Internet das Coisas é um conceito novo que define a forma que os dispositivos se comunicam entre si sem a necessidade de interferência humana, possibilitando tomadas de decisão mais inteligentes, baseadas em dados coletados de sensores, tags e outros dispositivos. O objetivo do trabalho é a criação e validação de um sistema usando elementos de Internet das Coisas com mineração de dados para detectar padrões de comportamentos de animais, possibilitando o proprietário tomar decisões para segurança e saúde dos animais. Para tanto, foi feito um estudo da arte das soluções atuais de monitoramento animal e das tecnologias disponíveis para aplicação no sistema. Dois hardwares foram desenvolvidos para coleta dos dados, e foram integrados a uma ferramenta de mineração chamada Damicore. Apesar de algumas dificuldades envolvendo cobertura com a internet, foram realizados dois experimentos com êxito e seus dados foram processados pela ferramenta de mineração, produzindo clusters hierárquicos que possibilitam destacar determinados comportamentos animais através dos clusters encontrados. Finalmente, foram sugeridos alguns pontos de melhoria do sistema, para aumentar ainda mais a abrangência da solução. / Internet of Things is a new concept that defines the way devices communicate with each other without the need for human interference, enabling smarter decision-making based on data collected from sensors, tags and other devices. The goal of this project is to create and validate a system using Internet of Things features with data mining to detect patterns of animal behavior, enabling the owner to make decisions for animal safety and health. For this purpose, current animal monitoring solutions and technologies were reviewed. Based on that, two hardware devices were developed for data collection and integrated with a data mining tool, called Damicore. Despite some difficulties involving internet coverage, two experiments were successfully carried out and their data were processed by the data mining tool, producing hierarchical clusterings that enable to highlight certain animal behaviors by means of the found clusters. Finally, some factors that can benefit the evolution of the system were suggested to further increase the scope of the solution.

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T18:29:57Z No. of bitstreams: 1 Dissertação - Anderson G. Fontoura.pdf: 22470211 bytes, checksum: 6a7a28be7dd1f16db08371c0f70abfb6 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T18:30:30Z (GMT) No. of bitstreams: 1 Dissertação - Anderson G. Fontoura.pdf: 22470211 bytes, checksum: 6a7a28be7dd1f16db08371c0f70abfb6 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-12-01T18:30:50Z (GMT) No. of bitstreams: 1 Dissertação - Anderson G. Fontoura.pdf: 22470211 bytes, checksum: 6a7a28be7dd1f16db08371c0f70abfb6 (MD5) / Made available in DSpace on 2016-12-01T18:30:50Z (GMT). No. of bitstreams: 1 Dissertação - Anderson G. Fontoura.pdf: 22470211 bytes, checksum: 6a7a28be7dd1f16db08371c0f70abfb6 (MD5) Previous issue date: 2016-04-19 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A great number of recent projects have, as their focus, the preservation of fauna and flora through monitoring and research centered on regions with very heterogenic ecosystems, such as the Amazon Rain Forest. In fact, research projects based on animal monitoring are carried out in various parts of the world. The main problem of this type of monitoring lies on the cataloguing aspect that is still completed manually, consuming precious time of the researchers which could be better used in truly achieving the objectives of the research. As an example, in Australia, the lack of monitoring in several species of felines, especially domestic cats, is a concern of scientists because of questionable decisions made by governments that consider these animals as pests and treat them as a menace for environment balance. In Brazil, similar researches are conducted in order to maintain conservation of wild cats, such as jaguars. In this context, the objective of this work is to collaborate in this area with the study of pattern recognition and digital image processing in order to build a more effective method for animal segmentation in pictures, particularly the domestic cat. This method consists in creating a combined process that integrates a contrast enhance Color Boost filter, homomorphic filter, Mean- Shift filter and Distance Map in order to achieve an unsupervised way for segmenting cats on picture scenes. In addition to this method, a merge rule for decreasing the process of over-segmentation in images is applied, avoiding this common issue in many Watershed algorithms. The results can reach up to 84% on average accuracy in feline segmentation, with the possibility, in the future, to be extrapolated to others objects or species. / Muitos trabalhos atuais têm como foco principal a preservação da fauna e flora através do monitoramento e de pesquisas centradas em regiões com ecossistemas bem diversos, como é o caso da Amazônia. Pesquisas sobre monitoramento de animais sempre são realizadas em diversas partes do inundo. O problema principal deste tipo de monitoramento é que sua catalogação ainda é realizada de forma manual, consumindo o tempo dos pesquisadores que poderia ser melhor utilizado no alcance dos objetivos das pesquisas propriamente ditas. Na Austrália por exemplo, a falta de monitoramento em diversas espécies de felinos, principalmente gatos domésticos, preocupa cientistas devido a tornada de decisões errôneas por parte dos governos, que deseja combatê-los como se realmente fossem pragas. No Brasil, pesquisas similares são realizadas para prover a melhor conservação das espécies de felinos selvagens. Nesse contexto, o objetivo deste trabalho é de colaborar nessa área com o estudo de reconhecimento de padrões e processamento digital de imagens para a construção de um método mais eficaz de segmentação de um animal, em especial: o felino doméstico. O método consiste na criação de um processo combinado de um filtro de aumento de contraste Color Boost, filtro homomórfico, filtro Mean-Shift e do Mapa de distância para conseguir de forma não-supervisionada, segmentar o felino em uma cena. Além de conter uma regra para diminuir o processo de sobre segmentação em imagens, que é muito comum em segmentadores do tipo Watershed Os resultados conseguem alcançar até 84% em média de exatidão na extração do felino, tendo a possibilidade de no futuro ser extrapolado para outros objetos ou espécies.

O presente trabalho teve como objetivo apresentar uma metodologia que permita encontrar o posicionamento e rastrear as diferentes localizações de um suíno em uma baia, utilizando o valor do Receiver Signal Strenght Indicator (RSSI), entre o dispositivo móvel (suíno) e três dispositivos fixos, e uma Rede Neural Artificial do tipo Perceptron Multicamadas (PMC), responsável por interpretar os sinais RSSI e transformá-los em valores conhecidos, como em um plano cartesiano, com coordenadas no eixo X e eixo Y. A região de teste foi dividida em 289 pontos, sendo 286 utilizados para coleta de dados e para o treinamento da rede PMC. Para cada ponto, foram armazenados a sua posição dentro da baia e o valor RSSI entre o dispositivo móvel e os três dispositivos fixos. O processo foi repetido para 8 pontos escolhidos aleatoriamente dentro do espaço de teste e inseridos como entradas na rede PMC. Após treinamentos e operações realizadas com diversas arquiteturas foi possível concluir que àquela dotada de 10 neurônios na camada intermediária consistiu na melhor alternativa, cujos resultados de monitoramento e rastreamento das posições do dispositivo móvel foram encontradas com valores aceitáveis de exatidão. / This paper aims to present a methodology to find the positioning and tracking of the different locations of a pig in a stall, using the value of the Receiver Signal Strength Indicator (RSSI), between the mobile device (pig) and three devices fixed, and an Artificial Neural Network Multilayer Perceptron (MLP), responsible for interpreting the RSSI signals and turning them into known values, such as on a Cartesian plane, with coordinates on X axis and Y axis. The test region was divided into 289 points, with 286 points used for data collection and training of PMC network, and for each point, it was stored its position inside the stall and its RSSI value between the mobile devices and the three fixed. The process was repeated for 8 points chosen randomly within the space of test and entered as inputs into the PMC network. After training and operations with various architectures it was concluded that the architecture with 10 neurons in the hidden layer was the best alternative, whose the results of monitoring and tracking the positions of mobile device were found with acceptable accuracy.

O presente trabalho teve como objetivo apresentar uma metodologia que permita encontrar o posicionamento e rastrear as diferentes localizações de um suíno em uma baia, utilizando o valor do Receiver Signal Strenght Indicator (RSSI), entre o dispositivo móvel (suíno) e três dispositivos fixos, e uma Rede Neural Artificial do tipo Perceptron Multicamadas (PMC), responsável por interpretar os sinais RSSI e transformá-los em valores conhecidos, como em um plano cartesiano, com coordenadas no eixo X e eixo Y. A região de teste foi dividida em 289 pontos, sendo 286 utilizados para coleta de dados e para o treinamento da rede PMC. Para cada ponto, foram armazenados a sua posição dentro da baia e o valor RSSI entre o dispositivo móvel e os três dispositivos fixos. O processo foi repetido para 8 pontos escolhidos aleatoriamente dentro do espaço de teste e inseridos como entradas na rede PMC. Após treinamentos e operações realizadas com diversas arquiteturas foi possível concluir que àquela dotada de 10 neurônios na camada intermediária consistiu na melhor alternativa, cujos resultados de monitoramento e rastreamento das posições do dispositivo móvel foram encontradas com valores aceitáveis de exatidão. / This paper aims to present a methodology to find the positioning and tracking of the different locations of a pig in a stall, using the value of the Receiver Signal Strength Indicator (RSSI), between the mobile device (pig) and three devices fixed, and an Artificial Neural Network Multilayer Perceptron (MLP), responsible for interpreting the RSSI signals and turning them into known values, such as on a Cartesian plane, with coordinates on X axis and Y axis. The test region was divided into 289 points, with 286 points used for data collection and training of PMC network, and for each point, it was stored its position inside the stall and its RSSI value between the mobile devices and the three fixed. The process was repeated for 8 points chosen randomly within the space of test and entered as inputs into the PMC network. After training and operations with various architectures it was concluded that the architecture with 10 neurons in the hidden layer was the best alternative, whose the results of monitoring and tracking the positions of mobile device were found with acceptable accuracy.