacionamento (MER)
● Coleta de dados ● Estudo de caso 1 ● Estudo de caso 2
FERRAMENTAS ENVOLVIDAS NO DESENVOLVIMENTO
DA PROPOSTA
● PostgreSQL – Gerenciador de banco de dados;
● Arduino – O Arduino é uma plataforma open source usada para
construção de projetos eletrônicos, sendo composta por um microcontrolador e uma IDE utilizada para escrever as instruções que interagem com o microcontrolador.
MODELO ENTIDADE-RELACIONAMENTO
Arquivo externoESTUDO DE CASO 1
Total de instâncias: 46506; Software: Weka;
Algoritmo adotado: Apriori (Análise de associação); População: 15
ESTUDO DE CASO 1 - PRÉ-PROCESSAMENTO
● Períodos (Hora): ○ Madrugada: Entre 00:00:00 e 05:59:59; ○ Manhã: Entre 06:00:00 e 11:59:59; ○ Tarde: Entre 12:00:00 e 17:59:59; ○ Noite: Entre 18:00:00 e 23:59:59; ● Fases (Dia):ESTUDO DE CASO 1 - MINERAÇÃO DE DADOS
Após o conjunto de dados ter sido devidamente pré-processado, o mesmo foi disponibilizado para a etapa de mineração de dados. Onde utilizou-se:
ESTUDO DE CASO 1 - PÓS-PROCESSAMENTO
●
Se Fase = Fase 1 && Período = Tarde Então Entered = True;
●
Se Período = Noite Então Entered = False;
●
Se Período = Madrugada Então Entered = True;
●
Se Período = Tarde Então Entered = True;
●
Se Fase = Fase 3 Então Entered = False;
ESTUDO DE CASO 1 - CONCLUSÕES
De modo geral, foi observado que os frangos buscam se alimentar mais no período da madrugada e da tarde e menos nos períodos da manhã e da noite. Por último, foi detectado que, com o passar do tempo, conforme os frangos cresciam, a procura por alimentação diminuía de forma progressiva.
ESTUDO DE CASO 2
Total de instâncias: 104899; Software: Weka;
População: 10; Linhagem: Cobb;
ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO
Semanas de Vida Períodos do dia
Semana 4: 7 dias; Semana 5: 7 dias; Semana 6: 5 dias; Madrugada: entre 00:00:00 e 05:59:59; Manhã: entre 06:00:00 e 11:59:59; Tarde: entre 12:00:00 e 17:59:59; Noite: entre 18:00:00 e 23:59:59;
ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO
Idades em Semanas Temperatura Ambiente (ºC) Umidade do Ar (%)
1 32 a 35 50 - 70
2 29 a 32 50 - 70
3 23 a 26 50 - 70
4 15 a 25 50 - 70
ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO
Por fim, os dados faltantes relativos ao peso das aves foram definidos e preenchidos manualmente, por meio de um cálculo de média, onde, por exemplo o peso da segunda semana era somado com a da primeira semana e dividido pelo número de dias. Desse modo, foi possível obter uma noção do crescimento diário dos frangos de corte.
ESTUDO DE CASO 2 - MINERAÇÃO DE DADOS
Após a etapa de pré-processamento de dados, foi iniciada a fase de mineração de dados.
ESTUDO DE CASO 2 - MINERAÇÃO DE DADOS
Após a etapa de pré-processamento de dados, foi iniciada a fase de mineração de dados.
ESTUDO DE CASO 2 - PÓS-PROCESSAMENTO
● Medidas de Avaliação para o algoritmo M5P:
○ Coeficiente de correlação: 0,9638;
● Medidas de Avaliação para o algoritmo M5P com Bagging:
ESTUDO DE CASO 2 - PÓS-PROCESSAMENTO
● O peso esperado para um frango de corte, que se encontra: ○ Semana 6 de monitoramento;
○ Período da tarde ou noite; ○ Fora da temperatura;
PERÍODO DE MAIOR MOVIMENTAÇÃO EM TORNO DA
ZONA DE ALIMENTAÇÃO
EVOLUÇÃO EM TERMOS DE PROCURA POR
ALIMENTAÇÃO
COMPARATIVO EM TERMOS DE PROCURA POR
ALIMENTAÇÃO
COMPARATIVO EM TERMOS DE PROCURA POR
ALIMENTAÇÃO
PROCURA POR ALIMENTAÇÃO X TEMPERATURA DOS
SENSORES
PROCURA POR ALIMENTAÇÃO X UMIDADE REGISTRADA
PELOS SENSORES
PROCURA POR ALIMENTAÇÃO X LUMINOSIDADE
REGISTRADA PELOS SENSORES
PROCURA POR ALIMENTAÇÃO X LUMINOSIDADE
REGISTRADA PELOS SENSORES
Por meio, da análise dos gráficos anteriores, é possível reconhecer que as condições ideias para criação dos frangos de corte na Escola Estadual Santa Isabel, seriam:
● Temperatura: entre 26.5ºC e 27.3ºC ; ● Umidade: entre 75% e 77%;
CONSIDERAÇÕES FINAIS
● De forma geral, foi possível observar que o uso da tecnologia de monitoramento não gerou interferência no desenvolvimento das aves;
● A descoberta de conhecimento em base de dados mostrou-se válida, pois através dela, foi possível alcançar o objetivo do trabalho, bem como, outras informações;
CONSIDERAÇÕES FINAIS
● Ressaltasse o uso do ensemble learning no segundo estudo de caso, que apesar de não oferecer ganhos significativos de informação, quando comparado ao uso de um único algoritmo, demonstrou ser uma alternativa válida para o processo de mineração de dados.
● Por fim, apesar dos resultados satisfatórios, é requerida uma quantidade maior de validações, para provar que os dados obtidos neste trabalho
TRABALHOS FUTUROS
● Teste de novos algoritmos de mineração de dados;
● Colocação de uma célula de carga diretamente no comedouro, desse modo, possível ter o controle do consumo de ração;
● Posicionamento de sensores de umidade do solo, a fim de, verificar a porcentagem de água existente na cama das aves;
● Instalação de sensores de vibração diretamente nas estações de alimentação das aves;