ads:
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
FACULDADE DE VETERINÁRIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS VETERINÁRIAS
USO DE REDES NEURAIS ARTIFICIAIS NO GERENCIAMENTO DE
MATADOUROS-FRIGORÍFICOS DE AVES E SUÍNOS NO SUL DO BRASIL.
Priscila Rech Pinto.
Dissertação apresentada como requisito
para obtenção do grau de Mestre em
Ciências Veterinárias na área de
Medicina Veterinária Preventiva,
especialidade Sanidade Avícola.
Orientador: Carlos Tadeu Pippi Salle.
Co-orientador: Adriano da Silva
Guahyba.
Porto Alegre
2006
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
Catalogação na fonte: Biblioteca da Faculdade de Veterinária da UFRGS
P659u Pinto, Priscila Rech
Uso de redes neurais artificiais no gerenciamento de matadouros-
frigoríficos de aves e suínos no sul do Brasil. / Priscila Rech Pinto. – Porto
Alegre: UFRGS, 2006.
74 f.; il. – Dissertação (Mestrado) – Universidade Federal do Rio Grande
do Sul, Faculdade de Veterinária, Programa de Pós-graduação em Ciências
Veterinárias, Porto Alegre, RS-BR, 2006. Carlos Tadeu Pippi Salle, Orient.
1. Redes neurais artificiais 2. Avicultura 3. Suinocultura
4. Matadouros I. Salle, Carlos Tadeu Pippi, Orient. II. Guahyba, Adriano
da Silva, Co-orient. III. Título.
CDD 619.602605
ads:
PRISCILA RECH PINTO
USO DE REDES NEURAIS ARTIFICIAIS NO GERENCIAMENTO DE
MATADOUROS-FRIGORÍFICOS DE AVES E SUÍNOS NO SUL DO BRASIL.
Aprovado em 21/12/2006.
Aprovado por:
_________________________________________.
Prof. Dr.
Carlos Tadeu Pippi Salle
Orientador e Presidente da Comissão
_________________________________________.
Prof. Dr.
Hamilton Luiz de Souza Moraes
Membro da Comissão
_________________________________________.
Profa. Dra.
Luciana Ruschell dos Santos
Membro da Comissão
_________________________________________.
Prof. Dr.
Luiz César Bello Fallavena
Membro da Comissão
DEDICATÓRIA
Dedico este
trabalho aos meus
pais, que me
ensinaram desde cedo
a lutar por tudo aquilo
que eu desejava.
Queridos pais, essa é
mais uma batalha
vencida.
AGRADECIMENTOS
Agradeço aos meus pais, Carmem e Máximo, que me apoiaram a iniciar o
mestrado, mesmo diante de diversas dificuldades. Agradeço a meu noivo Ramon, minha
irmã Patrícia, meu orientador, Dr. Carlos Tadeu Pippi Salle, meu co-orientador, Dr.
Adriano da Silva Guahyba, ao professor Dr. Hamilton Luiz de Souza Moraes, Dra. Ana
Cristina P. da Rocha, ao secretário do CDPA, Luis Henrique (Zico) e ao biólogo Silvio
Rocha.
Aos estagiários do CDPA que me ajudaram na execução do projeto, Daniela
Pinheiro, Débora Maciel Leal, Gabriella Bettiol, Vanessa Ferraro, Fabrício Imperatori,
Rafael Peruzzollo, Tatiane Lima, Caroline Hiller, Thiago Kirst, Gabriel Lima, José
Roberto Bastos, João Guahyba, e aos mestrandos e doutorandos do CDPA, Lucas
Brunelli Moraes, Flávia B. B. Fortes, Felipe Salle, Guilherme Fonseca de Souza e
Anderlise Borsoi. As amigas Michele Maroso e Cibele Araújo Torres pelas hospedagens
que necessitei e pela amizade.
Aos meus sogros Anete Moser e Francisco Moser pelo apoio. As amigas Jane
Costa e Mirele Lavagnoi pela ajuda nos momentos difíceis.
Obrigada a todos.
SUMÁRIO
RESUMO.........................................................................................................................5
ABSTRACT......................................................................................................................6
1. INTRODUÇÃO...........................................................................................................7
2. REVISÃO BIBLIOGRÁFICA................................................................................10
2.1 Resfriamento de carcaças.......................................................................................10
2.2 Modelos matemáticos e Inteligência Artificial .....................................................14
3. MATERIAL E MÉTODO........................................................................................24
3.1 Dados de registro.....................................................................................................24
3.2 Análise estatística dos dados:.................................................................................26
3.3 Redes Neurais Artificiais:.......................................................................................26
4. RESULTADOS E DISCUSSÕES............................................................................29
4.1 Modelo de rede neural artificial para o estudo das causas de condenação
parcial na inspeção final da empresa A. .................................................................30
4.2 Modelo de rede neural artificial para a variável de saída “Peso da Carcaça na
Saída do Chiller” na Empresa B..............................................................................35
4.3 Modelo de redes neurais artificiais para a variável de saída “Teste De
Absorção” em carcaças da empresa B....................................................................40
4.4 Modelo de redes neurais artificiais para a variável de saída “Condenação Por
Falha Operacional”...................................................................................................45
4.5 Modelo de redes neurais artificiais para a variável de saída “Quebra De
Resfriamento” em carcaças suínas na empresa C. ................................................49
4.6 Modelo de redes neurais artificiais para a variável de saída “Peso Vivo De
Suínos” na empresa C...............................................................................................54
4.7 Considerações finais:..............................................................................................58
5. CONCLUSÃO...........................................................................................................60
REFERÊNCIAS BIBLIOGRÁFICAS........................................................................61
APÊNDICE A- Modelo de redes neurais artificiais para a variável de saída
“Condenação Total De Carcaça Na Inspeção Final” da empresa A....................66
APÊNDICE B-Modelo de redes neurais artificiais para variável de saída
“Condenação Total Na Pré- Inspeção” na Empresa A..........................................71
RESUMO
Este trabalho teve por objetivo utilizar redes neurais artificiais para explicar fenômenos
que ocorrem em matadouros-frigoríficos avícolas. A estatística descritiva e a diferença
entre as variáveis foram calculadas através do programa computacional SPSS for
Windows 10.0 e para a construção das redes neurais artificiais foi utilizado o programa
Neuroshell Predictor desenvolvido pela Ward Systems Group. Foram utilizados dados
de 2004 a 2006 de dois matadouros-frigoríficos de aves e ocasionalmente um
matadouro-frigorífico de suínos. Nos arquivos oferecidos pelas empresas, haviam dados
de gerenciamento de matadouros-frigoríficos, como por exemplo, planilhas de
condenação da inspeção, dados sobre chiller, teste de absorção das carcaças, dados
sobre peso de carcaças, entre outros. Para a construção dos modelos foram escolhidas as
“entradas”, para o cálculo do modelo preditivo, e a variável de “saída” a ser predita.
Foram gerados oito (8) modelos com diferentes bancos de dados. Todos esses modelos
apresentaram redes neurais artificiais bem ajustadas, com valores altos para Correlação
e Coeficiente de Determinação Múltipla (R²) e valores baixos para o Erro Médio e o
Quadrado médio do Erro (QME). Não houve diferenças significativas entre os valores
reais e os valores preditos em todas as validações dos oito (8) modelos. As redes neurais
artificiais, com o software utilizado, foram capazes de explicar os fenômenos que
envolvem o gerenciamento de matadouros-frigoríficos de aves, e ocasionalmente de
suínos. A técnica utilizada oferece critérios objetivos, cientificamente desenvolvida, que
será de grande valia no auxílio do técnico responsável pela tomada de decisões. A
técnica permite também realizar simulações e mensurar a contribuição de diferentes
variáveis que influenciam no fenômeno. É importante ressaltar que a utilização das
redes neurais artificiais é uma ferramenta de auxílio à tomada de decisões, e não um
programa que substitua o conhecimento científico e técnico.
ABSTRACT
This work aimed to use artificial neural networks to explain the occurred phenomena in
the poultry slaughterhouse. The descriptive statistics and the difference among the
variable averages from the initial data were calculated with SPSS software, and the
software used to build the artificial neural networks was Neruoshell Predictor,
developed by Ward Systems Group. Data from three poultry and one swine
slaughterhouses, gathered from 2004 until 2006, were used in this study. In these data
there were information about carcasses condemnation, chillers, absorption tests,
carcasses weights, medications and others. To build the neural networks,the chosen
variables were identified as “input” and “output”. The “input” variables were selected
for the predictive model calculation and the “output” variable for the one to be
predicted. It was made 8 models with different databases. In all these models, the
generated artifical neural networks were well adjusted always presenting a high
Multiple Deteminant Coefficient (R²) and correlation and the lowest Mean Squared
Error (QME) and mean error. Also the differences between the real value and the
predicted value in the 8 models studied were not statistically significant.This study
concludes that artifical neural network, with the used software, were capable to explain
the phenomena involved in the poultry slaughterhouse and that the modeling can also
be extended to swine slaughterhouse. This powerfull technique offers objective criteria,
scientifically generated, which can be used to assist in the decisions analysis process
for this industry. It also allows to make simulations and to measure the contribution of
each variable in the phenomena studied. It’s important to point out that artificial neural
networks are intruments to assist the technician in decision making. Thus, it is not a
program able to replace the cientific and technical knowledge.
1. INTRODUÇÃO
A avicultura na América do Sul e do Norte concentrou em 2005 o maior volume
de carne de frango do planeta com 48% da produção e 79% das exportações mundiais.
Os Estados Unidos são os maiores produtores do mundo, com produção de 16 milhões
de toneladas, seguido do Brasil com 9 milhões. O Brasil, maior exportador mundial, e
os Estados Unidos representam 76% dos embarques globais. Por ser grande produtor de
grãos e pelos avanços tecnológicos alcançados, tanto na área genética como na
industrial, o continente americano ganha importância cada vez maior, seja na produção
de frangos, seja no consumo e nas exportações.
O desempenho do frango de corte, no ano de 2005, cresceu acima das previsões
iniciais, com as empresas apresentando resultados positivos, mesmo considerando
algumas dificuldades como a queda contínua das cotações do dólar, as preocupações
com os focos de Influenza Aviária na Ásia, Europa e na Colômbia, e a greve dos Fiscais
Federais Agropecuários ocorrida no mês de novembro no país.
Foram abatidos 4,4 bilhões de frangos, que resultaram em 9,3 milhões de
toneladas de carne. Essa performance representou aumento de 9,5% na produção de
carne de frango em comparação com o total alcançado em 2004. Do total produzido, 6,5
milhões de toneladas foram encaminhadas ao mercado interno. O consumo per capita
nacional elevou-se para 35,47 kg. Para o mercado externo foram destinadas 2,7 milhões
de toneladas. A receita cambial proveniente dos embarques, incluindo os produtos
industrializados, atingiu US$ 2,8 bilhões. O consumo per capita foi estimado
considerando a população brasileira de 2005 projetada em 184 milhões de habitantes.
Não estão computadas as exportações de industrializados de frango, só são consideradas
as exportações de carne in natura.
As exportações brasileiras de carne de frango consolidaram em 2005, mais um
ano de recordes históricos na posição de maior exportador mundial tanto em volumes
embarcados quanto em receita cambial. Ao final de 2005 o Brasil chegou a um total de
142 mercados compradores, e uma participação de 41% no comércio internacional de
carne de frango. O setor também consolidou a posição de segundo lugar no ranking das
exportações do agronegócio nacional, superado apenas pelo complexo da soja.
Os principais mercados brasileiros em 2005 foram a União Européia, cujos
embarques somaram 387 mil toneladas, o Oriente Médio, principal mercado das
exportações brasileiras de carne de frango, na análise por volumes, a América do Sul
8
que obteve vendas totalizando 114.861 toneladas, a África, a Ásia, a Rússia e o Japão,
que já era o maior mercado brasileiro em receita e se tornou o principal cliente
também em volumes embarcados, ao importar 404.769 toneladas. O fato de um
mercado exigente como o japonês ampliar de forma tão expressiva as compras de
nosso produto, nos últimos anos, é um excelente atestado da qualidade e da sanidade
da carne de frango brasileira.
Os focos de Influenza Aviária em outros países passaram a provocar, a partir
do final de 2005, sinais de retração no consumo mundial. Um ritmo de oferta, por
parte da avicultura brasileira, superior à demanda poderia ter um efeito negativo sobre
os preços e comprometer a remuneração deste que é um dos mais importantes setores
da economia nacional. Um dos desafios para a avicultura brasileira é a efetiva
implantação do plano de prevenção contra a gripe aviária, elaborado pelo Ministério
da Agricultura Pecuária e Abastecimento juntamente com as Secretarias da
Agricultura dos Estados. Dessa forma, o Brasil manterá seu status de maior exportador
mundial, mostrando a OIE (Organização Mundial de Saúde Animal), credibilidade de
sua atuação e sanidade de seu plantel.
Em 2006, os números divulgados de janeiro a setembro pela ASGAV
apresentaram queda de 17% no volume total de frangos produzidos, 15,5% na
exportação e 14,6% no alojamento de pintos de corte.
A gripe aviária em outros países foi um dos principais abalos que a avicultura
gaúcha enfrentou. O volume de frango inteiro, cortes e industrializado enviado para
outros países entre janeiro e setembro deste ano foi de 492 mil toneladas contra 583
mil toneladas enviadas no ano passado.
Com a queda do consumo externo, o planejamento comercial foi
desestruturado. O caso isolado de Doença de Newcastle registrado no Vale Real- RS,
em julho de 2006, trouxe alguns prejuízos para o RS. Alguns estados brasileiros
adotaram barreiras sanitárias e alguns países restringiram parcialmente os produtos
avícolas.
O Rio Grande do Sul ocupa a terceira posição entre os estados produtores e
exporta cerca de 600 mil toneladas. O Estado possui 14 frigoríficos com Inspeção
Federal e 6 com Inspeção Estadual. A magnífica estrutura que envolve a avicultura é
responsável por 45 mil empregos diretos e 800 mil indiretos; 8,5 mil produtores
integrados, com um plantel permanente de 60 milhões de pintos de corte e 2,5 milhões
de avós/matrizes/poedeiras comerciais, ou seja, além de um setor economicamente
9
rentável, ainda possui o fator social, onde viabiliza o produtor rural e mantém
tradições de povos culturalmente agrários. A avicultura viabiliza o minifúndio
evitando o êxodo rural e conseqüentemente os cinturões de miséria e criminalidade
urbana.
O Centro de Diagnóstico e Pesquisa em Patologia Aviária (CDPA), da
Faculdade de Medicina Veterinária da Universidade Federal do Rio Grande do Sul
(UFRGS) alavancaram no Brasil projetos de pesquisas, sob a forma de teses de
doutorado e de dissertações de mestrado, que utilizaram inteligência artificial,
especificamente redes neurais artificiais (RNAs), para o gerenciamento da produção
de reprodutoras pesadas, da produção de frangos de corte e de incubatório com
excelentes resultados. Para completar a cadeia avícola e devido à atual importância de
combate a fraude com adição de água no frango nos matadouros-frigoríficos e da
preocupação dos consumidores perante este problema, decidiu-se estudar dentro de um
matadouro-frigorífico o uso de inteligência artificial para explicar além de fenômenos
de resfriamento de carcaças e teste de absorção de água, outros fatores que
influenciam a qualidade da carne e ainda ferramentas de gerenciamento da produção.
O presente trabalho tem como objetivo demonstrar que a utilização de
inteligência artificial é capaz de explicar fenômenos em um matadouro-frigorífico.
Essa nova ferramenta utilizada para tomada de decisões tem demonstrado sucesso em
todos os segmentos. Para completar a cadeia avícola, faltaria concluir um segmento da
avicultura, o matadouro-frigorífico.
10
2. REVISÃO BIBLIOGRÁFICA
2.1 Resfriamento de carcaças.
O processo de um matadouro-frigorífico pode ser dividido nas seguintes
etapas: recepção, atordoamento, sangria, escaldagem, depenagem, escaldagem dos pés
e das cutículas, evisceração, lavagem final, resfriamento, gotejamento, embalagem,
armazenamento e aproveitamento dos subprodutos (Bassoi, 1994).
O processo de resfriamento das carcaças é complexo em sua modelagem
fenomenológica, devido ao grande número de fatores que interferem no processo. Os
modelos gerados são de difícil solução exata, dificultando qualquer tentativa de
simulação. As previsões que se consegue obter são aproximadas e muitas vezes
baseadas em ajustes por correlação com dados empíricos (Klassen, 2004).
Há vários métodos de resfriamento das aves (Beraquet, 1994). O resfriamento
de carcaças pode ser realizado a seco, por resfriamento em câmaras frigoríficas, por
refrigeração com dióxido de carbono, por imersão contínua em água gelada, por
aspersão com água gelada ou pela associação dos métodos (Klassen, 2004; Ministério
da Agricultura e do Abastecimento, 1998).
O processo a seco consiste em refrigerar a carcaça com o ar, em uma câmara
frigorífica, onde há um menor risco higiênico, principalmente se a potência frigorífica
é suficiente e se as câmaras estão bem limpas. Este processo se aplica para carcaças
que se comercializam a uma temperatura ao redor de 0°C (Bremner, 1981).
A refrigeração com dióxido de carbono é empregada no comércio da carne
resfriada. É a neve carbônica que produz o congelamento superficial da carcaça. O
perigo deste método é que possa alcançar um nível perigoso de dióxido de carbono e
possa afetar os trabalhadores caso a zona não esteja bem ventilada (Bremner, 1981).
O processo mais comum no Brasil é a imersão das carcaças em tanques longos
com uma mistura de água e gelo fundente, ou reversão com camisa que permita a
passagem de um líquido refrigerante, como o etileno-glicol (Beraquet, 1994). Esses
tanques são chamados de chillers.
11
Em alguns experimentos foram comprovados que o processo de refrigeração
por imersão contínua em água tem riscos consideráveis, inclusive alguns países
decidiram proibir o uso deste método. A refrigeração por imersão em água tem sido
objeto de muitos estudos científicos e em alguns países, principalmente nos Estados
Unidos, se permite seu emprego somente com um estrito controle (Bremner, 1981).
Quando o conjunto de operações do frigorífico é realizado de forma higiênica
como um todo, de forma que as carcaças já entrem nos chillers adequadamente limpas,
foi comprovado que este sistema é considerado higiênico e que as carcaças saem dos
chillers tão limpas quanto entraram. O sistema de imersão em chillers tem a vantagem
de que a água resfria as carcaças mais rapidamente que qualquer outro método,
utilizando um menor espaço físico. Na opinião de alguns especialistas é necessário
adicionar cloro para melhorar a higiene do sistema, chegando até a 50 partes por
milhão de cloro residual. Outros cientistas consideram que se o sistema é utilizado
adequadamente não se justifica a adição de cloro (Bremner, 1981).
As carcaças absorvem água ao passar pelos tanques resfriadores, e isto deve ser
controlado rigorosamente. Em alguns países em que se permite esse sistema de
refrigeração, se considera aceitável uma captação próxima de 8% nas carcaças de
aves, entre a evisceração e o congelamento, em outros países se limita ao nível de 5%.
A Comunidade Européia adotou o nível máximo de 7,4% para a quantidade total de
água nos frangos, galinhas e capões congelados (Bremner, 1981).
No Brasil, o Ministério da Agricultura Pecuária e do Abastecimento (MAPA)
realiza através do Serviço de Inspeção Federal (SIF) o controle de absorção e
temperatura de carcaça nos matadouros-frigoríficos. A Portaria 210, de 10 de
novembro de 1998 prevê que a água no sistema de pré-resfriamento (pré-chiller) não
deve ser superior a 4ºC e deve estar com constante renovação, podendo a mesma ser
hiperclorada, permitindo-se no máximo cinco (5) ppm de cloro. A temperatura da água
residente, medida nos pontos de entrada e saída das carcaças do sistema de pré-
resfriamento por imersão não deve ser superior a 16ºC e 4ºC, respectivamente, no
primeiro e último estágio, observando-se o tempo máximo de permanência no
primeiro chiller de trinta minutos (Ministério da Agricultura e do Abastecimento,
1998).
12
Considerando-se o que estabelece o Artigo nº 895 do Regulamento da Inspeção
Industrial e Sanitária dos Produtos de Origem Animal (RIISPOA), aprovado pelo
Decreto nº 30.691 de 29/03/1952 e suas alterações subseqüentes, e com o objetivo de
prestar esclarecimentos aos consumidores, baseado na transparência das ações
realizadas pelo MAPA, o Departamento de Inspeção de Produtos de Origem Animal
(DIPOA) tem divulgado a relação das empresas que infringiram a legislação no que se
refere à quantidade de água absorvida no produto frango congelado in natura. O
Programa de Combate à Fraude por Adição de Água em Carcaças de Aves, cujo
objetivo é coibir a prática de fraude econômica que ocorre durante o processo de
resfriamento das carcaças de aves por ocasião do abate, iniciou-se em 2000, seguindo
os parâmetros definidos na Portaria nº 210, de 10 de novembro de 1998, que aprovou
o Regulamento Técnico de Inspeção Tecnológica e Higiênico-Sanitária de Carnes de
Aves.
O programa estabelece a metodologia de análise (Drip Test) em que se
determina o limite máximo de 6% de água resultante do descongelamento da carcaça
congelada. O DIPOA informa sobre os produtos que estão sendo oferecidos ao
consumo, bem como sobre as empresas que foram autuadas e multadas por excesso de
água em carcaças de aves, através da divulgação das mesmas nos veículos de
comunicação e de forma permanente no site do MAPA.
Em casos de constatação de índices de absorção de água acima do permitido
pela legislação (6%), aplica-se imediatamente as sanções administrativas estabelecidas
na Resolução nº 4, de 29 de outubro de 2002, que determina:
I - até o resultado de 7% (sete por cento) no Teste do Gotejamento, levando-se
em consideração as variáveis que interferem no processo de amostragem, fica
estabelecida a necessidade de nova colheita de amostras, antes de serem definidos os
procedimentos administrativos fiscais.
II - as carcaças de aves congeladas apreendidas em decorrência da violação do
Teste de Gotejamento deverão ser devolvidas ao estabelecimento de origem ou outro
do mesmo grupo industrial e destinada ao processamento (cortes, recortes,
industrialização ou outros) a critério do DIPOA;
13
III - no primeiro resultado laboratorial de análise fora dos padrões, a firma
infratora é autuada e advertida;
IV - no segundo resultado laboratorial de análise fora dos padrões, a firma
infratora é autuada e multada em até R$ 25.000,00 (vinte e cinco mil reais);
V - no terceiro resultado laboratorial de análise fora dos padrões, a firma
infratora é autuada e multada, dobrando o valor da multa em até R$ 25.000,00 (vinte e
cinco mil reais);
VI - no quarto resultado laboratorial de análise fora dos padrões, a firma
infratora é autuada e multada, dobrando o valor da multa em até R$ 25.000,00 (vinte e
cinco mil reais) e sendo necessário, para a comercialização das produções posteriores,
a apresentação de resultados oficiais de testes de gotejamento de quatro lotes (definido
por turno de abate) consecutivos;
VII - nos próximos resultados laboratoriais de análise fora dos padrões, a firma
infratora é autuada e multada, dobrando o valor da multa em até R$ 25.000,00 (vinte e
cinco mil reais) e sendo necessário, para a comercialização das produções posteriores,
a apresentação de resultados oficiais de testes de gotejamento de tantos lotes
consecutivos quanto for o número de violações.
Após aplicação das penalidades, os processos administrativos finalizados são
encaminhados à Procuradoria da República e Ministério da Justiça para instauração de
procedimentos civis cabíveis.
Outra legislação utilizada é a Instrução Normativa nº 26 de 23 de abril de 2003
que estabelece que os produtos apreendidos devam ser doados, após serem
considerados aptos para o consumo humano, preferencialmente ao Ministério e Estado
Extraordinário de Segurança Alimentar e Combate a Fome – MESA.
O processo de resfriamento das carcaças é necessário pela presença de
bactérias mesófilas nas carcaças. Poucas delas podem multiplicar-se a uma
temperatura de 7ºC. Algumas bactérias mesófilas produzem enfermidades ao homem e
por isso é de tamanha importância um processo de resfriamento rápido e efetivo de
carcaças, inibindo assim o crescimento microbiano (Bremner, 1981).
14
O Ministério da Agricultura admite no final do processo de pré-resfriamento,
uma temperatura de carcaça igual ou inferior a 7ºC, para as carcaças de congelamento
imediato.
2.2 Modelos Matemáticos e Inteligência Artificial
É uma característica do Homem valer-se cada vez mais de sua supremacia
sobre os demais representantes do reino animal. Isto se reflete, e sempre esteve
presente na História, na feitura de ferramentas, equipamentos, maquinários e quaisquer
outros elementos artificiais por ele criado, para contribuir com aquilo que ele sempre
entendeu como melhoria de vida. Nada mais lógico, portanto, que nesta última metade
de século, o Homem tenha encetado esforços imensos, e quase todos recompensados,
na tentativa de construir equipamentos para ajudá-lo na resolução de problemas que o
afligem, problemas estes que necessitam de uma inteligência aplicada para a sua
resolução.
Na avicultura, os sistemas de integração são caracterizados pela subdivisão dos
setores de produção como matrizes, incubatório, recria ou engorda e matadouro-
frigorífico. Essa subdivisão favorece a identificação e controle de pontos críticos do
processo de produção. Devido à complexidade e interação entre os diversos fatores
que influem no processo produtivo, é praticamente impossível à mente humana
predizer com certeza as conseqüências de uma implantação ou mudança de estratégia
de manejo, nutrição, seleção, sanidade, entre outras, para o processo de produção. Para
ajudar a tomada de decisão por parte do corpo técnico, uma alternativa, tanto na
indústria como na pesquisa, é o uso de modelagem computacional (Rondón, 2002).
Em 1983, Freitas estimou peso de frangos de corte em fêmeas e machos
utilizando modelos matemáticos. Os resultados obtidos poderiam ser utilizados pelos
criadores para visualizar o crescimento corporal com a idade do animal, verificar a
proporção de crescimento entre sexos, estimar conversão alimentar diária e padronizar
crescimentos para a seleção de novas linhagens.
Em 1986, Curnow desenvolveu um dos primeiros modelos matemáticos de
predição na Universidade de Reading. O Modelo de Reading determina os
requerimentos em aminoácidos para maximizar os lucros. O modelo baseia-se na
15
relação do custo dos aminoácidos com o valor do produto e o desvio padrão dos
parâmetros resposta dos frangos.
Em 1996, Lokhorst utilizou um modelo para avaliar a produção diária de ovos,
o peso do ovo, os ovos classificados como de segunda, ovos de cama, mortalidade
acumulativa, peso corporal e uniformidade do lote de galinhas, através de variáveis de
entrada como consumo diário de alimento, o consumo de água e a temperatura
ambiente. Esse conjunto de variáveis permitiu determinar, com base nas mudanças
diárias durante o ciclo de produção, quando um lote apresentava um problema
produtivo significativo. As simulações e posterior avaliação deste modelo permitiram
determinar a importância produtiva de reduzir a variação diária de temperatura.
Em 1997, Kirby et al., compararam modelos obtidos de regressão logística e
modelos obtidos de regressão linear para predizer a ocorrência de ascite em frangos de
corte. Concluiu-se que embora a regressão linear prediga freqüentemente a incidência
de ascite tão bem quanto a regressão logística, esta última é o teste estatístico mais
apropriado para ser usado no experimento.
As técnicas utilizando modelos matemáticos também foram aplicadas para se
avaliar estratégias de melhoramento genético. O trabalho de acompanhamento de
populações por várias gerações, que poderia durar vários anos e ter altos custos, pode
ser simulado em poucos minutos (Muir, 1997)
Em trabalhos realizados em 1995 por Soares, Salle (1998ª) e por Salle (1999c)
realizou-se modelos matemáticos para uma interpretação objetiva dos resultados
sorológicos da resposta imune em reprodutoras de perus vacinadas contra a Doença de
Newcastle. Com as equações obtidas foi possível interpretar resultados sorológicos de
resposta imune contra o vírus vacinal da Doença de Newcastle de forma objetiva e
com confiabilidade estatística, possibilitando o estabelecimento de modelos preditivos.
Salle et al.(1998ª); Salle et al.(1998c) e Salle et al.(1999b) traçaram modelos
matemáticos que ajustavam a curva de anticorpos produzidos pela vacinação contra
Doença de Newcastle, Doença de Gumboro , Bronquite Infecciosa versus a idade das
aves.
16
Em 1998 foi desenvolvido por Salle et al.(1998b) e Salle et al.(1999ª) um
método para detectar aflatoxina e ocratoxina em vísceras, para avaliar a produção de
micotoxinas durante o armazenamento do alimento nas granjas e para obter o reflexo
dos níveis de aflatoxina e ocratoxina encontrados na ração e víscera de frango de corte
sobre os parâmetros produtivos do lote. Foram realizadas análises quantitativas para
aflatoxina e ocratoxina em amostras de ração que foram coletadas da fábrica de rações
e granjas avícolas, e em fígado e rins de aves refugo, que haviam sido alimentadas
com a dieta analisada. A detecção das toxinas foi realizada através do uso de um teste
de ELISA comercial e os resultados foram estudados por análise de regressão e
correlação. Os níveis de aflatoxina e de ocratoxina, juntos ou separadamente, foram
comparados aos índices de produção do lote, conversão alimentar, percentagem de
mortalidade, ganho de peso, percentagem de condenação e com o índice de produção
do criador. Dos resultados obtidos, foi verificado que é possível correlacionar níveis
de aflatoxina e de ocratoxina em alimentos e vísceras de frangos de corte com os
parâmetros produtivos do lote .
Outro programa com um alto nível de precisão foi testado em larga escala com
dados da indústria. O modelo foi calibrado com as curvas de crescimento das
diferentes linhagens genéticas disponíveis comercialmente, curvas de crescimento
observadas previamente na granja, sexo da ave, peso vivo, conversão alimentar, idade
ao abate, temperatura ambiente e programa alimentar (níveis nutricionais e idade de
troca de alimentos). A calibração é fundamental para que o programa ajuste suas
curvas de crescimento de acordo com as condições particulares de cada complexo de
produção. Sem esse ajuste, bons níveis de precisão não poderiam ser obtidos nos
passos seguintes de simulação e otimização. Após a calibração, o programa simula o
crescimento diário dos animais e calcula as exigências nutricionais de energia,
proteína e aminoácidos e consumo de ração. Baseado nisso, esse programa calcula os
custos de produção e gráficos ajudam a visualizar tempos ótimos para o abate e os
benefícios econômicos de cada dieta. O programa pode predizer a distribuição das
partes da carcaça e formula as rações a fornecer de acordo com o tipo de otimização
que seja escolhida: otimização por metro quadrado, por ave ou quilograma de peso
vivo alojado, ou por quilograma por dia do ciclo (Ivey, 1999).
Em 1999, Ivey descreveu um programa computacional, baseado em modelos
matemáticos estatísticos, que gerencia toda a operacionalização da alimentação dos
17
animais, incluindo a formulação da ração e entrega nas granjas, levando em conta o
número de aves da propriedade.
Foi estimado por Pesquisadores da Empresa Brasileira de Pesquisa
Agropecuária (EMBRAPA) em Concórdia-SC , pesos de frangos machos e fêmeas
através de modelos matemáticos. Os autores concluíram que os resultados obtidos
poderiam ser utilizados pelo criador para visualizar o crescimento corporal com a
idade, verificar a proporção relativa do crescimento corporal entre sexos, estimar a
conversão alimentar diária, padronizar o crescimento para seleção de novas linhagens
para comparações com outros tratamentos. Foram descritos modelos matemáticos
estatísticos para estimar, com precisão, curvas de produção de ovos, levando em conta
a idade das aves. Os autores concluíram que o modelo proposto pode ser utilizado em
situações práticas por profissionais, tanto na pesquisa científica quanto na produção
(Fialho et al., 2000ª; . Fialho et al., 2000b).
Em 2001, King estimou os efeitos das mudanças dos níveis de aminoácidos da
dieta na composição da carcaça e no crescimento. Outro software desenvolvido
determinou a ótima concentração de nutrientes num programa de alimentação de
frangos de corte. O programa incluiu um programa de formulação a mínimo custo, um
modelo dinâmico de crescimento de frangos e um processo de otimização. As três
partes do programa interagiam para gerar o programa alimentar que maximiza os
benefícios econômicos de acordo com os objetivos de produção.
Na Universidade de Hebrew, foi desenvolvido um modelo baseado nas
determinações de exigências de aminoácidos e energia para crescimento e manutenção
diária dos frangos. O custo dos alimentos foi estimado dos ganhos diários e utilizado
para obter o menor custo no crescimento (Rondón, 2002).
Robey et al.(2006) desenvolveram programa para computador com o qual, é
permitido alcançar a melhor conversão alimentar, de acordo com os objetivos de
mercado quanto ao peso vivo, a idade ao abate e o rendimento que, na totalidade,
maximizam o retorno econômico.
Apesar dos modelos de determinação de exigências nutricionais terem
alcançado um alto grau de refinamento, ainda são pouco empregados pela indústria
avícola. Os modelos também podem descrever os sistemas industriais de
18
processamento de alimentos para as aves, sistemas de abate, sistemas de manejo de
excretas e de ambiente, e muitos outros aspectos (Rondón E.O., 2002).
Salle & Silva (2000) colocaram a necessidade de critérios objetivos de tomada
de decisões e interpretação dos resultados de monitorações, sem os quais o processo
decisório e as medidas corretivas associadas a decisão tomada, ficam seriamente
comprometidas. A estatística convencional tem sido amplamente utilizada, mas foram
desenvolvidas novas tecnologias que poderiam servir como ferramenta para tomadas
de decisões, entre elas, as redes neurais artificiais.
Já em 1958, Rosenblatt, descreveu o perceptron que é, na verdade, um modelo
computacional inspirado no neurônio humano e precursor das redes neurais artificiais
(RNAs). As RNAs, terminologia genérica que abrange um grande número de
arquiteturas e paradigmas, têm como objetivo compreender o funcionamento do
cérebro humano e, de alguma forma, procurar reproduzi-lo. Elas são compostas de um
grande número de elementos de processamento, denominados neurônios (Dougherty,
1995).
A rede neural artificial é um conjunto de unidades processadoras (ou nódulos)
que simulam neurônios biológicos e são interconectados por um conjunto de pesos,
análogo às conexões sinápticas no sistema nervoso, o qual permite tanto
processamento serial quanto paralelo de informação através da rede. As RNAs
“aprendem” ajustando as interconexões dos pesos entre as camadas de neurônios. As
respostas obtidas são, repetidamente, comparadas com as respostas corretas e, em cada
vez, os pesos das conexões são ajustados ligeiramente na direção da resposta correta.
São adicionados tantos neurônios ocultos quantos forem necessários para a maior
precisão da resposta (Astion & Wilding, 1992; Roush; et al, 1996; Xin, 1999).
Os “neurônios” da rede podem receber importância relativa das entradas
excitatórias ou inibitórias de outros neurônios e produzem uma saída, que geralmente
é uma função não linear da entrada da rede (Astion & Wilding, 1992). Em contraste
com muitos sistemas, as redes neurais artificiais não dependem de algoritmos pré-
definidos (Lee et al., 1999).
A rede neural se baseia nos dados disponíveis para extrair um modelo geral.
Portanto, a fase de aprendizado deve ser rigorosa e verdadeira, a fim de se evitar
modelos falsos. Todo o conhecimento de uma rede neural está armazenado nas
19
sinapses, ou seja, nos pesos atribuídos às conexões entre os "neurônios". De 50 a 90%
do total de dados deve ser separado para o treinamento da rede neural, dados estes
escolhidos aleatoriamente, a fim de que a rede "aprenda" as regras e não "decore"
exemplos. O restante dos dados só é apresentado à rede neural na fase de testes a fim
de que ela possa "deduzir" corretamente o inter-relacionamento entre os dados
(Tatibana & Kaetsu, 2006).
As principais vantagens das análises com as redes neurais são que os cálculos
são realizados por "neurônios" individuais, permitem a execução de análises mais
complexas do que as executadas por técnicas de estatística convencional, utilizam
dados qualitativos e quantitativos no mesmo modelo, não requerem a transformação
de dados (muitas vezes necessário para a estatística convencional) e realizam análises
de dados não lineares e multivariados (comuns em biologia). As principais
desvantagens das redes neurais incluem a não existência de regras que expressem o
conhecimento aprendido ou uma equação e a necessidade de um número maior
número de dados que a estatística convencional.
As aplicações das RNAs são inúmeras. Já são utilizadas com o objetivo de
fazer prognóstico de mercados financeiros; reconhecer e gerar fala; localizar pontos de
origem no radar, otimizar processos químicos; reconhecer alvos e detectar minas
bélicas; identificar células cancerosas; reconhecer anormalidades cromossômicas;
detectar fibrilação ventricular; predizer trajetórias de entrada de naves espaciais;
reconhecer automaticamente caracteres escritos à mão entre outros. Grupos de
investimento também utilizam este tipo de rede para analisar pelo menos uma parte do
mercado financeiro e fazerem suas seleções entre outras (Cheng & Titterington, 1994).
Conseguiu-se, inclusive, a elaboração de um programa de computador que veio a
derrotar um mestre mundial de xadrez no jogo de sua especialidade. Os cálculos e
planejamentos para as viagens espaciais, e em várias outras áreas da atuação humana,
já não são mais feitos pela inteligência humana, mas sim pela Inteligência Artificial
dos computadores (Lemos et al, 2006).
O progresso tecnológico neste campo tem sido de tal monta, principalmente no
decorrer das duas últimas décadas, que defensores ferrenhos da falta de limite no
crescimento da Inteligência Artificial já afirmam que o computador pode vir a ter
emoções, e não apenas igualar-se ao Homem, mas superá-lo em grande parte de suas
características. Estas considerações já foram descritas, e são defendidas por cientistas
como Herbert Simon e Marvin Minski. Por outro lado, estudiosos defensores da
20
impossibilidade desta proposta, de igualação do ser humano pela máquina, ou mesmo
de sua superação, apresentam razões, nas quais se amparam, para julgar tal fato como
impossível, mesmo em um futuro longínquo (Lemos et al, 2006).
As RNAs têm apresentado um melhor desempenho comparado aos métodos
estatísticos convencionais utilizados para o mesmo fim, dependendo do tipo de
problema ao qual são submetidas (Bocanegra, 2002).
As rede neurais artificiais (RNAs) são freqüentemente utilizadas em medicina
humana. O diagnóstico do câncer de mama utiliza as redes neurais artificiais como
uma poderosa aliada analisando imagens para estabelecer um prognóstico (Dawson et
al. 1991). O câncer de próstata pode ter um diagnóstico precoce utilizando esta
tecnologia (Loch, 2000; Han, 2001; Ziada, 2001). As RNAs foram empregadas para
estabelecer o prognóstico para cinco anos do carcinoma de cólon (Snow et al., 2001)
um dos três tipos de câncer mais prevalentes nos países desenvolvidos (Argov, 2002).
As redes neurais também foram usadas para relacionar marcadores fenotípicos
específicos com genes e estado fisiológico em pacientes com este tipo de doença
(Bicciato, 2003).
Em 2002, Baxt et al. descreveu o uso de redes neurais artificiais nas
emergências hospitalares. Os pacientes com dores peitorais receberam o diagnóstico
de isquemia cardíaca mais sensível e específico, quando ele foi realizado com base nas
RNAs. De forma similar, os eletrocardiogramas intra-cardíacos foram mais precisos
quando esta moderna tecnologia foi empregada (Chetam et al. 2002).
As redes neurais artificiais foram utilizadas em pacientes com cardiopatia que
foram submetidos à cirurgia. Os pacientes foram avaliados em termos de
sobrevivência, ou não, através do “aprendizado” das redes neurais sobre as relações de
11 fatores de risco presentes em 1875 pacientes durante um mês de observações. Os
autores concluíram que a nova técnica é dinâmica e mais precisa na predição, quando
comparada com a metodologia anteriormente utilizada (Buzatu, 2001).
As RNAs já foram utilizadas em outras áreas, incluindo as áreas agrícolas,
classificando frutos por meio de vetores de padrões. Foi utilizada uma rede percepton
de múltiplas camadas, com algoritmos de treinamento tipo retro-propagação para
armazenar os vetores de padrões de frutos e para classificação desses padrões de
entrada. A rede treinada conseguiu aprender a relação entre vetores de entrada e saída,
21
demonstrando a potencialidade do uso de tais ferramentas na classificação artificial
(Ramos, 2003).
O uso em medicina veterinária ainda é recente, sendo que a avicultura está
sendo a área mais contemplada com a sua utilização.
Roush et al. 1996 e Roush et al. 1997 utilizaram redes neurais artificiais para
predizer a ocorrência de ascite em frangos de corte. Uma rede neural probabilística foi
treinada para predizer ascite baseada em fatores fisiológicos que não necessitam da
morte da ave. As importâncias relativas das entradas da rede foram nível de O
2
no
sangue, peso corporal, eletrocardiograma (ECG), hematócrito, onda S e taxa cardíaca
das aves. A conclusão foi que o uso dos modelos desenvolvidos pode incrementar o
diagnóstico de ascite em frangos de corte. Os resultados serão úteis na escolha e no
desenvolvimento de linhagens de frangos de corte que não tenham propensão à ascite.
Nos Estados Unidos da América, Park (1998, 2001) e Chao et al. (2002)
propuseram um novo tipo de inspeção sanitária nos abatedouros avícolas. Este sistema
resume-se na análise de imagens das carcaças, utilizando as redes neurais artificiais
como geradoras do critério de aceitação ou de rejeição. Nos distintos experimentos
realizados, analisam-se não só a coloração da pele, mas, inclusive, sua textura. O
método é confiável e a margem de acerto das predições está acima dos 95%.
Roush & Wideman (2000) e Roush et al. (2001) avaliaram a relação de ganho
de peso com propensão a hipertensão pulmonar em frango de corte nos primeiros 14
dias de vida com a utilização das RNAs.
Salle et al. (2001,2003) utilizaram RNAs para predição de parâmetros de
desempenho em aves em recria. Foram utilizados os registros de 11 lotes em recria, do
período compreendido entre 09/11/97 a 10/01/99 e de 21 lotes em produção, do
período compreendido entre 26/04/98 a 19/12/99, para a análise por redes neurais
artificiais. Os dados utilizados corresponderam a 273 linhas de registros semanais, do
período de recria e 689 linhas de registros semanais, do período de produção. Os
modelos de redes neurais foram comparados e selecionados como melhores,
baseados no Coeficiente de Determinação Múltipla (R ), Quadrado Médio do Erro
(QME), bem como pela análise de gráficos. O método utilizado permitiu simulações
das conseqüências de tais decisões e forneceu a porcentagem de contribuição de cada
variável no fenômeno estudado.
22
Em 2003, Dey et al. utilizaram RNAs na inspeção de frangos de cortes,
diferenciando frangos normais daqueles com septicemia e toxemia. A classificação
apresentou uma precisão de 96%. Para estabelecer um procedimento a fim de
diferenciar através da inspeção mecânica, frangos normais daqueles com septicemia e
toxemia, foram realizadas medidas espectrais de 300 fígados divididos igualmente em
normais e condenados por septicemia e toxemia. A classificação por redes neurais dos
dados apresentou uma precisão na classificação de 96%. .
Em 2004 , Reali , utilizou RNAs para gerenciamento de frangos de corte,
mostrando-se eficaz como ferramenta para gerenciamento desse segmento da
avicultura. Foi utilizada uma série histórica de dados de produção de frangos de corte,
obtidos nos anos de 2001 e 2002, fornecidos por uma Integração Avícola do Rio
Grande do Sul, contendo informações de 1.516 criadores com lotes alojados em 2001
e 889 criadores com lotes alojados em 2002. Nos arquivos estavam registrados, para
cada lote, suas variáveis de produção, tais como número do lote, data do alojamento,
data do abate, idade ao abate, número de pintos alojados, quilogramas de ração
consumidos, quilogramas de frangos produzidos, número de aves abatidas, custo do
frango produzido, mortalidade, peso médio, ganho de peso diário, índice de conversão
alimentar, índice de eficiência, quilogramas 1íquido de frangos, quilogramas de ração
inicial, quilogramas de ração crescimento, quilogramas de ração abate, além de outros.
A técnica ofereceu critérios objetivos, que serviram de embasamento para as decisões
dos responsáveis pela produção industrial de frangos de corte da empresa.
Em 2004, Salle defendeu uma dissertação de mestrado, em que se utilizou
RNAs no gerenciamento de um incubatório. O estudo foi feito através de séries
históricas de dados de um incubatório pertencente a uma integração avícola do Rio
Grande do Sul, durante os anos de 1999 a 2003. Os fenômenos próprios do incubatório
puderam ser explicados através das RNAs. A técnica mostrou-se eficiente para realizar
simulações, predições e medir a contribuição de cada variável no fenômeno
observado, tornando-se uma poderosa ferramenta para o gerenciamento do incubatório
e num suporte cientificamente alicerçado para a tomada de decisão.
Klassen, 2004 realizou um trabalho de especialização utilizando RNAs para
obter um modelo que descrevesse o funcionamento do sistema de resfriamento das
carcaças por imersão e água gelada. Ele utilizou 300 linhas para treinamento e 100
para a validação do modelo. Os resultados obtidos mostraram que a rede com 8
23
neurônios na camada de entrada e 24 na camada intermediária foi a que melhor
representou o sistema investigado.
Em 2006, Rocha defendeu uma tese utilizando inteligência artificial para
classificação de amostras patogênicas de E. coli. Na tese são apresentadas três redes
neurais artificiais que foram desenvolvidas através da análise dos genes papC, 10 felA,
cvaC, iutA, iss, tsh e kpsII, da motilidade e do índice de patogenicidade (IP) para
realizarmos a predição ou classificação de patogenicidade de cepas de E. coli sem a
necessidade da utilização de animais. Na Rede 1, utilizaram 11 categorias de IP
obtivemos 54,27% de acerto. No intuito de melhorar o desempenho do modelo foi
criada uma segunda rede, utilizando 3 categorias de IP obtendo-se a classificação
correta em 80,55%. Na tentativa de melhorar ainda mais seu desempenho, passaram a
trabalhar com apenas duas categorias construindo, desta forma, a Rede 3. Com esta
nova configuração a classificação correta do IP foi de 83,96%.
24
3.MATERIAL E MÉTODO
3.1 Dados de registro
O estudo correspondeu a dados de registros já existentes do sistema de
inspeção oficial e de controle de qualidade de três matadouros-frigoríficos do sul
do Brasil. Através de dados já registrados, foram escolhidas as variáveis de
entradas e as variáveis de saída de cada modelo.
O sistema de inspeção oficial da empresa A forneceu dados diários do período
de janeiro a março de 2005, totalizando 2910 lotes que foram abatidos em
planilhas de papel do próprio serviço de inspeção oficial. Os dados fornecidos
foram:
• Data abate
• Turno
• Lote
• Número da GTA
• Número de aves abatidas
• Mortalidade no caminhão
• Enfermidades do lote
• Medicamentos utilizados no lote
• Mortalidade do lote (em porcentagem)
• Planilha de condenação na pré-inspeção (total)
• Planilha de Condenação total (inspeção final)
• Planilha de Condenação parcial na inspeção final
• Contusão da asa
• Distância de ida e volta da propriedade
• Peso médio frango vivo
• Contaminação biliar
• Contaminação fecal
• Temperatura da entrada do pré-chiller 1
• Temperatura da entrada do pré-chiller 2
• Temperatura da saída do pré chiller 1
25
• Temperatura da saída do pré chiller 2
• Temperatura da entrada do chiller 1
• Temperatura da entrada dochiller 2
• Temperatura da saída do chiller 1
• Temperatura da saída do chiller 2
• Tempo de permanência no pré-chiller 1
• Tempo de permanência no pré-chiller 2
• Teste de Absorção
• Temperatura da carcaça no chiller 1
• Temperatura da carcaça no chiller 2
• Rede clorada
• Rede hiperclorada
A empresa B forneceu dados de controle de qualidade e inspeção oficial do
matadouro-frigorífico. Os dados fornecidos foram do período de janeiro a agosto
de 2006.
• Controle de absorção de carcaças e temperatura de chillers.
• Planilha de Condenação Total na pré-inspeção mensal.
• Planilha de Condenação Total na inspeção final mensal.
• Planilha de Condenação parcial na inspeção final mensal.
No decorrer do projeto, adquiriram-se alguns dados sobre matadouro-
frigorífico de suínos em uma Empresa C. Os dados foram coletados pela empresa
em 2004 e eram referentes a projetos que a empresa estava desempenhando.
Decidiu-se investir na hipótese de que a inteligência artificial pudesse ser utilizada
com sucesso em um matadouro-frigorífico de suínos. Os dados fornecidos para
construção dos modelos da empresa C, de suínos foram:
• Peso Quente da Carcaça Suína
• Peso Frio da Carcaça Suína
• Quebra de Resfriamento (%)
• Porcentagem de quebra de resfriamento (%)
• Espessura de toucinho
26
• Temperatura interna do pernil
• Tempo no choque térmico
• Temperatura do pernil na saída do choque térmico
• Tempo de permanência no choque térmico
• Tempo de jejum alimentar
• Peso vivo do suíno
• Rendimento de carcaça (%)
3.2 Análise estatística dos dados:
A análise estatística descritiva e as diferenças entre as médias dos dados (teste t-
student) foram calculadas através do programa computacional SPSS 12.0. e Microsoft
Office Excell 2003.
3.3 Redes Neurais Artificiais:
No presente trabalho, o termo “entrada” identifica as variáveis escolhidas para
o cálculo do modelo preditivo e a “saída” a variável a ser predita.
Para a construção das RNAs foi utilizado o programa computacional
NeuroShell® Predictor, desenvolvido pela Ward Systems Group. A arquitetura
empregada na construção da rede é única e foi desenvolvida para que ela “aprenda”
rapidamente e não necessite de um conjunto de dados de teste para melhorar sua
habilidade para generalizar, ou seja, dar respostas razoáveis para dados que ela nunca
tenha visto anteriormente.
A rede inicia encontrando relações lineares entre as importâncias relativas das
entradas e a saída. São atribuídos pesos às ligações entre os neurônios de entrada e de
saída. Depois que esta relação é encontrada, outros neurônios são adicionados à
camada oculta para que relações não lineares possam ser identificadas. Os valores de
entrada na primeira camada são multiplicados pelos pesos e passados à segunda, que é
oculta. Os neurônios da camada ativam, ou produzem, saídas que são baseadas na
soma dos valores pesados que passaram por ela. A camada oculta transmite os valores
para a camada de saída da mesma forma e as predições são obtidas.
27
A rede aprende ajustando os pesos das interconexões entre as camadas. As
respostas que a rede está produzindo são repetidamente comparadas com as respostas
corretas e, em cada vez, os pesos das conexões são ligeiramente ajustados na direção
da resposta certa. São adicionados tantos neurônios ocultos quantos forem necessários,
até o máximo de 150, para retratar as características do banco de dados. Se o problema
pode ser aprendido, é desenvolvido um conjunto estável de pesos que irão produzir
boas respostas para todas as decisões ou predições da amostra. O poder real das redes
neurais fica evidente quando uma rede treinada pode produzir bons resultados, mesmo
para dados que ela nunca tenha “visto” antes.
Na figura 1 está representado esquematicamente a arquitetura da rede neural
com as variáveis de entrada, a camada oculta e as variáveis de saída.
Figura 1 – Exemplo esquemático da arquitetura de rede neural.
Os modelos de redes neurais artificiais das variáveis preditas (saídas), são
comparados e selecionados como melhores, baseados no Coeficiente de Determinação
Múltipla (R²), no Quadrado Médio do Erro (QME), bem como pela análise de
gráficos. O R² foi calculado através da fórmula R² = 1-(SSE/SSyy), onde SSE = ∑
(valor real - valor predito)² e SSyy = ∑ (valor real - média dos valores)². O QME foi
Camada oculta
Saídas
Entradas
28
calculado como sendo a média dos valores reais menos os valores preditos, elevados à
potência 2 [QME = média (valores reais - preditos)²].
29
4. RESULTADOS E DISCUSSÃO:
Os resultados do presente trabalho estão divididos em seis partes, sendo que cada
uma apresenta um modelo distinto. Em razão da grande quantidade de dados e tabelas
gerados neste trabalho, optou-se por unir resultados e discussões, para que a discussão
discorra imediatamente após a apresentação de cada modelo. Ainda em virtude da
quantidade de modelos, apresentar-se-ão seis modelos e os restantes estarão contidos
nos apêndices presentes no final desta dissertação.
Na Tabela 1 são apresentadas conjuntamente às características dos modelos
gerados na fase de treinamento das redes neurais artificiais para o gerenciamento de
um matadouro-frigorífico avícola e suídeo. A visualização do conjunto demonstra que
as redes neurais foram bem ajustadas e apresentaram um Coeficiente de Determinação
Múltipla (R²) elevado. Acrescente-se que o R² perfeito é 1 e um coeficiente bom está
próximo de 1.
Tabela 1- Modelos escolhidos para explicar diferentes parâmetros analisados em
matadouro-frigorífico da empresa A, B e C (suínos).
Empre
sa
Parâmetro (saída) Número de
entradas
R² Erro Médio Correlação
A Condenação parcial 12 1 3,13 E-13 1
B Peso da carcaça saída do
chiller (kg)
5 0,99 0,01 0,99
B Teste deAbsorção na
saída chiller
6 0,99 0,07 0,99
B Condenação por falha
operacional
3 1 3,2 E-14 1
C
suínos
Quebra de resfriamento
(em porcentagem)
7 0,99 0,02 0,99
C
suínos
Peso vivo dos suínos (kg) 2 0,99 1,35 0,99
A Condenação Total-
inspeção final
18 1 1,82E-13 1
A Condenação total pré-
inspeção
9 1 0,000168 1
R²- Coeficiente De Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
30
4.1 – Modelo de rede neural artificial para o estudo das causas de
condenação parcial na inspeção final da empresa A.
Através dos dados da empresa A, com 2910 linhas de dados, que equivalem ao
número de lotes abatidos em 2005, foi possível treinar três modelos que explicam as
saídas: “Condenação Parcial na Inspeção Final”, “Condenação Total na Inspeção
Final” e “Condenação Total na Pré-Inspeção”.
Os três modelos são um estudo de correlações lineares e como já era esperado
apresentaram uma Correlação e Coeficiente de Determinação Múltipla igual a 1.
O modelo de redes neurais para a saída “Condenação Parcial na Inspeção
Final” utilizou 2910 lotes, destes 2600 foram utilizados no treinamento e 310 na
validação da rede.
As variáveis de entrada utilizadas no modelo foram:
• Abscesso
• Artrite
• Celulite
• Contaminação
• Contusão
• Cozido
• Dermatose
• Aerossaculite
• Magreza
• Má sangria
• Ascite metabólica
• Outras causas
A variável de saída escolhida foi:
• Condenação Parcial na Inspeção Final (número de aves com condenação
parcial).
A Tabela 2 apresenta um resumo das informações obtidas com o treinamento da
rede neural para a saída “Condenação Parcial na Inspeção Final” na empresa A. As
estatísticas obtidas refletem um modelo bem ajustado, com Correlação e Coeficiente
31
de Determinação Múltipla (R²) igual a 1, como era esperado, por ser uma correlação
linear.
Tabela 2 - Característica do modelo de rede neural artificial para a predição da saída
“Condenação Parcial na Inspeção Final”.
Estatística de predição Valores
R² 1
Erro médio 3,13E-13
Correlação 1
QME 2,63E-25
RQME 5,13E-13
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 3 e a Figura 2 apresentam a importância relativa de cada variável
analisada, ou seja, mostra as principais causas de condenações parciais no relatório de
inspeção final do matadouro-frigorífico da empresa A.
Tabela 3 - Importância relativa das variáveis de entrada para a saída “Condenação
Parcial na Inspeção Final”na empresa A.
Variável de entrada Importância relativa
Contaminação 0,307
Artrite 0,227
Abscesso 0,199
Contusão 0,101
Cozido 0,065
Dermatose 0,031
Má sangria 0,027
Celulite 0,020
Ascite metabólica 0,010
Aerossaculite 0,010
Outras causas 0,001
Magreza 0,001
32
Figura 2- Gráfico da importância relativa das variáveis de entrada para a variável de
saída “Condenação Parcial na Inspeção Final”.
Para a validação do modelo estudado acima foram utilizados 310 lotes abatidos na
empresa A em 2005. As predições obtidas revelaram as estatísticas da Tabela 4,
apresentando uma predição muito satisfatória, sustentada por um Coeficiente de
Determinação Múltipla (R²) e Correlação igual a 1 e por Quadrado Médio do Erro
(QME) e Erro médio mínimos, como era esperado, por se tratar de uma análise de
correlação linear.
Tabela 4 – Validação do modelo de redes neurais para a predição de condenação
parcial
na inspeção final em 310 lotes abatidos em 2005 na empresa A.
Estatística de predição Valores
R² 1
Erro médio 2,72 E-13
Correlação 1
QME 1,5E-25
RQME 3,93E-13
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 5 estão relacionadas predições, com os valores reais e valores
preditos no modelo de rede neural artificial para a variável de saída “Condenação
Parcial na Inspeção Final” da empresa A. Em razão da grande quantidade de lotes
validados e para que a tabela seja confeccionada em uma única página, serão
apresentados somente 50 dos 310 lotes, escolhidos aleatoriamente.
33
Tabela 5 - Resultados reais e valores preditos de “Condenação Parcial na Inspeção
Final” para lotes abatidos em 2005 na empresa A, escolhidos
aleatoriamente.
Lote Valor Real
(número
carcaça)
Valor Predito
(número
carcaça)
Lote Valor Real
(número
carcaça)
Valor Predito
(número
carcaça)
2601 57 57 2626 199 199
2602 61 61 2627 95 95
2603 127 127 2628 59 59
2604 22 22 2629 91 91
2605 47 47 2630 48 48
2606 55 55 2631 93 93
2607 28 28 2632 69 69
2608 52 52 2633 136 136
2609 68 68 2634 62 62
2610 42 42 2635 46 46
2611 40 40 2636 68 68
2612 165 165 2637 42 42
2613 84 84 2638 97 97
2614 77 77 2639 114 114
2615 45 45 2640 139 139
2616 46 46 2641 151 151
2617 29 29 2642 153 153
2618 41 41 2643 91 91
2619 36 36 2644 46 46
2620 94 94 2645 170 170
2621 74 74 2646 101 101
2622 126 126 2647 178 178
2623 98 98 2648 54 54
2624 134 134 2649 54 54
2625 107 107 2650 25 25
Ao serem avaliados os resultados reais versus preditos para a variável de saída
“Condenação Parcial na Inspeção Final” para lotes abatidos em 2005 na empresa A,
verificou-se que as diferenças existentes foram nulas, como já era esperado, pelo
modelo acima ser uma correlação linear.
Na Figura 3 apresenta-se graficamente uma visão conjunta da totalidade dos
310 lotes validados.
34
Figura 3 - Valores reais (X) versus preditos (Y) da variável de saída “Condenação
Parcial na Inspeção Final” para os 310 lotes abatidos utilizados na
validação da rede.
Os resultados da Tabela 5 demonstraram que o modelo de rede neural aplicado
realizou predições idênticas ao valor real, como já era esperado, por ser uma
correlação linear, com o Coeficiente de Determinação Múltipla e Correlação igual a 1.
Podemos observar isto graficamente na Figura 3.
A obtenção deste resultado, que parece óbvio, reforça a credibilidade desta
tecnologia em calcular e predizer resultados futuros. A vantagem de utilizar a rede
neural é a rapidez que ela gera todos esses dados estatísticos e constrói o gráfico de
importância relativa de cada variável que influencia no processo, como mostrado na
Tabela 3 e Figura 2 deste modelo. Acrescenta-se ainda que resultados de modelos
mais simples e muitas vezes óbvios servem como exemplo para modelos mais
complexos, que possuem diversas variáveis influenciando no processo, e que não
conseguiriam ser calculados com tamanha precisão através da estatística convencional.
Na Figura 2 ficam evidentes graficamente as diferentes variáveis que
influenciam na Condenação Parcial na Inspeção Final do matadouro-frigorífico. A
Tabela 3, por sua vez, quantifica a importância relativa de cada variável no processo.
Atualmente os matadouros-frigoríficos utilizam este tipo de informação diariamente,
porém realizando análises estatísticas convencionais e histogramas, porém as RNAs
35
trazem a informação de importância relativa de cada variável, tanto numericamente
como graficamente. Estas análises são realizadas pelos técnicos das empresas para
conhecer quais são as condenações que mais afetam o processo de produção e
acarretando perdas econômicas. Sabemos pelo gráfico na Figura 2 e pela importância
relativa da tabela 3, por exemplo, que a contaminação da carcaça, com importância
relativa de 0,307, é o que mais condena carcaças parcialmente, logo, devemos dar
maior atenção a estas causas de contaminação de carcaças dentro da produção. As
condenações por contaminação, abscesso e artrite são as responsáveis por mais de
70% da condenação parcial desta empresa, como pode ser observado graficamente na
Figura 2 e numericamente na Tabela 3. Ficam evidentes os pontos a serem trabalhados
para redução da condenação parcial no matadouro-frigorífico. Já a variável que menos
influencia no processo de Condenação Parcial na Inspeção Final é a Magreza, com
uma importância relativa de 0,001 no processo. Tal modelo poderia ser enriquecido
caso obtivéssemos informações reais do lote (mortalidade, enfermidades e
medicamentos), anteriores ao abate.
4.2 Modelo de rede neural artificial para a variável de saída “Peso da Carcaça na
Saída do Chiller” na Empresa B.
Na empresa B, acessamos dois bancos de dados distintos. A partir do banco de
dados de 4588 linhas, treinamos dois modelos com as variáveis de saídas: “Peso da
Carcaça Na Saída do Chiller” e “Teste de Absorção”. Ambos modelos apresentaram
Coeficiente de Determinação Múltipla e Correlação muito próximo a 1 e Erro Médio
mínimo. Na mesma empresa foi possível construir uma rede com 166 linhas de dados,
mesmo sabendo-se que para utilização de RNAs devemos dispor de um grande
número de dados para treinarmos a rede e construirmos um modelo preciso.
O modelo gerado para variável de saída “Peso da Carcaça Na Saída do Chiller”
utilizou 4588 lotes abatidos, destes, 4000 foram utilizados para treinar a rede e 588
foram utilizados para a validação. As variáveis de entrada escolhidas foram:
“Temperatura Da Entrada No Pré-Chiller”, “Temperatura Da Saída No Pré-Chiller”,
“Temperatura Da Entrada No Chiller”, “Temperatura Da Saída No Chiller” e “Peso
Inicial da Carcaça Antes de Entrar no Chiller” (Kg). A variável de saída a ser predita
escolhida foi “Peso da Carcaça na Saída do Chiller” (Kg).
36
A Tabela 6 apresenta um resumo das informações obtidas com o treinamento da
rede neural para a saída “Peso da Carcaça Na Saída do Chiller”. As estatísticas obtidas
refletem um modelo bem ajustado, com alto Coeficiente de Determinação Múltipla
(R²) e Correlação, e baixo Erro médio e Quadrado Médio do Erro (QME).
Tabela 6 - Característica do modelo de redes neurais artificiais para predição de peso
da carcaça na saída do chiller na empresa B.
Estatística de predição Valores
R² 0,99
Erro médio 0,01
Correlação 0,99
QME 0,000311
RQME 0,017641
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 7 e a Figura 4 apresentam a importância relativa de cada variável
analisada para a saída “Peso da Carcaça Na Saída do Chiller” da empresa B.
Tabela 7 - Importância relativa das variáveis de entrada para a variável de saída “Peso
da Carcaça Na Saída do Chiller”.
Variável de entrada Importância relativa
Peso inicial 0,950
Temperatura da saída do pré-chiller 0,027
Temperatura da entrada do pré-chiller. 0,015
Temperatura da saída do chiller 0,007
Temperatura da entrada do chiller 0,001
37
Figura 4- Gráfico da importância relativa das variáveis de entrada para a saída “Peso
Final da Carcaça Na Saída do Chiller”.P INICIAL: Peso antes de entrar no
chiller, PCE: temperatura de entrada do pré-chiller, PCS: temperatura de
saída do pré-chiller; CE: temperatura de entrada do chiller; CS:
temperatura de saída do chiller.
A Tabela 8 apresenta um resumo das informações estatísticas obtidas com a
validação dos 588 lotes para a saída “Peso na saída do chiller”. As estatísticas obtidas
refletem uma boa predição com alto Coeficiente de Determinação Múltipla (R²) e
Correlação, ambos muito próximos a 1, e um baixo Erro médio e Quadrado Médio do
Erro (QME).
Tabela 8 - Característica do modelo de redes neurais artificiais para predição de peso
da carcaça na saída do chiller.
Estatística de predição Valores
R² 0,99
Erro médio 0,01
Correlação 0,99
QME 0,000299
RQME 0,017
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 9 estão relacionados predições, com os valores reais e valores
preditos. Em razão da grande quantidade de lotes validados e para que a tabela seja
confeccionada em uma única página, serão apresentados, aleatoriamente, somente 50
dos 588 lotes.
38
Tabela 9- Resultados reais e valores preditos da variável de saída “Peso da carcaça na
saída do chiller” das carcaças utilizadas na validação da rede neural
artificial da empresa B.
Lote Valor Real
(kg)
Valor Predito
(kg)
Lote Valor Real
(kg)
Valor Predito
(kg)
4001 1,82 1,815379 4026 1,8 1,807354
4002 1,66 1,654873 4027 2 1,98018
4003 1,92 1,916092 4028 2,02 2,000546
4004 1,9 1,926178 4029 1,8 1,831221
4005 2,1 2,108134 4030 2,3 2,304425
4006 2,2 2,209501 4031 2,1 2,118998
4007 1,96 1,966548 4032 2 2,005813
4008 1,89 1,885849 4033 1,86 1,872258
4009 1,9 1,927365 4034 2,2 2,211688
4010 1,75 1,745598 4035 1,95 1,954415
4011 1,7 1,705325 4036 1,96 1,97497
4012 2,44 2,425235 4037 2,22 2,232293
4013 2,26 2,282688 4038 1,63 1,616344
4014 2,3 2,333582 4039 1,99 2,016963
4015 2,12 2,120014 4040 1,7 1,70934
4016 2 2,028674 4041 1,93 1,927309
4017 2,1 2,109859 4042 1,79 1,778496
4018 2 1,99826 4043 1,76 1,758717
4019 1,9 1,90895 4044 1,79 1,768605
4020 1,99 1,98018 4045 2 2,02694
4021 1,99 2,020918 4046 1,96 1,917364
4022 1,95 1,949642 4047 1,9 1,907421
4023 2,06 2,071873 4048 1,83 1,82801
4024 2,18 2,18408 4049 2,2 2,200369
4025 1,9 1,90895 4050 1,86 1,856295
Ao serem avaliados os resultados reais versus preditos para a variável de saída
“Peso da Carcaça Na Saída do Chiller” da empresa B, verificou-se que as diferenças
existentes foram mínimas.
Na Figura 5 apresenta-se uma visão gráfica conjunta da totalidade das 588
carcaças utilizadas na validação.
39
Figura 5- Valores reais (X) versus preditos (Y) do peso da carcaça na saída do chiller
para as 588 carcaças utilizadas na validação da rede.
Os resultados demonstraram que o modelo de rede neural aplicado realizou
predições muito próximas ao valor real para a saída “Peso da Carcaça na Saída do
Chiller”. Nota-se através da Tabela 7 e Figura 4 que as variáveis que podem ser
gerenciadas (temperatura do chiller), podem influenciar no máximo em 5% do peso
final. Isto se deve também a falta de alguns registros por parte da empresa, elementos
essenciais que influenciariam no peso da carcaça na saída do chiller. Então, podemos
dizer que dentro das variáveis aqui estudadas, o peso inicial da carcaça é o fator que
contribuirá com seu peso final na saída do chiller.
Em trabalho realizado por Klassen (2004) foi descrito o uso de inteligência
artificial para descrever o funcionamento do sistema de carcaças por imersão. As
variáveis de entrada foram diversas: peso carcaça, temperatura da carcaça antes do
resfriamento, temperatura da camisa de propilenoglicol, vazão de água em cada
módulo do tanque, tempo de resfriamento e temperatura da água de renovação. A
variável de saída escolhida no trabalho foi “Temperatura do Frango Na Saída do
Último Chiller”. O autor chegou a um modelo com Erro Médio de 3,52%, que é um
erro baixo, e um gráfico de dispersão do treinamento e validação dos valores reais e
preditos muito bons, porém as comparações de Coeficiente de Determinação Múltipla
e Correlação não serão possíveis de realizar, nem mesmo quais variáveis
influenciaram no processo, pois o autor tinha como objetivo gerar um modelo com o
40
menor Erro médio possível, e não necessariamente estudar os fatores que
influenciaram na temperatura final da carcaça.
Além das variáveis utilizadas por Klassen (2004) temos ainda outras variáveis
que influenciam no processo de resfriamento das carcaças e sua absorção de água:
“Velocidade do Abate”, “Tempo Carcaça No Interior Chiller”, “Borbulhamento No
Chiller”, e outras variáveis ambientais e construtivas, como por exemplo, “Umidade
do Ambiente”, “Corrente de Ar”, “Espessura dos Isolamentos”, “Área de Lâmina de
Água”, entre outros. Isso mostra a complexidade fenomenológica do processo de
resfriamento de carcaças.
Infelizmente a empresa B, fornecedora dos dados, não possuía o controle de
temperatura da carcaça associada à coleta de dados do chiller. Essa coleta se dava em
horários diferenciados e registros não associados. Utilizou-se então um modelo cuja
saída era o “Peso Final da Carcaça”. Este modelo apresentou-se bem ajustado, porém
com poucas variáveis estudadas, dentre a quantidade de variáveis que poderiam estar
mensuradas e registradas na rotina diária da empresa. Isto demonstra a fragilidade de
um processo tão importante como o resfriamento de carcaça, responsável pela questão
microbiológica e de combate à fraude de frango com excesso de água.
4.3 Modelo de redes neurais artificiais para a variável de saída “Teste de
Absorção” em carcaças da empresa B.
O modelo gerado para a variável de saída “Teste de Absorção das Carcaças”,
utilizou 4588 lotes, destes 4000 foram utilizados no treinamento da rede e 588 lotes
utilizados na validação.
As variáveis de entrada foram: “Temperatura da Entrada do Pré-Chiller”,
“Temperatura da Saída do Pré-Chiller”, “Temperatura da Entrada do Chiller”,
“Temperatura da Saída do Chiller”, “Peso Inicial da Carcaça Antes de Entrar no
Chiller” e “Peso da Carcaça Na Saída do Chiller”. A variável de saída foi “Teste de
Absorção” (quantidade de água absorvida na carcaça em percentagem).
Na Tabela 10 apresentar-se-á a característica do modelo de redes neurais para a
saída “Teste de absorção”. Verifica-se que o Coeficiente de Correlação e Coeficiente
de Determinação Múltipla (R²) são altos, próximos a 1 e o Erro médio e Quadrado
Médio do Erro (QME) são baixos.
41
Tabela 10 - Característica do modelo de redes neurais artificiais para predição de teste
de absorção da carcaça na saída do chiller.
Estatística de predição Valores
R² 0,99
Erro médio 0,07
Correlação 0,99
QME 0,00122
RQME 0,011025
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 11 e a Figura 6 apresentam a importância relativa de cada variável
analisada para a variável saída teste de absorção da carcaça.
Tabela 11 - Importância relativa das variáveis de entrada para a saída “Teste de
Absorção”.
Variáveis Importância Relativa
Peso final 0,519
Peso inicial 0,481
Temperatura entrada pré-chiller 0,000
Temperatura saída pré-chiller 0,000
Temperatura entrada chiller 0,000
Temperatura saída chiller 0,000
Figura 6 - Gráfico da importância relativa das variáveis de entrada para a saída “Teste
de Absorção”. P INICIAL: “Peso inicial”, PCE: “Temperatura Entrada do
Pré-Chiller”, PCS: “Temperatura de Saída do Pré-Chiller”; CE:
“Temperatura Entrada Chiller”; CS: “Temperatura de Saída do Chiller”.
42
Para a validação do modelo estudado acima foram utilizadas 588 carcaças. As
predições obtidas revelaram as estatísticas da Tabela 12.
Tabela 12 - Característica do modelo de redes neurais artificiais para predição de teste
de absorção.
Estatística de predição Valores
R² 0,998
Erro médio 0,025
Correlação 0,99
QME 0,01
RQME 0,03
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 13 estão relacionados predições, com os valores reais e os valores
preditos. Em razão da grande quantidade de lotes validados e para que a tabela seja
confeccionada em uma única página serão apresentados, aleatoriamente, somente 50
dos 588 lotes.
43
Tabela 13 - Resultados reais e preditos do teste de absorção de carcaças abatidas em
2006.
Carcaça Valor Real
(%)
Valor Predito
(%)
Carcaça
Valor Real
(%)
Valor Predito
(%)
4001 7,06 7,052791 4026 6,51 6,532943
4002 7,79 7,719837 4027 7,53 7,527736
4003 6,67 6,676716 4028 7,45 7,448658
4004 4,97 4,983351 4029 5,26 5,269647
4005 5,53 5,516905 4030 5,99 5,86693
4006 5,26 5,228038 4031 5,53 5,447021
4007 5,95 5,953924 4032 6,38 6,361048
4008 6,78 6,786529 4033 6,29 6,297021
4009 4,97 5,007572 4034 5,77 5,668506
4010 7,36 7,329131 4035 6,56 6,552821
4011 6,92 6,895538 4036 5,95 5,921055
4012 6,09 6,06568 4037 5,71 5,605077
4013 4,63 4,597345 4038 8,67 8,699762
4014 4,07 4,006886 4039 4,74 4,758111
4015 6 6,02065 4040 6,92 6,933604
4016 4,71 4,732693 4041 6,63 6,637549
4017 5,53 5,544044 4042 7,83 7,817636
4018 6,38 6,407104 4043 7,32 7,313671
4019 6,15 6,165855 4044 8,48 8,462002
4020 6,99 6,995735 4045 4,71 4,730108
4021 4,74 4,72622 4046 8,89 8,952507
4022 6,56 6,569761 4047 6,15 6,1622
4023 5,64 5,634058 4048 7,02 7,023685
4024 5,83 5,798005 4049 5,77 5,749211
4025 6,15 6,165855 4050 6,9 6,903178
Ao serem avaliados os resultados reais versus preditos para a saída “Teste de
Absorção” para carcaças abatidas em 2006 da empresa B, verificou-se que as
diferenças existentes foram mínimas.
A Figura 7 apresenta graficamente uma visão conjunta da totalidade dos 588
lotes validados.
44
Figura 7 - Valores reais (X) versus preditos (Y) da saída “Teste De Absorção” (%)
para as 588 carcaças utilizadas na validação da rede.
Os resultados demonstraram que o modelo de rede neural aplicado realizou
predições próximas ao valor real para a saída “Teste de Absorção”. Na Tabela 13 e
Figura 7 podemos observar um modelo muito ajustado, com valores preditos muito
próximos ao real.
Neste modelo, podemos observar novamente, através da Tabela 12 e Figura 6
que as variáveis de temperatura do pré-chiller e chiller, não influenciaram no teste de
absorção. Mais uma vez, salientando o descrito na discussão do item 4.2 deste
trabalho, por falta de dados primordiais na construção deste tipo de modelo, observa-
se que a importância relativa para “Teste de Absorção” se concentrou em “Peso
Inicial” e “Peso Final”, e variáveis que poderiam contribuir na construção do modelo ,
como por exemplo “ Temperatura da carcaça”, “Velocidade do Abate”, “Tempo
Carcaça No Interior Chiller”, “Borbulhamento No Chiller”, e outras variáveis
ambientais e construtivas, como por exemplo, “Umidade do Ambiente”, “Corrente de
Ar”, “Espessura dos Isolamentos”, “Área de Lâmina de Água”, entre outros, não
tinham registros na empresa.
45
4.4 Modelo de redes neurais artificiais para a variável de saída “Condenação Por
Falha Operacional”.
O modelo gerado para a variável de saída “Condenação Por Falha Operacional”
utilizou 166 linhas, sendo que destas 140 para o treinamento da rede e 26 para a
validação.
As variáveis de entrada para a construção do modelo foram: “Escaldagem
excessiva”, “Mal sangrados” e “Evisceração retardada”. A variável de saída escolhida
foi “Condenação Por Falha Operacional” (número de carcaças condenadas por falha
operacional).
A Tabela 14 apresenta um resumo das informações obtidas com o treinamento da
rede neural para a variável de saída “Condenação Por Falha Operacional”. As
estatísticas obtidas refletem um modelo bem ajustado, com Coeficiente de
Determinação Múltipla (R²) e Correlação igual a 1, como já era esperado por ser uma
correlação linear.
Tabela 14 - Característica do modelo de redes neurais artificiais para predição de
condenação por falha operacional.
Estatística de predição Valores
R² 1
Erro médio 3,2 E-14
Correlação 1
QME 2,9E -27
RQME 5,39E -14
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 15 e a Figura 8 apresentam a importância relativa de cada variável
analisada para a variável de saída “Condenação Por Falha Operacional” no abate.
46
Tabela 15 - Importância relativa das variáveis de entrada para a variável de saída
“Condenação Por Falha Operacional” na empresa B.
Variável entrada Importância relativa
Escaldagem Excessiva 0,531
Mal Sangrados 0,415
Evisceração Retardada 0,054
Figura 8 - Gráfico da importância relativa das variáveis de entrada para a saída
“Condenação Por Falha Operacional”.
Para a validação do modelo estudado acima foram utilizados 26 dias de abate. As
predições obtidas revelaram as estatísticas da Tabela 16.
Tabela 16 - Característica do modelo de redes neurais artificiais para predição de
condenação por falha operacional.
Estatística de predição Valores
R² 1
Erro médio 2,66 E-14
Correlação 1
QME 1,2 E-27
RQME 3,46 E-14
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 17 estão relacionados predições, com os valores reais e valores
preditos das 26 linhas utilizadas para a validação da rede.
47
Tabela 17- Resultados reais e valores preditos da variável de saída “Condenação Por
Falha Operacional”.
Dia de abate Valor atual
(número carcaça)
Valor predito
(número carcaça)
141 18 18
142 7 7
143 2 2
144 4 4
145 8 8
146 11 11
147 16 16
148 13 13
149 38 38
150 10 10
151 122 122
152 4 4
153 3 3
154 12 12
155 18 18
156 18 18
157 4 4
158 7 7
159 11 11
160 8 8
161 89 89
162 10 10
163 13 13
164 18 18
165 18 18
166 7 7
Ao serem avaliados os resultados reais versus preditos para a variável de saída
“Total de Condenações Por Falha Operacional” da empresa B, verificou-se que as
diferenças existentes foram nulas, como já era esperado, por ser uma correlação linear.
A Figura 9 apresenta graficamente uma visão conjunta da totalidade dos 26
dias de abate validados.
48
Figura 9 - Valores reais (X) versus preditos (Y) da saída “Condenação Por Falha
Operacional” para os 26 dias de abate utilizados para validação da rede.
Os resultados demonstraram que o modelo de rede neural aplicado realizou
predições exatas ao valor real para a saída “Condenação Por Falha Operacional”. Este
tipo de análise pode ser realizada perfeitamente pelo programa computacional Excell,
mas desconhecia-se a utilidade da rede neural para esse tipo de análise, fornecendo
inclusive importância relativa de cada variável. Foi realizada a validação com um
número menor de linhas, pois não foi possível o acesso a um número maior de dados
na empresa.
Um técnico da empresa com este modelo pode mensurar os dois maiores
problemas operacionais no abate que acarretam condenações: “Escaldagem
Excessiva” e a “Má Sangria”. Ambos são responsáveis por 90% dos problemas
operacionais.Já a evisceração retardada, é um problema operacional menor,
acarretando menores perdas na condenação em relação aos outros. Com esta
ferramenta, o técnico pode tomar decisões e mudanças de estratégia no matadouro-
frigorífico. Este tipo de controle se realiza com planilhas de Excell ou uma simples
calculadora, agora se conhece uma nova metodologia, muito eficiente para este tipo de
controle.
Outros dados que poderiam ser registrados e incluídos neste modelo seriam
peso, sexo e linhagem da aves, devido ao ajuste das máquinas para determinadas
faixas de peso, número de funcionários na linha, pois muitas vezes erros operacionais
49
ocorrem pela sobrecarga de trabalho e número de funcionários novos trabalhando,
pelo maior incidência de erros durante o treinamento dos mesmos.
4.5 Modelo de redes neurais artificiais para a variável de saída “Quebra de
Resfriamento” em carcaças suínas na empresa C.
A empresa C forneceu dados de suínos de dois projetos distintos. O primeiro
incluía o estudo de alguns fatores que influenciavam a quebra de resfriamento de
suínos e o segundo tinha por objetivo solucionar o problema de pesagem do suíno
vivo, substituído por única pesagem da carcaça.
Um dos problemas que ocorrem nas carnes resfriadas é a perda ou quebra de
peso por evaporação, durante o processo de resfriamento. As carcaças perdem peso
porque, inicialmente a temperatura de sua superfície é muito mais elevada que a da
câmara fria. A perda de peso é importante quando a empresa comercializa de acordo
com seu peso frio ou direto ao consumidor. Sua importância é menor quando a carne
resfriada se transforma em produtos cárnicos no próprio estabelecimento e nas receitas
se estimam as perdas pelo frio. Também é importante prever o tempo de
armazenamento e qual a finalidade da carne. Por exemplo, se a carne será espostejada
no dia seguinte ao sacrifício e se, com ela, serão elaborados produtos cárnicos. Assim
sendo, será suficiente armazená-la a temperatura de 10°C. Mas, se ela será
armazenada por mais dias, será necessário colocá-la em temperaturas oscilando entre
0°C - 4C°(Prandl et al., 1994).
O modelo gerado para saída “Quebra de Resfriamento” na empresa C, utilizou
para treinamento da rede 1300 carcaças e para validação 334 carcaças. Salienta-se que
a empresa referida abate suínos e que estes dados foram aproveitados no presente
trabalho, devido ao interesse em estudar fatores que envolvam matadouros-
frigoríficos, não somente em aves, mas também em suínos.
Variáveis de entrada:
• Peso Quente da Carcaça Suína
• Peso Frio da Carcaça Suína
• Espessura de Toucinho
• Temperatura do Pernil
• Temperatura do Pernil Na Saída do Choque Térmico
50
• Tempo de Permanência No Choque Térmico
• Tempo de Jejum Alimentar
Variável de saída:
• Quebra de Resfriamento (%).
A Tabela 18 apresenta um resumo das informações obtidas com o treinamento da
rede neural para a saída “Quebra de Resfriamento”. As estatísticas obtidas refletem um
modelo bem ajustado, com Coeficiente de Determinação Múltipla (R²) e Correlação
próximo a 1.
Tabela 18 -Característica do modelo de redes neurais artificiais para predição de
“Quebra de Resfriamento” em carcaça suína.
Estatística de predição Valores
R² 0,99
Erro médio 0,0028
Correlação 0,99
QME 0,00002
RQME 0,0044
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 19 e a Figura 10 apresentam a importância relativa de cada variável
analisada para a variável de saída “Quebra de Resfriamento” em suínos.
Tabela 19 - Importância relativa das variáveis de entrada para a saída “Quebra de
Resfriamento” em suínos na empresa C.
Variáveis entrada Importância relativa
Peso da Carcaça Quente 0,505
Peso da Carcaça Fria 0,465
Espessura do toucinho 0,022
Temperatura do Pernil na saída do choque térmico 0,008
Tempo de choque térmico 0,001
51
Figura 10- Gráfico da importância relativa de cada variável para a variável de saída
“Quebra de Resfriamento” em suíno na empresa C.
Para a validação do modelo estudado acima foram utilizadas 334 carcaças. As
predições obtidas revelaram as estatísticas da Tabela 20.
Tabela 20- Característica do modelo de redes neurais artificiais para predição de
quebra de resfriamento.
Estatística de predição Valores
R² 0,99
Erro médio 0,02
Correlação 0,99
QME 0,005
RQME 0,07
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 21 estão relacionados predições, com os valores reais e valores
preditos de 50 carcaças, escolhidas aleatoriamente, para a saída “Quebra de
Resfriamento”.
52
Tabela 21 - Resultados reais e preditos do modelo de redes neurais para a saída
“Quebra de Resfriamento”.
Lote Valor Real
(%)
Valor Predito
(%)
Lote Valor Real
(%)
Valor Predito
(%)
1301 2,572347 2,584821 1326 2,291105 2,292112
1302 2,195122 2,197037 1327 2,063107 2,065916
1303 1,585205 1,617588 1328 2,631579 2,638678
1304 1,597444 1,577139 1329 2,341137 2,345595
1305 1,726264 1,735384 1330 2,983539 3,010699
1306 1,540284 1,54264 1331 2,463054 2,461459
1307 2,115159 2,116338 1332 1,898734 1,90888
1308 2,435897 2,43172 1333 1,908802 1,897408
1309 1,930502 1,942334 1334 2,03666 2,02478
1310 2,953587 2,905442 1335 2,380952 2,380014
1311 1,546392 1,572321 1336 1,984733 2,031663
1312 1,84182 1,831225 1337 2,435897 2,43172
1313 1,343284 1,452237 1338 2,722063 2,69006
1314 1,846966 1,866694 1339 2,176871 2,184772
1315 4,05562 4,029499 1340 1,928021 1,93973
1316 1,965065 1,95887 1341 2,195122 2,197037
1317 2,521008 2,509508 1342 2,27027 2,27289
1318 1,556886 1,561748 1343 2,020202 2,048729
1319 3,125 3,028819 1344 2,187902 2,191468
1320 2,014389 2,04276 1345 1,628664 1,613019
1321 1,967213 1,961187 1346 2,369668 2,371636
1322 2,378378 2,384475 1347 1,845444 1,843099
1323 2,054795 2,070752 1348 2,173913 2,171795
1324 1,72973 1,715743 1349 2,248521 2,24662
1325 2,192448 2,19437 1350 2,434077 2,438471
Ao serem avaliados os resultados reais versus preditos para a saída “Quebra de
Resfriamento” na empresa C, verificou-se que as diferenças existentes foram mínimas.
A Figura 11 apresenta graficamente uma visão conjunta da totalidade dos 334
carcaças utilizadas na validação.
53
Figura 11- Valores reais (X) versus preditos (Y) da saída “Quebra de Resfriamento”
para as 334 carcaças utilizadas na validação da rede.
O modelo utilizado para a variável de saída “Quebra de Resfriamento” utilizou
1634 linhas de dados. O treinamento do modelo apresentou Coeficiente de
Determinação Múltipla e a Correlação altos, próximos a 1 e Erro médio baixo. Na
validação do modelo foi possível observar a capacidade de predizer, com precisão, os
acontecimentos futuros. Este resultado ultrapassou a expectativa do presente trabalho,
que inicialmente estudaria apenas matadouro-frigorífico de aves.
Observamos que as variáveis que mais contribuíram para a quebra de
resfriamento foram “Peso Quente” e “Peso Frio”, com 90% de importância relativa
somando-se as duas. Já a “Espessura de Toucinho”, “Tempo Permanência do Choque”
e “Temperatura do Pernil Na Saída do Choque Térmico” apresentaram menor
importância relativa.
A temperatura do choque térmico seria um dado de grande importância, porém
não haviam registros associados. Verifica-se que o choque térmico, justamente tem a
função de baixar a temperatura da carcaça mais rapidamente, pois ele trabalha com
temperaturas próximas a -20°C, enquanto que na câmara de resfriamento a
temperatura fica em torno de 0°C.
Os resultados demonstraram que o modelo de rede neural aplicado realizou
predições muito próximas ao valor real para a saída “Quebra de Resfriamento”. Não
foram encontradas referências bibliográficas semelhantes utilizando RNAs em
54
matadouro-frigorífico de suínos para realizarmos as desejáveis e cabíveis
comparações.
4.6 Modelo de redes neurais artificiais para a variável de saída “Peso Vivo de
Suínos” na empresa C.
O modelo gerado para saída “Peso Vivo de Suínos”, utilizou para treinamento da
rede 750 carcaças e para sua validação 226 carcaças.
As variáveis de entrada utilizadas para construção do modelo foram: “Peso da
Carcaça Quente” e “Rendimento” no abate da carcaça. A variável de saída a ser
predita escolhida foi “Peso Vivo”.
A Tabela 22 apresenta um resumo das informações obtidas com o treinamento da
rede neural para a saída “Peso Vivo”. As estatísticas obtidas refletem um modelo bem
ajustado, com Coeficiente de Determinação Múltipla (R²) e Correlação altos.
Tabela 22 - Característica do modelo de redes neurais para predição de peso vivo de
suínos.
Estatística de predição Valores
R² 0,99
Erro médio 1,35
Correlação 0,99
QME 3,72
RQME 1,65
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
A Tabela 23 e a Figura 12 apresentam a importância relativa de cada variável
analisada para a saída “Peso Vivo”.
Tabela 23 - Importância relativa das variáveis de entrada para a saída “Peso Vivo” do
suíno na empresa C.
Variável Importância relativa
Peso da carcaça quente 0,859
Rendimento da carcaça 0,141
55
Figura 12 - Gráfico da importância relativa de cada variável para a saída “Peso Vivo”
de suíno. Peso Tipif: “Peso da Carcaça Quente”.
Para a validação do modelo estudado acima foram utilizadas 226 carcaças. As
predições obtidas revelaram as estatísticas da Tabela 24.
Tabela 24 - Característica do modelo de redes neurais para predição de peso vivo do
suíno.
Estatística de predição Valores
R² 0,97
Erro médio 1,31
Correlação 0,98
QME 2,72
RQME 1,65
R²- Coeficiente de Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
Na Tabela 25 estão relacionados predições, com os valores reais e valores
preditos de 50 carcaças suínas para saída “Peso Vivo”, escolhidas aleatoriamente.
56
Tabela 25-Resultados reais e valores preditos para a variável de saída “Peso Vivo” de
suínos.
Carcaça Valor Real
(Kg)
Valor Predito
(Kg)
Carcaça Valor Real
(Kg)
Valor Predito
(Kg)
751 118,5 118,0964 776 90,6 91,87049
752 103 103,565 777 106,5 103,1543
753 101 100,3849 778 101,5 100,2044
754 110 109,1996 779 115,5 112,5015
755 91 90,32021 780 113,5 112,2849
756 104,5 106,1201 781 97,8 99,74261
757 116 114,948 782 99,2 100,1696
758 107,5 106,7721 783 117,5 114,8942
759 101 99,81154 784 103,5 102,4687
760 98,6 97,3957 785 102,5 102,9402
761 110 109,671 786 105 104,227
762 117,5 116,1111 787 98,4 95,99819
763 96,4 97,12536 788 97,6 98,72856
764 115 116,4272 789 96,8 99,25116
765 127,5 124,7895 790 110 108,1317
766 116 114,5863 791 88,2 88,69435
767 106 105,4777 792 111,5 108,8138
768 83,4 82,582 793 109 108,0639
769 105,5 102,382 794 87,4 88,02395
770 115 115,0069 795 88,6 88,33455
771 97,2 98,44997 796 109 107,7097
772 98,4 98,95039 797 111 111,9799
773 103,5 102,7002 798 107 107,8858
774 96,6 94,79568 799 116,5 117,8457
775 105,5 102,2629 800 87,6 89,81609
Ao serem avaliados os resultados reais versus preditos para a saída “Peso
Vivo” de suínos na empresa C, verificou-se que as diferenças existentes foram
mínimas.
A Figura 13 apresenta graficamente uma visão conjunta da totalidade das 226
carcaças utilizadas na validação.
57
Figura 13 - Valores reais (X) versus preditos (Y) da saída “Peso Vivo” para as 226
carcaças utilizadas na validação da rede.
A empresa pesava duas vezes seus animais, uma na recepção dos animais e
outra no abate junto com a pistola de tipificação. Este projeto teve por objetivo
predizer o peso vivo do suíno apenas a partir de seu rendimento e peso da carcaça
quente (pesado na balança junto com a pistola de tipificação e espessura de toucinho).
A empresa desejava não precisar pesar seus animais na entrada do frigorífico, evitando
desgaste para os animais quando são descarregados do caminhão, promovendo bem
estar animal, diminuindo o custo com funcionário operando a balança e podendo pagar
para o produtor o preço justo do suíno, baseado no peso quente e no rendimento. O
modelo foi então construído a partir de 975 linhas de dados. A Correlação e o
Coeficiente de Determinação Múltipla foram muito próximos a 1 e o Erro Médio foi
baixo.
O Erro médio do modelo presente apresentou-se mais alto (1,31) que os
modelos anteriores. O motivo para essa variação é que se trata do peso de um suíno ,
que possui peso médio de 100 kg. Assim, 1,31 não é um Erro médio alto, quando
comparado ao peso médio de 100 kg de um animal.
Não foram encontradas outras referências bibliográficas, utilizando RNAs com
o mesmo fim, impossibilitando uma discussão com as comparações.
O emprego de redes neurais artificiais para este tipo de predição apresentou um
modelo ajustado para o pagamento do suíno ao produtor baseado em critérios
objetivos, podendo deslocar um funcionário para outras funções, promover bem estar
animal e contentar o produtor e a empresa.
58
Os resultados demonstraram que o modelo de rede neural aplicado realizou
predições próximas ao valor real para a saída peso vivo, possibilitando a predição do
mesmo.
4.7 Considerações finais:
A literatura atual de redes neurais artificiais em avicultura não é vasta.
Trabalhos com propostas semelhantes a esta não foram encontrados, em nenhuma
consulta bibliográfica realizada. O Centro de Diagnósticos e Pesquisa em Patologia
Aviária (CDPA) já havia demonstrado que esta metodologia poderia ser utilizada para
o gerenciamento de reprodutoras pesadas (Guahyba, 2001; Salle et al., 2001; Salle et
al., 2003), no gerenciamento de frangos de corte (Reali, 2004) e no gerenciamento de
um incubatório (Salle, 2004). Na literatura consultada foram encontradas publicações
que utilizaram as redes neurais artificiais em matadouro-frigorífico, porém não com o
mesmo objetivo. Foram utilizadas redes neurais artificiais, para a criação de modelos
para predição de ascite em frangos (Roush et al., 1997; Roush et al., 1996; Roush et
al., 2000; Roush et al., 2001, Cravener, 1999) e para a inspeção de carcaças nos
matadouros-frigoríficos utilizando a tecnologia das redes neurais, juntamente com
tecnologia de digitalização de imagens (Park et al.. 1998; Park et al.. 2001; Park et al..
2003;). As desejáveis comparações dos resultados obtidos com os trabalhos de outros
autores não puderam ser realizadas.
Quando comparamos este trabalho com os outros realizados por Guahyba,
(2001) em reprodutoras pesadas, Reali (2004) em frango de corte, Salle, (2004) em
incubatório, observamos que os modelos deste trabalho são mais simples, com o
estudo de variáveis que influenciam em um determinado fator, e menores predições
“desconhecidas”. Isto se deve ao fato do banco de dados disponibilizados de cada
segmento avícola possuírem forma de registros distintos e, muitas vezes, não
possuírem determinadas variáveis de extrema importância, mensuradas e registradas,
para construção de um determinado modelo. Porém, as redes neurais artificiais foram
capazes, em todos eles, de construir modelos bem ajustados e predições confiáveis.
Isto vem demonstrar a boa perspectiva do emprego desta nova metodologia no
gerenciamento do processo produtivo da cadeia avícola.
Os resultados obtidos neste trabalho demonstraram que a inteligência artificial
pode ser utilizada como ferramenta nas decisões de um gerenciamento de um
59
matadouro-frigorífico avícola e por ocasião, matadouro-frigorífico de suínos. Assim,
foi plenamente atingido o objetivo que motivou a realização deste estudo.
Os dados fornecidos pelas três empresas neste trabalho foram utilizados para a
construção de oito modelos. Na fase de treinamento dos modelos, as redes
apresentaram valores de Correlação e de Coeficiente de Determinação Múltiplo (R²)
muito altos, próximos a 1 e Erro médio e Quadrado Médio do Erro (QME) mínimos, o
que significa que foram valores muito bons.
Os modelos desta dissertação demonstraram que as redes neurais podem ser
utilizadas como uma ferramenta essencial na tomada de decisão do gerenciamento de
um matadouro-frigorífico, realizando predições de acontecimentos e realizando um
estudo das variáveis que mais influenciam em um determinado fator.
É importante ressaltar que com a utilização das redes neurais artificiais o que
se pretende é implementar uma ferramenta de auxílio à tomada de decisões, e não um
programa que substitua o conhecimento científico e técnico.
Salienta-se que os modelos aqui gerados servem somente para as empresas que
os geraram.
No decorrer deste trabalho a utilização de rede neural artificial para as
predições em matadouro-frigorífico foi muitas vezes prejudicada pela informação e
registros obtidos na empresa. Em nenhuma das empresas, infelizmente, foi criada uma
proposta de como deveriam ser coletados os dados para que se conseguisse um modelo
específico. Todas essas informações obtidas são analisadas de outra forma na empresa,
e, muitas vezes, não é a ideal para se chegar ao modelo desejado. Portanto, para esta
dissertação, diversos outros modelos foram inviabilizados devido à forma como a
informação é registrada. Este fato é totalmente compreensível em razão das diversas
formas como as empresas analisam atualmente seus dados. Por outro lado, a
metodologia que emprega a inteligência artificial, apesar de estar se tornando rotina na
Universidade, é um campo ainda a ser descoberto pelas agroindústrias.
Visto que as RNAs podem ser utilizadas com sucesso na avicultura, e no
matadouro-frigorífico de suínos, apresentado em pequena amostra no presente
trabalho, deve-se instigar a Universidade a iniciar em outros segmentos, que não a
avicultura, a aplicação das redes neurais artificiais.
60
5. CONCLUSÃO
As redes neurais artificiais foram capazes de explicar fenômenos de
gerenciamento de matadouro-frigorífico avícola, e também para matadouro-frigorífico
de suínos.
A técnica proposta no presente trabalho disponibiliza critérios objetivos,
gerados cientificamente, que oferecerão subsídios para as tomadas de decisões dentro
de um matadouro-frigorífico. Também apresenta a importância relativa de cada
variável de entrada para a saída analisada e ainda permite a realização de simulações
para predizer resultados futuros.
Com a criação de um sistema de registros delineado para a utilização de redes
neurais artificiais, as combinações de dados de entradas e dados de saídas serão
sensivelmente melhoradas, possibilitando seu maior aproveitamento.
61
REFERÊNCIAS BIBLIOGRÁFICAS
ARGOV, S. Diagnostic potential of fourier-transform infrared microspectroscopy and
advanced computacional methods in colon cancer patients. J.Biomed.Opt., v. 7, n. 2,
p. 248-254, 2002.
ASTION, M. L. ; WILDING, P. The application of back propagation neural networks
to problems in pathology and laboratory medicine. Arch Pathol Lab Med., v. 116, p.
995-1001, 1992.
BASSOI L.J. Tratamento de águas residuárias. In: FACTA. Abate e processamento
de frango. Campinas: 1994. p. 1-12.
BAXT, W. G.; SHOFER F.S.; SITES, F. D.;HOLLANDER, J. E. A neural network
aid for the early diagnosis of cardic ischemia in patients presenting to the emergency
departament with chest pain. Ann.Emerg.Med., v. 40, n. 6, p. 575-583, 2002.
BERAQUET N.J. Abate e evisceração. In: FUNDAÇÃO APINCO DE CIÊNCIA E
TECNOLOGIA AVÍCOLAS. Abate e processamento de frangos. Campinas:
Fundação Apinco de Ciência e Tecnologia Avícolas, 1994. Cap. 3 , p. 19-24.
BICCIATO, S. Pattern identification and classification in gene expression data using
an autoassociative neural network model. Biotechnol.Bioeng., v. 81, n. 5, p. 595-606,
2003.
BOCANEGRA C.W.R. Dissertação de Mestrado. Procedimentos para tornar mais
efetivo o uso das redes neurais artificiais em planejamento de transportes. 2002. -
Escola de Engenharia de São Carlos-USP, 2002.
BREMNER, A. S. Higiene e Inspección de Carne de Aves. Zaragoza: Editorial
Acribia, 1981. Bremner,1981.
BUZATU, D. A. The determination of cardic surgical risk using artificial neural
networks. J.Surg.Res., v. 95, n. 1, p. 61-66, 2001.
CHAO, K., CHEN, Y. R., HRUSCHKA, W. R., & GWOZDZ, F. B. (2002). On-line
inspection of poultry carcasses by a dual-camera system. Journal of Food
Engineering 51, 185-192.
CHENG, B. ; TITTERINGTON, D. M. Neural Networks: a review from a statistical
perspective. Statistical Science, v. 9, n. 1, p. 2-54, 1994.
CHETAM, S. M.; BARKER, T. M.;STAFFORD, W. Neural networks in cardiac
electrophysiological signal classification. Australas Phys.Eng.Science Medicine, v.
25, n. 3, p. 124-131, 2002.
62
CRAVENER, T. L. ; ROUSH, W. B. Improving neural network prediction of amino
acid levels in feed ingredients. Poult.Sci., v. 78, n. 7, p. 983-991, 1999
CURNOW R.N. A smooth population response curve based on an abrupt threshould
and plateau model for individuals. Biometrics, v. 29, n. 1, p. 1-10, 1986.
DAWSON, A. E.; AUSTIN, R. E.;WEINBERG JR.D.S. Nuclear granding of breast
carcinoma by image analysis.classification by multivariate and neural network
analysis. American Journal Clinical Pathology, v. 95, p. S29-S37, 1991.
DEY, B. P.; CHEN, Y. R.; HSIEH, C.;CHAN, D. E. Detection of septicemia in
chicken livers by spectroscopy. Poult.Sci., v. 82, n. 2, p. 199-206, 2003.
DOUGHERTY M.A. A rewiew of neural network applications in transportation
engineering. Transportation Research, 3. Parte C, 247-260.1995.
FIALHO, F. B. & LEDUR M.C. Modelo matemático para curvas de produção de
ovos. Comunicado Técnico n.256 Embrapa Suínos e Aves. 256, 1-3. 2000a
FIALHO, F. B. & LEDUR, M. C. Estimador da produção de ovos. Comunicado
Técnico n.257 Embrapa Suínos e Aves 257, 1-2. 2000b .
FREITAS A.R. Estimativa do peso de frangos macho e fêmeas através de modelos
matemáticos. In Embrapa Suínos e Aves (Ed.), (pp. 1-4).1983.
GUAHYBA A.S. Tese doutorado.Utilização de inteligência artificial (redes neurais
artificiais) no gerenciamento de reprodutoras pesadas.. - Porto alegre: UFRGS,
Faculdade de veterinária, PPGCV, 2001.
HAN, M. Evaluation of articial neural networks for the prediction of pathologic stage
in prostate carcinoma. Cancer, v. 91, n. 8, p. 1661-1666, 2001.
IVEY F.J. Desenvolvimento e aplicação de modelos de crescimento para frango de
corte. In (pp. 22-35). Concordia- Santa Catarina.1999.
KING R.D. Description of a growth simulation model for predicting the effect of diet
on broiler composition and growth. Poultry Science., v. 80, n. 3, p. 245-253, 2001.
KIRBY ET AL. Evaluation of logistic versus linear regression models for predcting
pulmonary hypertension sydrome using cold exposure or pulmonary artery clamp
models in broilers. Poultry Science, 76, 392-399.1997.
KLASSEN T.. Modelagem do sistema de resfriamento de carcaças de frangos com
redes neurais artificiais. Universidade Estadual do Oeste do Paraná. 1-30. Paraná.
2004.
LEE A.; CLAUDIA ULBRICHT;H.L.DE S.MORAES. Application of artificial neural
networks for detection of abnormal fetal heart rate pattern: A comparsion with
63
conventional algorithms. Journal of obstetrics and gynaecology, v. 19, n. 5, p. 482-
485, 1999.
LEMOS ET AL Inteligência artificial e consciência.: 2006. Disponível em:
http://www.geocities.com/Athens/Sparta/1350/ia/finais.html. Acesso 15/11/2006.
LOCH, T. Improvement of transrectal ultrasound. Artificial neural network analysis
(ANNA) in detection and ataging of prostatic carcinoma. Urologe A., v. 39, n. 4, p.
341-347, 2000.
LOKHORST C. Mathematical curves for the the description of input and output
variables of the daily production process in aviary housing systems for systems for
laying hens. Poultry Science, v. 75, n. 7, p. 838-848, 1996.
MINISTÉRIO DA AGRICULTURA E DO ABASTECIMENTO. Regulamento
técnico da inspeção tecnológica e higiênico sanitária de carne de aves. Portaria
210. de 10/11/1998.
MUIR W.M. Genetic Selection Strategies : computer modeling. Poultry Science., v.
76, n. 8, p. 1066-1070, 1997.
PARK B. AND CHEN, Y. R. Matrix texture features of multi-spectral images on
poultry carcasses. J.agric.Engng.Res., 78, 127-139.2001.
PARK, B. & CHEN, Y. R.. Co-ocurrence matrix texture features of multi-spectral
images on poultry carcasses. J.agric.Engng.Res. 78, 127-139. 2003.
PARK, B., CHEN, Y. R., & NGUYEN, M.. Multi-spectral image analysis using
neural network algorithm for inspection of poultry carcasses. J.agric.Engng.Res. 69,
351-363. 1998.
PRANDL, O.; FISCHER A.; SCHMIDHOFER T.; SINELL H. Tecnologia e higiene
de la carne. In: S.A.EDITORIAL ACRIBIA. Tecnologia e higiene de la carne.
Zaragoza-España:1994. p. 79-91.
RAMOS J.P.S. Redes Neurais Artificiais na classificação de frutos: cenário
bidimensional. Ciências Agrotécnicas, 27, 356-362.2003.
REALI E.H. Dissertação de Mestrado.Utilização de inteligência artificial (redes
neurais artificiais) no gerenciamento da produção de frangos de corte. 2004. -
UFRGS-Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária,
Programa de Pós Graduação em Ciências Veterinárias., 2004.
ROCHA A.C.G.P. Tese de doutorado.Utilização de Inteligência Artificial para a
Classificação de Patogenicidade de Amostras de Escherichia coli Isoladas de Frangos
de Corte. 2006. - Universidade Federal do Rio Grande do Sul, Faculdade de
Veterinária, Programa de Pós-Graduação em Ciências Veterinárias, Porto Alegre,
BRRS, 2006.
64
RONDÓN E.O. (2002). Modelagem Computacional para produção e pesquisa em
avicultura. Revista Brasileira de Agrociência, 4, 199-207.2002.
ROSENBLATT F. The perceptron: a probabilistic model for information storage and
organization in the brain. Psychological Review, 65, 386-408.1958.
ROUSH, W. B.; KIRBY, Y. K.; CRAVENER, T. L.;WIDEMAN, R. F., Jr. Artificial
neural network prediction of ascites in broilers. Poult.Sci., v. 75, n. 12, p. 1479-1487,
1996.
ROUSH, W. B.; CRAVENER, T. L.; KIRBY, Y. K.;WIDEMAN, R. F., Jr.
Probabilistic neural network prediction of ascites in broilers based on minimally
invasive physiological factors. Poult.Sci., v. 76, n. 11, p. 1513-1516, 1997.
ROUSH, W. B. ; WIDEMAN, R. F., Jr. Evaluation of broiler growth velocity and
acceleration in relation to pulmonary hypertension syndrome. Poult.Sci., v. 79, n. 2, p.
180-191, 2000.
ROUSH, W. B.; WIDEMAN, R. F., Jr.; CAHANER, A.; DEEB, N.;CRAVENER, T.
L. Minimal number of chicken daily growth velocities for artificial neural network
detection of pulmonary hypertension syndrome (PHS). Poult.Sci., v. 80, n. 3, p. 254-
259, 2001.
SALLE C.T.P., SOARES R.C.B., CÉ M.C., SILVA A.B.DA, MORAES H.L.S.,
NASCIMENTO V.P. Modelos matemáticos para avaliar resposta imune de aves à
doença de Newcastle. A Hora Veterinária, 102, 41-44.1998a.
SALLE, C. T. P., CÉ, M. C., LORENZINI, G., SFOGGIA, M. V. B., GUAHYBA, A.
D. S., MORAES, H. L. D. S. Correlation between aflatoxin and ocratoxin levels
with production parameters in a poultry company. In (pp. 131). Melbourne -
Australia.1998b.
SALLE, C. T. P., CÉ, M. C., SANTOS, C. H. C., GUAHYBA, A. D. S., &
NASCIMENTO, V. P. D. Use of statistical technique on the interpretation of
routine serologic data produced by poultry industry. In (pp. 148). Melbourne -
Australia.1998c.
SALLE, C. T. P., CÉ, M. C., LORENZINI, G., SFOGGIA, M. V. B., GUAHYBA,
A.D. S., MORAES, H. L. D. S. ET AL.. Correlation between aflatoxin and
ocratoxin levels with production parameters in a poultry company. In (pp. 130).
Vancouver - Canada.1999ª.
SALLE, C. T. P., CÉ, M. C., SANTOS, C. H. C., GUAHYBA, A. D. S., &
NASCIMENTO, V. P. D.. Use of statistical techniques on the interpretation of
routine serological data produced by a poultry industry. In (pp. 130). Vancouver -
Canada.1999b
SALLE, C. T. P., SOARES, R. C. B., CÉ, M. C., MORAES, H. L. D. S.,
NASCIMENTO, V. P. D., & GUAHYBA, A. D. S.. Immune response assessment in
65
turkey breeders vaccinated against Newcastle disease using mathematical
models. In (pp. 129). Vancouver - Canada.1999c.
SALLE, C. T. P. ; SILVA, A. B. d. Prevenção de Doenças / Manejo Profilático /
Monitorização. In: A.BERCHIERI JUNIOR ; M. MACARI (Eds.). Doenças das
Aves. 2000. p. 03-12.
SALLE, C. T.; GUAHYBA, A. S.; WALD, V. B.; SILVA, A. B.; SALLE, F.
O.;FALLAVENA, L. C. B. Uso de Redes Neurais Artificiais para Estimar Parâmetros
de Produção de Galinhas Reprodutoras Pesadas em Recria. Revista Brasileira de
Ciência Avícola, v. 3, p. 257-264, 2001.
SALLE, C. T.; GUAHYBA, A. S.; WALD, V. B.; SILVA, A. B.; SALLE, F.
O.;NASCIMENTO, V. P. Use of artificial neural networks to estimate production
variables of broilers breeders in the production phase. Br.Poult.Sci., v. 44, n. 2, p.
211-217, 2003.
SALLE, F. O. Dissertação de mestrado. Utilização de inteligência artificial (redes
neurais artificiais) no gerenciamento do incubatório de uma empresa avícola do sul do
Brasil. 2005. - UFRGS, 2005.
SNOW, P. B.; KERR, D. J.; BRANDT, J. M.;RODVOLD, D. M. Neural network and
regression predictions of 5 years survival after colon carcinoma treatment. Cancer, v.
91, n. 8, p. 1673-1678, 2001.
SOARES, R. C. B. Dissertação de mestrado.Avaliação da resposta imunológica em
reprodutoras de perus (Meleagridis gallopavo) diante do vírus vacinal da doença de
Newcastle através de modelos matemáticos. 1995. - Porto Alegre: UFRGS, Faculdade
de Veterinária, PPGCV, 1995.
ZIADA, A. M. Impact of different variables on the outcome of patients with clinically
confined prostate carcinoma: prediciton of pathologic stage and biochemical failure
using an artifical neural network. Cancer, v. 91, n. 8, p. 1653-1660, 2001.
66
APÊNDICE A- Modelo de redes neurais artificiais para a variável de saída
“Condenação Total De Carcaça Na Inspeção Final” da empresa A.
• Número de lotes abatidos utilizados: 2910
• Lotes utilizados para treinamento: 2600
• Lotes utilizados para validação: 310
Variáveis de entrada:
• Abscesso
• Celulite
• Artrite
• Colibacilose
• Caquexia
• Salpingite
• Contaminação
• Contusão
• Cozido
• Dermatose
• Aerossaculite
• Coligranulomatose
• Septicemia
• Má sangria
• Mau aspecto
• Ascite
• Tumores
• Síndrome Hemorrágica
Variável de saída:
• Condenação Total na Inspeção Final (número de carcaças condenadas).
67
TREINAMENTO DA REDE NEURAL ARTIFICIAL:
Tabela 1- Característica do modelo de redes neurais artificiais para predição da
Condenação Total na Inspeção Final da empresa A.
Estatística de predição Valores
R² 1
Erro médio 1,82E-13
Correlação 1
QME 2,37E-25
RQME 4,86E-13
R²- Coeficiente De Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
IMPORTÂNCIA RELATIVA DAS ENTRADAS ESTUDADAS:
Tabela 2- Importância relativa das entradas estudadas na empresa A para a saída
“Condenação Total na Inspeção Final”.
Entrada Importância relativa
Cozido 0,270
Contaminação 0,166
Sindrome Hemorrágica 0,096
Caquexia 0,092
Mau aspecto 0,089
Absesso 0,047
Ascite 0,047
Má sangria 0,045
Aerossaculite 0,042
Dermatose 0,041
Artrite 0,020
Contusão 0,013
Colibacilose 0,012
Celulite 0,007
Salpingite 0,005
Coligranulomatose 0,003
Tumores 0,003
Septicemia 0,001
68
Figura 1-Gráfico da importância relativa de cada variável de entrada para a saída
Condenação Total na Inspeção Final.
TESTE E VALIDAÇÃO DA REDE NEURAL ARTIFICIAL PARA OS 310
LOTES:
Tabela 3- Validação do modelo de redes neurais artificiais para a predição
Condenação Total na Inspeção Final dos 310 lotes abatidos em 2005 da
empresa A.
Estatística de predição Valores
R² 1
Erro médio 1,38E -13
Correlação 1
QME 3,96E-26
RQME 1,99E-13
R²- Coeficiente De Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro
69
Tabela 4- Resultados reais e predições de 50 dos 310 lotes abatidos em 2005.
LOTE REAL
(nº carcaça)
PREDITO
(nº carcaça)
LOTE REAL
(nº carcaça)
PREDITO
(nº carcaça)
2601 2 2 2651 24 24
2602 7 7 2652 36 36
2603 0 2,28E-14 2653 56 56
2604 3 3 2654 10 10
2605 0 2,28E-14 2655 9 9
2606 2 2 2656 0 2,28E-14
2607 5 5 2657 9 9
2608 6 6 2658 7 7
2609 2 2 2659 10 10
2610 0 2,28E-14 2660 14 14
2611 22 22 2661 5 5
2612 8 8 2662 1 1
2613 7 7 2663 3 3
2614 4 4 2664 3 3
2615 1 1 2665 7 7
2616 8 8 2666 10 10
2617 3 3 2667 7 7
2618 15 15 2668 3 3
2619 8 8 2669 5 5
2620 7 7 2670 7 7
2621 5 5 2671 5 5
2622 3 3 2672 2 2
2623 0 2,28E-14 2673 2 2
2624 1 1,0 2674 3 3
2625 8 8 2675 5 5
70
Figura 2- Valores reais (X) versus preditos (Y) da saída condenação total na pré-
inspeção para os 310 lotes abatidos utilizados na validação da rede.
71
APÊNDICE B-Modelo de redes neurais artificiais para variável de saída
“Condenação Total Na Pré- Inspeção” na Empresa A.
• Número de lotes abatidos utilizados: 2910
• Lotes utilizados para treinamento: 2600
• Lotes utilizados para validação: 310
Variáveis de entrada:
• Cozido
• Caquexia
• Má sangria
• Ascite
• Artrite
• Coriza
• Abscesso
• Contusão
• Desidratação
Variável de saída:
• Condenação na pré-inspeção (número carcaça).
Tabela 1- Característica do modelo de redes neurais artificiais para predição de
condenação total na pré-inspeção.
Estatística de predição Valores
R² 1
Erro médio 0,000168
Correlação 1
QME 0,000017
RQME 0,004142
R²- Coeficiente De Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
72
Figura 1- Gráfico da importância relativa das variáveis de entrada para a saída
“Condenação Total Na Pré-Inspeção”.
Tabela 2- Importância relativa das variáveis de entrada para a saída condenação total
na pré-inspeção.
Variáveis de entrada Importância relativa
Cozido 0,405
Caquexia 0,329
Má sangria 0,111
Ascite 0,035
Artrite 0,035
Coriza 0,022
Absesso 0,016
Contusão 0,010
Desidratação 0,001
VALIDAÇÃO:
Tabela 3- Característica do modelo de redes neurais artificiais para predição de
condenação total na pré-inspeção .
Estatística de predição Valores
R² 1
Erro médio 0,00009
Correlação 1
QME 9,81E-09
RQME 0,000099
R²- Coeficiente De Determinação Múltipla; QME- Quadrado Médio do Erro; RQME-
Raiz Quadrada média do Erro.
73
Tabela 4- Resultados reais e predições de 50 dos 310 lotes abatidos em 2005.
Lote Valor Real
(nº carcaça)
Valor
Predito
(nº carcaça)
Lote Valor Real
(nº carcaça)
Valor
Predito
(nº carcaça)
2601 56 55,9999 2641 54 53,9999
2602 22 21,99994 2642 63 62,99989
2603 13 12,99994 2643 103 102,9998
2604 25 24,99994 2644 52 51,99986
2605 60 59,99981 2645 44 43,99989
2606 16 15,99995 2646 25 24,99989
2607 28 27,99998 2647 15 14,9999
2608 18 17,99991 2648 3 2,999937
2609 18 17,99994 2649 25 24,99992
2610 21 20,99993 2650 12 11,99991
2611 9 8,999928 2651 15 14,99991
2612 31 30,9999 2652 22 21,99989
2613 37 36,99988 2653 8 7,999919
2614 15 14,99991 2654 3 2,999924
2615 26 25,99991 2655 6 5,999923
2616 30 29,99987 2656 35 34,99986
2617 21 20,9999 2657 12 11,9999
2618 21 20,99993 2658 5 4,999919
2619 15 14,99994 2659 5 4,999919
2620 40 40,00008 2660 14 13,99992
2621 35 34,99998 2661 10 9,999908
2622 19 18,99998 2662 6 5,999918
2623 32 32,00003 2663 12 11,9999
2624 16 15,99995 2664 5 4,999919
2625 51 50,9999 2665 62 61,99986
74
Figura 2 - Valores reais (X) versus preditos (Y) da saída “Condenação Total Na Pré-
Inspeção” para os 310 lotes abatidos utilizados na validação da rede.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
