Inteligência artificial para identificação de mastite bovina em sistemas de produção compost barn

• Ano de defesa: 2023
• Autor(a) principal: Fonseca, Douglas Lima
• Orientador(a): Fonseca, Leonardo Goliatt da
• Banca de defesa: Arbex, Wagner Antonio , Alcindo, Jefferson Filgueira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Aprendizagem de máquina automatizada; Mastite; Compost Barns; Automated machine learning; Mastitis
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://doi.org/10.34019/ufjf/te/2023/00121; https://repositorio.ufjf.br/jspui/handle/ufjf/16234

Os inúmeros fatores que afetam a contaminação de mastite subclínica em vacas em ambientes controlados, como os Compost Barns, tornam o estudo dessa detecção um desafio complexo. Embora existam pesquisas na literatura que se concentrem na detecção de mastite subclínica por meio de aprendizado de máquina, com uma variedade de modelos e variáveis, a aplicação desse tipo de técnica para a detecção da mastite subclínica ainda é pouco explorada, especialmente em um contexto de aprendizado de máquina automatizado. Portanto, o uso de modelos de aprendizado de máquina automatizado para a detecção da mastite subclínica representa um tópico de estudo com grande potencial. Inspirado por essa lacuna, este estudo tem como objetivo aplicar técnicas avançadas de aprendizado de máquina automatizado para aprimorar a detecção precoce da mastite subclínica em bovinos leiteiros mantidos em Compost Barns, com ênfase no bem-estar animal e na identificação precoce da doença. Além disso, busca-se auxiliar os produtores a reduzir os impactos financeiros significativos causados por essa doença. O aprendizado de máquina desempenha um papel crucial na detecção da mastite, permitindo a análise eficiente de padrões sutis nos dados dos bovinos leiteiros. Essa abordagem viabiliza a identificação antecipada da doença, resultando em intervenções rápidas que preservam o bem-estar dos animais e reduzem os custos associados a tratamentos tardios. A capacidade de processar grandes volumes de informações contribui para uma pecuária mais saudável e produtiva. Para abordar essa questão, o estudo propôs a aplicação de quatro modelos de aprendizado de máquina automatizado: AutoGluon, H2O, TPOT e uma combinação dos três. Esses modelos foram testados em três conjuntos de dados distintos e demonstraram resultados promissores em todas as análises. Vale destacar a eficácia da abordagem H2O, que alcançou um desempenho de 0,80% na métrica de Área sob a Curva ROC usando apenas 12 variáveis. Por outro lado, o TPOT também revelou grande potencial devido à sua programação genética. O melhor resultado percentual, independentemente da quantidade de variáveis, foi obtido com a combinação dos três modelos, alcançando 0,81% na métrica de Área sob a Curva ROC, ao ser aplicado a um conjunto de dados composto por 24 variáveis.