Desenvolvimento de classificador de conforto térmico para bovinos de leite utilizando modelagem computacional e termografia de infravermelho

• Ano de defesa: 2019
• Autor(a) principal: Pacheco, Verônica Madeira
• 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; Aprendizagem de máquina; Bem-estar animal; Computational modeling; Data mining; Estresse térmico; Infrared thermography; Machine learning; Mineração de dados; Modelagem computacional; Termografia de infravermelho; Thermal stress
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/74/74131/tde-03122019-153914/

O estresse térmico em vacas de leite tem sido estudado como um caminho para melhorar a eficiência produtiva e o bem-estar animal. Diversos autores têm verificado o potencial da termografia de infravermelho como ferramenta não-invasiva para monitorar a temperatura de superfície dos animais. Da mesma forma, modelos computacionais têm sido estudados na área animal, com o intuito de melhorar os sistemas de processamento de dados. O objetivo desse estudo foi elaborar um classificador para estimar o nível de conforto térmico de vacas de leite (Holandesas) utilizando modelagem computacional, técnica que pode auxiliar nesta predição ao extrair informações de dados meteorológicos e fisiológicos combinados. Para isso, a temperatura retal (TR), frequência respiratória (FR) e temperatura de superfície corporal (TIV) de 26 vacas lactantes, foram monitoradas durante 40 dias não consecutivos, três vezes ao dia (5, 13 e 19 horas) em duas épocas do ano - verão e inverno. As TIVs das regiões da fronte, área ocular, costela e flanco. No mesmo período, dados meteorológicos foram registrados em uma estação meteorológica e em data loggers (Onset HOBO) instalados no freestall. Dados produtivos do rebanho foram monitorados conforme realizado pelo Setor de Bovinocultura de Leite da Prefeitura do Campus da USP, Pirassununga, SP. Foi realizada análise dos dados por estatística descritiva e regressão linear para auxiliar na escolha de parâmetros dos modelos computacionais, de forma que os modelos baseados em rede neural artificial (RNA) e rede neural convolucional (CNN) foram desenvolvidos considerando variáveis climáticas e fisiológicas, definidas por tal análise. Os modelos baseados em RNA foram construídos utilizando arquitetura Perceptron, alimentada adiante com múltiplas camadas. Já os modelos baseados em CNN foram desenvolvidos de acordo com o modelo Sequential. A eficiência dos modelos baseados em RNA para predição de FR (RNA-FR) e TR (RNA-TR) foi avaliada com diagramas de dispersão entre as respostas preditas com as reais e pela comparação com as respostas de modelos estatísticos (análises de regressão) para predição da FR (REG-FR) e TR (REG-TR). A partir dos modelos RNA-FR e RNA-TR, foram elaboradas classificações em níveis de estresse térmico (Conforto, Alerta, Perigo e Emergência). A eficiência destas classificações foi avaliada por métricas extraídas de matrizes de confusão (acurácia, precisão, sensibilidade e medida F1) e comparada com os resultados de métodos tradicionais de classificação em níveis de estresse térmico, o Índice de Temperatura e Umidade (ITU) e o Índice de Temperatura de Globo Negro e Umidade (ITGU). Para o modelo baseado em CNN, os parâmetros extraídos de matrizes de confusão foram utilizados como forma de avaliar o desempenho das classificações em níveis de estresse térmico desenvolvidos. Com relação às prediçãos de FR e TR, observou-se que os modelos RNA apresentaram melhores resultados quando comparados com os REG, observando-se correlações de 0,83 (RNA-FR) e 0,84 (RNATR) para predição dos dados fisiológicos. Os classificadores baseados em RNA apresentaram melhores resultados comparados as classificações obtidas com o ITGU e o ITU. Quanto ao classificador baseado em CNN, este estudo demonstrou que se trata de uma ferramenta promissora, com potencial para identificação de padrões e classificação de imagens térmicas em níveis de estresse térmico. As acurácias obtidas com este classificador (CNN) foram 76% para FR e 71% para TR. Novos estudos devem ser feitos para minimizar o efeito do ambiente climático sobre as imagens térmicas e contribuir para a padronização da escala de cores que afetam diretamente o aprendizado do modelo CNN.