Uso de visão computacional aplicado a problemas locomotores em gado de leite

• Ano de defesa: 2025
• Autor(a) principal: Curti, Paula de Freitas
• 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: Computer vision; Dairy cattle; Escore de locomoção; Frequência respiratória; Gado de leite; Locomotion score; Respiratory rate; Visão computacional
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/10/10135/tde-30072025-104633/

Este documento apresenta as atividades e resultados obtidos no projeto de mestrado, cujo objetivo foi aplicar técnicas de Visão Computacional (VC) para a identificação de alterações locomotoras e a estimativa da frequência respiratória (FR) em bovinos leiteiros. Para a análise da locomoção, foram utilizados 162 vídeos da visão lateral de 67 vacas da raça Holandesa, registrados imediatamente após a ordenha. A partir de uma amostra composta por 40 vídeos de 40 animais distintos, desenvolveu-se um algoritmo para detecção automática de 14 pontos corporais (keypoints) utilizando a arquitetura YOLOv8. O modelo alcançou precisão igual a 99% e média de 99% de Object Keypoint Similarity (OKS) em situações com visibilidade simultânea de todos os keypoints. Após essa etapa, o algoritmo foi aplicado ao banco de dados em sua totalidade para extração de atributos relacionados à locomoção, com base nas coordenadas dos keypoints. Escores de locomoção foram atribuídos por dois avaliadores independentes e utilizados como referência para avaliação do desempenho do modelo preditivo. Como etapa final, mesmo considerando o tamanho reduzido amostral, testou-se a elaboração de um algoritmo classificatório para fins de detecção de problemas locomotores, sem o objetivo de se estimar a prevalência ao nível de rebanho, o que poderá ser abordado em pesquisas futuras, desde que haja expansão significativa do número de amostras. Dado o desbalanceamento entre as classes de escore, empregou-se o classificador Random Forest em conjunto com a técnica SMOTE, para equilibrar as classes de escore investigadas. Uma análise combinatória de atributos foi conduzida para identificar as melhores combinações de variáveis para o modelo de classificação. A combinação de features que apresentou o melhor desempenho incluiu a área do dorso e os comprimentos das passadas dos membros anterior e posterior esquerdos, com valores de precisão de 0,1818, 0,5385, 0,9231 e 0,1667 para os escores 1, 2, 3 e 4, respectivamente. Tais resultados evidenciam o impacto do número reduzido de animais no banco de dados e desbalanceamento entre classes, indicando a necessidade de conjuntos de dados mais robustos para validação das combinações que melhor indicam afecções locomotoras. Para a estimativa da frequência respiratória, foram analisados 688 vídeos da visão dorsal de 84 vacas da raça Holandesas distintas, previamente anotados manualmente. Três abordagens de segmentação da imagem submetidas ao modelo de VC, diferindo entre si no local da imagem a ser investigada de forma pormenorizada: Center Crop (CC), Full Bounding Box (FBB) e Corner Bounding Box (CBB). Os menores erros foram obtidos com a abordagem CBB, que apresentou erro percentual absoluto médio (MAPE) de 14,04% e erro quadrático médio (RMSE) de 4,93. As abordagens CC e FBB resultaram em MAPE de 14,75% e 15,81%, e RMSE de 5,41 e 5,84, respectivamente. Os resultados obtidos demonstram que a solução de VC aplicada às três regiões permite a determinação da RR dos animais e apresenta viabilidade técnica.