Uso de imagens biométricas para predição do peso corporal e de carcaça quente de bovinos Nelore

• Ano de defesa: 2018
• Autor(a) principal: Cominotte, Alexandre [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Análise de imagens; Bovinos de corte; Visão computacional; Modelos preditivos; Beef cattle; Predictive models
• Link de acesso: http://hdl.handle.net/11449/157479

O trabalho foi dividido em dois estudos. No estudo 1, objetivou-se predizer o peso corporal (PC) e o ganho médio diário (GMD) de bovinos Nelore por meio de imagens tridimensionais e comparar quatro modelos de predição: Regressão Linear Múltipla (RLM), Regressão LASSO (LASSO), Partial Least Squares (PLS) e Artificial Neural Networks (ANN). Foram coletadas 234 imagens de bovinos Nelore. As coletas de dados foram realizadas em quatro fases da ao longo da vida do animal: Desmame aos 244 dias de idade e 202,3 kg (± 27,1), Recria aos 457 dias de idade e 213,9 kg (± 25,1), Inicio da Terminação aos 590 dias de idade e 334,5 kg (± 29,2) e Final da Terminação aos 763 dias de idade e 449,5 kg (± 47,5). Nas três primeiras fases foram coletadas imagens de 62 bovinos Nelore, enquanto que na última fase apenas 48 imagens foram coletadas. O GMD foi medido: 1: Desmama - Recria, 2: Desmama – Inicio da Terminação, 3: Desmama – Final da Terminação, 4: Recria – Inicio da Terminacao, 5: Recria – Final da Terminação e 6: Inicio da Terminação – Final da Terminação. No estudo 2, quatrocentas e cinquenta imagens de bovinos Nelore foram coletadas em quatro experimentos para predição de PC e peso de carcaça quente (PCQ). Quatro conjuntos experimentais foram considerados: Set 1 inclui os experimentos 1, 2 e 3 para treinamento e experimento 4 para validação; Set 2 inclui os experimentos 1, 2 e 4 para treinamento e experimento 3 para validação; Set 3 inclui os experimentos 1, 3 e 4 para treinamento e experimento 2 para validação; Set 4 inclui os experimentos 2, 3 e 4 para treinamento e experimento 1 para validação. Os experimentos 1, 3 e 4 foram conduzidos no centro de pesquisa do Pólo Regional de Desenvolvimento Tecnológico dos Agronegócios da Alta Mogiana, em Colina - SP, Brasil. Para o experimento 1 foram utilizados 48 bovinos machos químicamente castrados da raça Nelore, com média de 24 ± 2 meses e peso vivo médio de 449,4 (± 46,9 kg). Para o experimento 2 foram utilizados 228 bovinos machos não castrados da raça Nelore, com média de 22 ± 2 meses e peso vivo médio inicial de 588,4 (± 35,5 kg). O experimento 3 foi realizado no Confinamento Experimental do Departamento de Melhoramento e Nutrição Animal da Faculdade de Medicina Veterinária e Zootecnia, UNESP – Câmpus de Botucatu em que foram utilizados 83 bovinos machos não castrados da raça Nelore, com média de 22 ± 2 meses e peso vivo médio de 516,6 (± 38,0 kg). Para o experimento 4 foram utilizados 91 bovinos machos não castrados da raça Nelore, com média de 22 ± 2 meses e peso vivo médio de 589,4 (± 30,1 kg). O sensor Kinect modelo 1473 da Microsoft foi utilizado para a captura das imagens de ambos estudos. Concomitantemente à aquisição de imagens, cada animal foi pesado em balança eletrônica. A análise das imagens foi dividida em três etapas: primeira, estimativa da distância do chão à câmera, segunda, uma etapa de segmentação e uma etapa final para extração das características. As características com correlação abaixo de P <0,05 foram removidas do modelo. Assim para as análises estatísticas no estudo 1 foram utilizadas: Área e volume corporal, seis larguras e alturas ao longo do dorso do animal e comprimento. Para comparar os modelos avaliados, foi utilizado o método de validação cruzada Leave-One-Out. Para as análises estatísticas no estudo 2 foram utilizadas: Área e volume corporal, onze larguras e alturas ao longo do dorso do animal, comprimento, excentricidade e duas medidas da curvatura da espinha dorsal. No estudo 1, o método de ANN aumentou a precisão e acurácia de PC comparado aos outros métodos: Desmama: (concordance correlation coeficiente (CCC) = 0.94; root mean square error of prediction (RMSEP) = 8.6 kg; R2 = 0.72). Recria: (CCC = 0.87; RMSEP = 11.4 kg; R2 = 0.79). Início da Terminação: (CCC = 0.96; RMSEP = 7.7 kg; R2 = 0.92). Assim, como para o PC, o uso do método ANN aumentou a precisão e acurácia das predições para GMD comparado aos outros modelos utilizados. Os resultados obtidos para foram: 1 (CCC = 0.74; RMSEP = 0.02 kg/d e R2 = 0.67), 2 (CCC = 0.89; RMSEP = 0.02 kg/d e R2 = 0.85), 3 (CCC = 0.84; RMSEP = 0.03 kg/d e R2 = 0.80), 4 (CCC = 0.54; RMSEP = 0.10 kg/d e R2 = 0.51) , 5 (CCC = 0.82; RMSEP = 0.06 kg/d e R2 = 0.76), 4 (CCC = 0.90; RMSEP = 0.09 kg/d e R2 = 0.82). Para o estudo 2, o método preditivo de ANN para peso corporal obteve melhores resultados nos sets 1, 2, 3 e 4 comparados com PLS, LASSO e RLM (CCC = 0.73, 0.66, 0.70, 0.74; RMSEP = 19.6, 27.2, 27.2, 33.7 kg e R2 = 0.58, 0.53, 0.53, 0.59, respectivamente). Já para peso de carcaça quente o método preditivo RLM apresentou melhores resultados para o Set 1 e 4, LASSO obteve resultados superiores para o Set 2 e para o Set 3 o metodo preditivo ANN apresentou melhores resultados. Set 1: (CCC = 0.14; RMSEP = 8.7 kg e R2 = 0.05, respectivamente), Set 2 (CCC = 0.53; RMSEP = 20,1 kg, e R2 = 0.40, respectivamente), Set 3 (CCC = 0.56; RMSEP = 20.1 kg e R2 = 0.44, respectivamente), Set 4 (CCC = 0.69; RMSEP = 22.7 kg, e R2 = 0.52, respectivamente).Este estudo indica que imagens tridimensionais obtidas a partir do sensor Kinect apresenta potencial para serem utilizadas para predizer peso corporal, ganho de peso e peso de carcaça quente em bovinos Nelore.