Esta dissertação explora o desenvolvimento de um modelo de aprendizagem automática para classificação de três espécies de plantas, arbustos, gramíneas e leguminosas para futura integração em coleiras de gado. O objetivo é poder monitorizar em tempo real a alimentação dos animais, de forma a ter um maior controlo sobre a sua saúde e sustentabilidade da exploração agrícola. O trabalho implementou duas abordagens de criação de modelos, a Aprendizagem por Transferência com arquiteturas pré-treinadas e um modelo de rede neuronal criado de raiz. Os resultados mostraram que as arquiteturas de aprendizagem por transferência obtiveram coeficientes de correlação de Matthews (MCC) elevados, variando de 0,95 a 0,97, com apenas 5 a 15 épocas de treino. O modelo treinado a partir do zero apresentou uma melhoria gradual no MCC, atingindo o seu pico de aprendizagem em 0,92 após 80 épocas. A discussão salienta a eficácia da Aprendizagem por Transferência em pequenos conjuntos de dados e a necessidade de alargar o do conjunto de dados e a exploração de hiperparâmetros para melhorar o desempenho dos modelos.

This dissertation explores the development of a machine-learning model for the classification of three plant species, shrubs, grasses, and legumes for future integration into livestock collars. The aim is to be able to monitor the feeding of animals in real-time, to have greater control over their health and the sustainability of the farm. The work implemented two approaches to create models, Transfer Learning with pre-trained architectures and a neural network model created from scratch. The results showed that the transfer learning architectures obtained high Matthews Correlation Coefficients (MCC), ranging from 0.95 to 0.97, with only 5 to 15 training epochs. The model trained from scratch showed a gradual improvement in the MCC reaching its learning peak at 0.92 after 80 epochs. The discussion emphasizes the effectiveness of Transfer Learning on small datasets. Extending the dataset and the exploration of hyperparameters is needed to improve the model performance.

Mestrado em Engenharia Eletrónica e Telecomunicações