Tecnologia RFID aplicada a agrocomputação: Um estudo de caso utilizando descoberta de conhecimento em base de dados

Transcrição

1 Tecnologia RFID aplicada a agrocomputação: Um estudo de caso utilizando descoberta de conhecimento em base de dados Nome: Alex Sandro de Paula Rodrigues; Orientadora: Profª. Dra. Regina Barwaldt

2 ORGANIZAÇÃO DA APRESENTAÇÃO Introdução Objetivo Geral Referencial Teórico Metodologia Considerações Finais 2

3 OBJETIVO 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. 3

4 REFERENCIAL TEÓRICO Avicultura RFID (Radio Frequency Identification) Descoberta de Conhecimento em Base de Dados Sabedoria das Massas 4

5 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; 5

6 PROD. BRASILEIRA DE CARNE DE FRANGO (MILHÕES DE TONELADAS) 6

7 EXP. MUNDIAL DE CARNE DE FRANGO EM 2015 (MILHÕES DE TONELADAS) 7

8 EXPORTAÇÃO X RECEITA 8

9 DESTINO DA PRODUÇÃO DE CARNE DE FRANGO 9

10 CONSUMO PER CAPITA (KG/HAB) 10

11 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; 11

12 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; 12

13 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; 13

14 COMPONENTES DE UM SISTEMA RFID Leitor: O leitor tem a incumbência de compreender as informações enviadas pelo identificador. 14

15 FUNCIONAMENTO DE UM SISTEMA RFID 15

16 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; Pós-processamento; 16

17 PROCESSOS DO KDD 17

18 TAREFAS DE APRENDIZADO 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. 18

19 TAREFAS PREDITIVAS 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. 19

20 CLASSIFICAÇÃO 20

21 REGRESSÃO 21

22 TAREFAS DESCRITIVAS 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. 22

23 AGRUPAMENTO 23

24 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 5 Pão, leite, fralda e refrigerante Relacionamentos gerados: {Pão} => Leite; {Fralda} => Cerveja; 24

25 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; 25

26 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. 26

27 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; Manipulação de conjunto de dados; 27

28 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: Regra da soma, regra da média, regra do produto, entre outras. 28

29 METODOLOGIA Ferramentas utilizadas para o desenvolvimento do trabalho Modelo Entidade-Relacionamento (MER) Coleta de dados Estudo de caso 1 Estudo de caso 2 29

30 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. Weka - O Weka é uma coleção de algoritmos de descoberta de conhecimento em base de dados; 30

31 MODELO ENTIDADE-RELACIONAMENTO Banco de dados Arquivo externo 31

32 ESTUDOS DE CASO 32

33 COLETA DE DADOS PARA AMBOS ESTUDOS DE CASO 33

34 ESTUDO DE CASO 1 Total de instâncias: 46506; Software: Weka; Algoritmo adotado: Apriori (Análise de associação); População: 15 Linhagem: Cobb; Objetivo: Verificar como os períodos do dia e o tempo de vida das aves influenciam no processo de busca de alimentação; 34

35 COLETA DE DADOS 35

36 ESTUDO DE CASO 1 - PRÉ-PROCESSAMENTO 36

37 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): Fase 1: 8 dias; Fase 2: 8 dias; Fase 3: 7 dias; 37

38 ESTUDO DE CASO 1 - PRÉ-PROCESSAMENTO 38

39 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: Algoritmo: Apriori; 39

40 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; Se Fase = Fase 1 Então Entered = True; Se Período = Manhã Então Entered = False; 40

41 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. 41

42 ESTUDO DE CASO 2 Total de instâncias: ; Software: Weka; População: 10; Linhagem: Cobb; Algoritmo adotado: M5P (Classificação); Objetivo: gerar modelo de predição de peso, com base em variáveis, como: temperatura, umidade relativa do ar e luminosidade do ambiente, assim como, períodos do dia, tempo de vida e peso das aves. 42

43 ESTUDO DE CASO 2 - COLETA DE DADOS 43

44 ESTUDO DE CASO 2 - COLETA DE DADOS 44

45 ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO 45

46 ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO Semanas de Vida Períodos do dia Semana 4: 7 dias; Madrugada: entre 00:00:00 e 05:59:59; Semana 5: 7 dias; Manhã: entre 06:00:00 e 11:59:59; Semana 6: 5 dias; Tarde: entre 12:00:00 e 17:59:59; Noite: entre 18:00:00 e 23:59:59; 46

47 ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO Idades em Semanas Temperatura Ambiente (ºC) Umidade do Ar (%) 1 32 a a a a a a a

48 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. 48

49 ESTUDO DE CASO 2 - PRÉ-PROCESSAMENTO 49

50 ESTUDO DE CASO 2 - MINERAÇÃO DE DADOS Após a etapa de pré-processamento de dados, foi iniciada a fase de mineração de dados. Algoritmo: M5P; 50

51 ESTUDO DE CASO 2 - MINERAÇÃO DE DADOS Após a etapa de pré-processamento de dados, foi iniciada a fase de mineração de dados. Algoritmo: M5P com Bagging; 51

52 ESTUDO DE CASO 2 - MINERAÇÃO DE DADOS 52

53 ESTUDO DE CASO 2 - PÓS-PROCESSAMENTO 53

54 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: Coeficiente de correlação: 0,9638; 54

55 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; Peso fornecido pelo modelo foi de kg; Erro de: 29 gramas, ou seja, 2546 kg (Real); 55

56 INFORMAÇÕES RELEVANTES 56

57 PERÍODO DE MAIOR MOVIMENTAÇÃO EM TORNO DA ZONA DE ALIMENTAÇÃO 57

58 EVOLUÇÃO EM TERMOS DE PROCURA POR ALIMENTAÇÃO 58

59 COMPARATIVO EM TERMOS DE PROCURA POR ALIMENTAÇÃO 59

60 COMPARATIVO EM TERMOS DE PROCURA POR ALIMENTAÇÃO 60

61 PESO ESPERADO X PESO OBTIDO 61

62 PROCURA POR ALIMENTAÇÃO X TEMPERATURA DOS SENSORES 62

63 PROCURA POR ALIMENTAÇÃO X UMIDADE REGISTRADA PELOS SENSORES 63

64 PROCURA POR ALIMENTAÇÃO X LUMINOSIDADE REGISTRADA PELOS SENSORES 64

65 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%; Luminosidade: entre 33% e 39.5%; 65

66 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; 66

67 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 evidenciam a realidade no comportamento das aves de corte e não um padrão fora do normal. 67

68 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; Propor o uso de atuadores no ambiente de coleta de dados, com objetivo, de intervir nas condições do local, trazendo assim um ambiente agradável para os frangos de corte; Aperfeiçoamento da aplicação móvel para formulação de ração dos frangos de corte; 68

69 OBRIGADO! 69