Body weight prediction of crossbred beef cattle through the image processing and machine learning algorithms

• Ano de defesa: 2022
• Autor(a) principal: Souza, Nathalia Farias de
• Orientador(a): Chizotti, Mario Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Viçosa
• Programa de Pós-Graduação: Zootecnia
• Área do conhecimento CNPq: Produção Animal
• Link de acesso: https://locus.ufv.br//handle/123456789/30386; https://doi.org/10.47328/ufvbbt.2022.729

Para a bovinocultura de corte uma das informações mais valiosas é o peso corporal que está relacionado ao crescimento e desempenho animal. Sensores bidimensionais são as tecnologias mais baratas entre todos os sensores, e podem ser usados como uma ferramenta para extrair informações que associadas com o aprendizado de máquina predizem fenótipos de valor. Objetivou-se predizer o peso corporal (PC) utilizando análise de imagens de vídeo e equipamento bidimensional simples, a partir da visão dorsal de bovinos mestiços (½ angus x ½ nelore) em fase de terminação, aplicando diferentes informações de frames (1, 3 e 5), e algoritmo de aprendizado de máquina. Os procedimentos experimentais foram realizados na Universidade Federal de Viçosa, foram utilizados 40 animais mestiços (½ angus x ½ nelore), machos, com idade de 8 meses no início do confinamento e peso corporal inicial médio de 291,7±23,8 kg e finalizado com 517,42±54,8 kg. A coleta de dados ocorreu de setembro (12 meses) a dezembro/2021 (15 meses). O peso corporal (PC) foi coletado por meio de bebedouro/balança automática da empresa Intergado e as imagens de vídeo foram coletadas por meio de câmeras Intelbras a partir da visão dorsal do animal. Foram testadas três abordagens para segmentação dos animais com base na limiarização, porém, suas características de cor não permitiam fazer isso automaticamente, então foi utilizado o software ImageJ 1.35k, para fazer as delimitações manualmente, extraindo 8 Descritores de Forma. Para regressão foram avaliados seis algoritmos de aprendizado de máquina, Ridge, Least Absolute Shrinkage and Selection Operator (LASSO), Elastic Net (ENET), Multiple Linear Regression (MLR), Adaboost (ADAB) e Random Forest (RF) para construir modelos preditivos, conjunto de dados foi dividido em 70:30 para treino e teste. As regularizações RIDGE e MLR sem AGE como preditor tiveram desempenho semelhante. A adição de AGE melhorou todos os algoritmos, os melhores resultados de métricas foram para ENET e ENET usando AGE para dataset com informação de 5 Frames (5F), R²=0,68 e 0,76, respectivamente. Assim, o uso de sensor bidimensional na vista dorsal pode predizer o PC de mestiços (½ angus x ½ nelore). Palavra-Chave: Correlação. Processamento de Imagem. Regularização.