Avaliação não invasiva do estresse térmico de bovinos: uma abordagem baseada em aprendizado de máquina e termografia de infravermelho

• Ano de defesa: 2022
• Autor(a) principal: Rodrigues, Alex Vinícius da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Animal welfare; Artificial intelligence; Bem-estar animal; Data mining; Infrared thermography; Inteligência artificial; Medição não-invasiva; Mineração de dados; Non-invasive measurement; Termografia de infravermelho
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-29072022-113058/

Estudos recentes em produção animal têm investigado tecnologias e modelos computacionais para predição do nível de estresse térmico com o uso de medições não invasivas e automáticas. Para contribuir com esse tema, o projeto tem como objetivo a construção e teste de modelos computacionais para predição do nível de estresse térmico de bovinos de leite utilizando base de dados obtida por experimento em câmara climática. O experimento foi conduzido durante 45 dias com 10 bezerras da raça Holandesa distribuídas aleatoriamente em dois grupos. Os animais foram alocados na câmara climática (em sistema Tie Stall) e expostos a duas ondas de calor. Durante o período do experimento, além dos dados meteorológicos das instalações, foram coletados 5 vezes ao dia (6, 10, 14, 18 e 22 horas) os dados de temperatura retal, frequência respiratória e da termografia de infravermelho (TIV) de diferentes áreas do corpo (olho, fronte, costela e flanco) para extração de valores temperaturas e da Assinatura Térmica (método de extração de características explorado no trabalho). Para a etapa de modelagem foram avaliados diferentes algoritmos baseados em Aprendizado de Máquina (redes neurais artificiais, máquina de vetores de suporte, árvore de decisão e k-vizinhos mais próximos) utilizando combinações diferentes de entradas para classificação de atributo de nível de estresse térmico. Para determinar o desempenho dos modelos de classificação foram utilizados como métrica os parâmetros obtidos da matriz confusão gerada (acurácia, precisão e sensibilidade). Os melhores resultados foram obtidos com os algoritmos de Floresta Randômica e Máquina de Vetores de Suporte. A Assinatura Térmica se mostrou mais eficiente como atributo previsor dos modelos quando comparada as temperaturas pontuais extraídas das TIVs. Foram obtidos no trabalho modelos com acurácias acima de 90% na classificação de nível de estresse térmico animal. Os resultados obtidos evidenciam o potencial do uso de aprendizado de máquina associado a dados extraídos de termografias de infravermelho para a classificação de nível de estresse térmico animal.