CLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY RESUMO INTRODUÇÃO

Transcrição

1 CLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY Wesley Osvaldo Pradella Rodrigues 1, Danilo Augusto Heredia Vieira 1, Rhaysa Wolf 1 (Alunos do Curso de Administração da Universidade Anhanguera - Uniderp) Celso Correia de Souza, José Francisco dos Reis Neto 2 (Orientadores, Professores da Universidade Anhanguera - Uniderp) RESUMO Este trabalho se trata da classificação de cordeiros SRD (Sem Raça Definida), para o abate utilizando a Lógica Fuzzy como método de modelagem de incertezas e ambigüidades. Para o desenvolvimento deste trabalho utilizou-se o Toolbox Fuzzy Logic do programa matemático Matlab 7.0. As entradas foram constituídas pelas medidas de comprimento longitudinal e medidas de peso. Os valores retornados de saída corresponderam à classificação do cordeiro. No trabalho estão apresentadas três situações distintas da classificação de cordeiros. Após o desenvolvimento dos modelos, os resultados foram comparados com os dados reais, e podem ser considerados bons, pois se encontram próximos destes. Palavras-chave: Classificação de cordeiros; abate de cordeiros; tomada de decisão. INTRODUÇÃO No Brasil, o produtor de ovinos é remunerado em função do peso no momento do abate, fazendo com que esses animais sejam comercializados com peso elevado para a obtenção de maior lucratividade. Acontece que esses animais, geralmente, são mais velhos e possuem maior percentual de gordura na carcaça, além da carne não apresentar a maciez ideal. A gordura intramuscular e a gordura de cobertura são fatores que podem interferir na suculência e maciez da carne (GARCIA, 2010; FARIA, 2010). Como o mercado consumidor brasileiro se apresenta mais exigente quanto à higiene e, principalmente, quanto à qualidade das características físicas da carne, torna-se necessário o conhecimento dessas características nas diferentes faixas de peso dos ovinos destinados ao abate (SANTOS, 2004). Assim, a experiência mostra que ao se produzir e abater cordeiros precoces tem-se a certeza de uma melhor qualidade da carne, com bom sabor e pouco teor de gordura. Essas características são levantadas empiricamente por equipes experientes e são comprovadas após o abate do ovino. Recursos da inteligência artificial podem ajudar os empresários do ramo da ovinocultura na classificação do seu rebanho para o abate. Uma dessas técnicas, exposta neste trabalho de pesquisa, foi a Lógica Fuzzy, também denominada de Lógica Nebulosa, na classificação de ovinos ideais para o abate (SHAW e SIMÕES, 1999). A Lógica Fuzzy diferencia da Lógica Clássica que apenas permite a classificação de uma afirmação em verdadeira ou falsa, esta última é capaz de atribuir classificações intermediárias. Em virtude disso, essa ferramenta heurística permite classificar dados imprecisos e incertos, informações ambíguas e vagas, fornecendo ao tomador de decisões soluções de problemas que podem envolver muitas variáveis, algumas delas imprecisas (SHAW e SIMÕES, 1999). Através de determinadas regras, os dados caracterizados como incertos são analisados, implementados e aproximados por números para possibilitar a interpretação das máquinas e computadores. A Lógica Fuzzy consiste em aproximar a decisão computacional da decisão humana, de forma que a decisão de uma máquina não se resuma apenas a um "sim" ou um "não", mas também tenha decisões do tipo "um pouco melhor", "talvez sim", para enumerar algumas das variáveis que representam as decisões humanas.

2 Baseado num conjunto de regras, a Lógica Fuzzy permite que se expresse a incerteza e a ambigüidade, cuja conclusão já não é expressa como falsa ou verdadeira, mas sendo verdadeira a determinado grau, ou falsa a determinado grau. O grau de certeza ou incerteza é denominado de grau de pertinência. O objetivo deste trabalho de pesquisa foi o de usar recursos da Lógica Fuzzy, tendo como base um conjunto de regras fornecido por uma equipe de especialistas sobre as condições ideais para o abate de ovinos, para a determinação automática do momento ideal de abate. Lógica Fuzzy ou Difusa Segundo Kohagura (2007, p. 10): A Lógica Fuzzy é baseada na teoria dos Conjuntos Fuzzy. A teoria dos Conjuntos Fuzzy diz que se dado um determinado elemento que pertence a um domínio, é verificado o grau de pertinência do elemento em relação ao conjunto. O grau de pertinência é a referência para verificar o quanto é possível esse elemento poder pertencer ao conjunto. O grau é calculado através de uma determinada função que retorna geralmente um valor real que varia entre 0 à 1, sendo que 0 indica que não pertence ao conjunto, e 1 pertence. O controle executado pela Lógica Difusa imita um comportamento baseado em regras (inferência) ao invés de um controle restrito a modelos matemáticos complexos. Podemos dizer com clareza que o objetivo da lógica Difusa é gerar uma saída lógica a partir de um conjunto de entradas não precisas, com faltantes ou ate mesmo ruídos (AGUIAR, 1999; SHAW, 1999). Função de Pertinência utilizada A função triangular é dada por: tri( x, a, b, c) max 0, min ( x ( b a) ( c, a) ( c x) b) e representada pela Figura 1. Figura 1 Representação da função de pertinencia triangular. Fonte: Adaptado de (KOHAGURA, 2007) Raciocínio Difuso O raciocínio fuzzy é composto de por três etapas ou processos que são: a fuzzificação, a inferência e a defuzzificação: de forma resumida a fuzzificação consiste em transformar um dado numérico em um termo de linguagem natural; a inferência é uma etapa importante do raciocínio fuzzy, é através dela que é feita a tomada de decisão. Nela são determinados os graus de pertinência de cada conjunto, com os dados resultantes são realizadas as regras do tipo Se-Então e; na defuzzificação, o valor da variável lingüística de saída inferida pelas regras fuzzy será traduzido num numero discreto. O objetivo é obter-se um único valor numérico discreto que melhor represente os valores fuzzy inferidos da variável lingüística de saída (KOHAGURA, 2007). METODOLOGIA

3 Neste trabalho utilizou-se a Lógica Fuzzy com o objetivo de classificar cordeiros para o abate. Para a classificação foi utilizados dados de medidas de comprimento longitudinal (cm) e dados de peso (kg) de cordeiros SRD (sem raça definido) a serem abatidas na Fazenda Três Barras da Universidade Anhanguera/Uniderp, em Campo Grande, MS.. Para o desenvolvimento deste trabalho utilizou-se o Toolbox Fuzzy Logic do programa matemático Matlab 7.0, as entradas foram constituídas pelas medidas de comprimento longitudinal e medidas de peso. As funções de pertinência foram representadas com forma triangular, por se caracterizar de fácil visualização, com forme a Figura 2. Figura 2 Funções de Pertinência de Entrada. As entradas, em seguida, foram submetidas a um conjunto de regras de inferências criadas para a resolução deste problema, citados abaixo e representada pela Figura SE peso é leve e comprimento é curto ENTÃO é normal; 2. SE peso é leve e comprimento é mediano ENTÃO é magro; 3. SE peso é leve e comprimento é comprido ENTÃO é palito; 4. SE peso é médio e comprimento é curto ENTÃO é gordo; 5. SE peso é médio e comprimento é mediano ENTÃO é normal; 6. SE peso é médio e comprimento é comprido ENTÃO é magro; 7. SE peso é pesado e comprimento é curto ENTÃO é elefante; 8. SE peso é pesado e comprimento é mediano ENTÃO é gordo; 9. SE peso é pesado e comprimento é comprido ENTÃO é normal. Figura 6 Função de Pertinência de Saída. A defuzzificação foi obtida na unidade de peso através do calculo do centróide da Figura obtida através do conjunto de regras do problema. O resultado pode ser positivo ou negativo, conforme o cordeiro necessite de engordar ou emagrecer o valor correspondente, observando que no caso do cordeiro precisar emagrecer, significa que o cordeiro ultrapassou o ponto ideal de abate. RESULTADOS E DISCUSSÕES Neste trabalho foram realizadas três simulações, representadas pelos CORDEIRO1, CORDEIRO2 e CORDEIRO3, com duas entradas: uma relativa aos pesos, com valores de

4 40,0, 55,0 e 20,0 kg, respectivamente, e outra entrada relativa aos comprimentos longitudinais dos cordeiros, com valores de 70, 85 e 40 cm, respectivamente. Com relação ao CORDEIRO1, observou-se que com as entradas de peso (40 kg) e comprimento (70 cm), resultou numa saída igual a zero, isto é, de acordo com as regras de inferência, podemos classificar CORDEIRO1 como sendo um animal NORMAL, ou seja, ideal para o abate. Já, em ralação ao CORDEIRO 2, observou-se que com as entradas de peso (19,5 kg) e comprimento (74,1 cm), resultou numa saída de igual a 6,76, isto é, de acordo com as regras de inferência, podemos classificar este cordeiro com sendo um animal PALITO, ou seja, para ser considerado NORMAL ou ideal para o abate ele precisa engordar pelo menos 7,0 kg. Finalmente, com ralação ao CORDEIRO 3, observou-se que com as entradas de peso (51 kg) e comprimento (36 cm), resultou numa saída de - 5,42, isto é, de acordo com as regras de inferência, podemos classificar CORDEIRO 3 como sendo um animal ELEFANTE, ou seja, este animal está com, aproximadamente, 5,42 kg acima do ponto considerado ideal para o abate. CONCLUSÃO Neste trabalho analisou-se a classificação de cordeiros para o abate utilizando Lógica Fuzzy como ferramenta que permite determinar, através de regras de inferências determinadas por especialistas na atividade de ovinocultura, o momento ideal para o abate. Os resultados podem ser considerados bons, pois comprovou-se neste trabalho que a Lógica Fuzzy se trata de uma ferramenta que pode auxiliar o pecuarista nas tomadas de decisão em relação ao abate de cordeiro. Outras pesquisas devem ser realizadas no sentido de aprimorar as tomadas de decisão, inclusive, considerando outras variáveis biométricas, como comprimento do trocanter e da perna do cordeiro, implicando num aumento sensível do conjunto de regras de inferências. É conveniente lembrar que essa ferramenta se aplicada a uma série de outros processos classificatórios, desde existam equipes de especialistas para a elaboração do conjunto de regras de inferências para cada processo. REFERÊNCIAS BIBLIOGRÁFICAS FARIA, D. G. L. Análise do crescimento do rebanho de ovinos e caprinos no Brasil. Disponível em Acessado em 30 de abril de GARCIA, S. Cresce consumo de carne de ovinos e caprinos. Disponível em Acessado em 30 de abril de KOHAGURA, T. Lógica fuzzy e suas aplicações. Departamento de Computação. Universidade Estadual de Londrina - Londrina, SHAW, I. S.; SIMÕES, M. G. Controle e Modelagem Fuzzy. São Paulo: Editora Edgard Blücher, SANTOS, R. A Criação da Cabra e da Ovelha no Brasil. Uberaba- MG: Agropecuaria Tropical Ltda. 496p, 2004.

5 This document was created with Win2PDF available at The unregistered version of Win2PDF is for evaluation or non-commercial use only.