Avaliação do comportamento de suínos em ambientes com diferentes sistemas de resfriamentos utilizando modelos computacionais

• Ano de defesa: 2022
• Autor(a) principal: Santos, Jonathan Vinicius dos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Avaliação de comportamento; Behavior assessment; Deep learning; Image processing; Precision animal husbandry; Processamento de imagens; Zootecnia de precisão
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-01072022-155338/

A observação contínua do comportamento de animais para avaliação do bem-estar em criadouros é laboriosa e, por isso, diversos trabalhos de pesquisa têm buscado propor sistemas automáticos de visão computacional para execução de tal tarefa. A análise de imagens digitais utilizando Redes Neurais Convolucionais (RNC) é um método promissor que tem sido aplicado em diversas área para reconhecimento de padrões de comportamento. O objetivo do estudo é avaliar por meio de ferramenta computacional de vídeo-imagem, dados ambientais e parâmetros fisiológicos, o padrão comportamental de suínos em ambientes com diferentes tipos de sistemas de resfriamento, sendo tratamento A (Aspersão), AV (Aspersão mais Ventilação), V (Ventilação) e NV (Nebulização mais Ventilação). Foram utilizadas vídeo-imagens de um banco de dados, que foi adquirido em uma instalação denominada Câmara de Preferência Ambiental, na qual 8 suínos foram monitorados durante 10 horas por dia, perfazendo um total 420 horas de vídeos gravados por 42 dias. Os comportamentos avaliados serão: suíno andando, suíno bebendo, suíno comendo, e suíno deitado, além do conjunto ambiente vazio. Estes vídeos foram processados por um algoritmo em linguagem de programação Python 3.5.4 rcl. Outro algoritmo em MATLAB foi utilizado para selecionar e classificar quadros (sub-imagens) de 200x200 e 100x100 da imagem de acordo com o conteúdo visualizado (comportamento), gerando o banco de dados de quadros que foi usado para a construção do modelo computacional baseado em RNC com protocolo baseado em validação cruzada de 60% dos quadros para a construção do modelo, 20% para validação e 20% para o teste, selecionados de forma aleatória. A biblioteca Keras para Python foi utilizada para implementar a arquitetura de camadas da RNC. Os resultados foram analisados de acordo com a frequência de cada um dos comportamentos. Dois modelos foram construídos com dois banco de dados distintos, sendo um desbalanceado com 48.486 imagens e outro balanceado de maneira manual com 29.352 imagens, obtendo uma acurácia de 99% e 99,4% respectivamente. Em seguida, foi desenvolvida a ferramenta FC (Frequency Counter), que fez a contabilização do tempo e quantas vezes o animal realizou determinado comportamento. De acordo com a FC, os animais beberam e comeram mais no tratamento A (2,5% e 13,5%) e apresentaram maiores valores de temperatura da nuca e frequência respiratória (35,6 °C e 54,6 mov/min) respectivamente. Por fim, conclui-se que o melhor modelo obtido foi a com a base de dados balanceados, onde obteve-se uma acurácia de 99,4%; A partir da FC, foi possível observar um padrão comportamental dos animais, sendo o tratamento A os animais passaram mais tempo bebendo e comendo, e no tratamento V mais tempo deitados e os tratamentos de modo geral, apresentaram efeito sobre as respostas fisiológicas.