Machine Translated by Google

Jornal de Ciência Animal, 2021, Vol. 99, Nº 2, 1–15

doi:10.1093/jas/skab022
Publicação de acesso antecipado em 24 de fevereiro de 2021
Recebido: 23 de novembro de 2020 e Aceito: 25 de janeiro de 2021

dj
Avaliações convidadas do conselho

Avaliações convidadas do conselho

SIMPÓSIO ASAS-NANP: Aplicações de aprendizado de

máquina para previsão de peso corporal de rebanhos a
partir de imagens digitais
Zhuoyi Wang, † Saeed Shadpour, † Esther Chan, † Vanessa Rotondo, ‡
Katharine M. Wood, ‡ e Dan Tulpan †,1
† Departamento de Biociências Animais, Centro de Melhoramento Genético de Pecuária, Universidade de Guelph, Guelph, Ontário, N1G 2W1, Canadá,
‡ Departamento de Biociências Animais, Universidade de Guelph, Guelph, Ontário, N1G 2W1, Canadá

1 Autor correspondente: dtulpan@uoguelph.ca

Números ORCiD: 0000-0002-1741-7000 (KM Madeira); 0000-0003-1100-646X (D.Tulpan).

Abstrato
A monitorização, o registo e a previsão do peso corporal (PC) dos animais permitem uma intervenção atempada nas dietas e na saúde, uma maior
eficiência na seleção genética e a identificação dos momentos ideais para a comercialização dos animais, porque os animais que já atingiram o ponto
de abate representam um fardo para o confinamento. Existem atualmente duas abordagens principais (direta e indireta) para medir o peso corporal na
pecuária. As abordagens diretas incluem balanças industriais de peso parcial ou total colocadas em locais designados em grandes fazendas que
medem passiva ou dinamicamente o peso do gado. Embora esses dispositivos sejam muito precisos, sua aquisição, finalidade pretendida e tamanho de
operação, calibração repetida e custos de manutenção associados à sua colocação em ambientes de alta variabilidade de temperatura e corrosivos são
significativos e estão além dos limites de acessibilidade e sustentabilidade de fazendas de pequeno e médio porte e mesmo de operadores comerciais.
Como uma alternativa mais acessível às abordagens de pesagem direta, foram desenvolvidas abordagens indiretas com base nas relações observadas
ou inferidas entre as medições biométricas e morfométricas do gado e o seu peso corporal. As abordagens indiretas iniciais envolveram medidas manuais
de animais usando fitas e tubos de medição e o uso de equações de regressão capazes de correlacionar tais medidas com o peso corporal. Embora
tais abordagens tenham boa precisão de previsão de peso corporal, elas são demoradas, exigem trabalhadores agrícolas treinados e qualificados
e podem ser estressantes tanto para os animais quanto para os tratadores, especialmente quando repetidas diariamente. Com o avanço concomitante
de sensores eletro-ópticos sem contato (por exemplo, 2D, 3D, câmeras infravermelhas), tecnologias de visão computacional (CV) e campos de
inteligência artificial, como aprendizado de máquina (ML) e aprendizado profundo (DL), imagens 2D e 3D começaram a ser usados como proxies
biométricos e morfométricos para estimativas de peso corporal.

Este manuscrito fornece uma revisão dos métodos de previsão de BW baseados em CV e ML/DL e discute seus pontos fortes, fracos e potencial de
aplicabilidade na indústria.

Palavras-chave: biometria, peso corporal, visão computacional, imagens digitais, aprendizado de máquina, morfometria

© The Author(s) 2021. Publicado pela Oxford University Press em nome da American Society of Animal Science.
Este é um artigo de acesso aberto distribuído sob os termos da licença Creative Commons Attribution-NonCommercial (http://creativecommons.org/
Licenses/by-nc/4.0/), que permite a reutilização, distribuição e reprodução não comercial em qualquer meio, desde que o trabalho original seja devidamente citado.
Para reutilização comercial, entre em contato com journals.permissions@oup.com
1
Machine Translated by Google
2 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2

Abreviações dispositivos são muito precisos, sua aquisição, finalidade pretendida e tamanho de
IA inteligência artificial operação, calibração repetida e custos de manutenção associados à sua colocação
ANN rede neutra artificial em alta variabilidade de temperatura e ambientes corrosivos são significativos e

dj
CNN rede neural convolucional estão além dos limites de acessibilidade e sustentabilidade de fazendas de pequeno
cv visão computacional e médio porte e até mesmo de operadores comerciais (Banhazi et al., 2012;
DL aprendizagem profunda
Dickinson et al., 2013). Retirar os animais dos piquetes e áreas de retenção e
ENR regressão de rede elástica conduzi-los aos postos de pesagem é uma actividade dispendiosa, stressante e
IA análise de imagem potencialmente prejudicial tanto para os animais como para os tratadores e também
LAÇO operador de seleção e contração pode levar inadvertidamente à perda de peso dos animais ou mesmo à morte

mínima absoluta (Augspurger e Ellis, 2002; Grandin e Shivley , 2015; Faucitano e Goumon, 2018).
PN peso corporal Além disso, como o processo de pesagem é muito trabalhoso, a frequência das
LR regressão linear medições não é suficientemente alta para permitir o uso do PC como indicador de
HÁ erro médio médio outras características. No entanto, uma vez que a acessibilidade dos métodos de
AM aprendizado de máquina pesagem direta pode ser um impedimento para os pequenos produtores (Dickinson
MLP perceptron multicamadas et al., 2013), os investigadores desenvolveram métodos de pesagem indireta
MLR Regressão linear múltipla representados por modelos de regressão que relacionam medidas morfométricas e
POR FAVOR
mínimos quadrados parciais características de imagem com o peso corporal na pecuária. A aquisição direta de
BATER modelo de atenção recorrente medidas morfométricas pode ser realizada com auxílio de tecnologias com diversos
RCNN neural convolucional recorrente graus de complexidade, desde fitas e tubos métricos até softwares especializados
rede ou medidas manuais, semiautomáticas ou automáticas extrapoladas a partir de
RF floresta aleatória imagens obtidas com dispositivos eletro-ópticos como mono-ópticos. 2D (Li et al.,
REQM raiz do erro quadrático médio 2014), estéreo-2D (Rudenko, 2020), 3D (Miller et al., 2019), ultrassom e sensores
RNN rede neural recorrente infravermelhos. Uma revisão e comparação de cinco técnicas diferentes de pesagem
SVM máquina de vetores de suporte indireta de baixo nível (fita Rondo, fita de pesagem, equação Weighbridge, fórmula
de Schaeffer e fórmula de Agarwal) para estimar o peso corporal é fornecida em
Wangchuk et al . (2018).

Introdução

Na produção animal, o peso corporal (PC) do gado é uma característica muito

importante e amplamente utilizada que tem um impacto significativo no consumo de
ração (Putnam et al., 1964), no potencial reprodutivo (Buckley et al., 2003;
Ghotbaldini et al., 2019), comportamento social (Bouissou, 1972; Hong et al., 2017),
balanço energético (Thorup et al., 2012) e gestão agrícola geral (Halachmi et al.,
2019). Pode ser utilizado indiretamente na avaliação do estado de saúde e bem-
estar (Dikmen et al., 2012) e na determinação do tempo de colocação no mercado
de animais (Mc Hugh et al., 2011). Mudanças grandes ou abruptas no PN podem
indicar a presença de uma doença (Frigo et al., 2010; Yin e König, 2018), condições
de habitação inadequadas (Heins et al., 2019), problemas de bem-estar (Neveux et
al., 2006) , erros de alimentação (Meyer et al., 1960) ou seleção genética ineficiente
(Freetly et al., 2020). Existem atualmente duas abordagens principais para medir o
peso corporal na pecuária: 1) abordagens diretas usando escalas e 2) abordagens
indiretas baseadas nas relações entre medidas de partes do corpo e peso corporal.
Os métodos de pesagem direta dependem de tecnologias de pesagem, como
balanças industriais de peso parcial ou total, capazes de suportar animais de
pequeno, médio ou grande porte. Esses dispositivos são normalmente colocados
em um local designado em uma fazenda, como passagens ou próximo a comedouros
e bebedouros, e os animais são fisicamente movidos para esse local e colocados
na balança, um de cada vez. Algumas empresas fornecem soluções de pesagem
passiva que integram sistemas de pesagem ricos em sensores, como GrowSafe
(Canadá), Bosch Precision Livestock Platform (Alemanha), Rice Lake Weighing
Systems (EUA) e Diverseco Industrial Scales and Weighing Systems (Austrália)
capazes de medir, registrar resultados e transmitir informações por redes com ou
sem fio. Outras empresas, como Arvet CIMA Control Pig e CIMA Control Cow
Scaling Systems (Espanha) e o GEA iNTELIWEIGH Walk Over Weigh System
(Alemanha), bem como grupos de pesquisa que desenvolveram balanças
personalizadas (Cveticanin, 2003; Pastell et al. , 2006 ) fornecem sistemas de
pesagem dinâmica onde os animais são pesados enquanto em movimento usando
balanças walk through ou step-over (Rousing et al., 2004). Enquanto estes
No entanto, estas tecnologias de baixo nível são afetadas pela raça animal, pelo
método de alimentação, pelo nível de saciedade do animal e pela elasticidade ou
plasticidade das fitas métricas ou tubos (Joo, 2010). Uma mudança de paradigma
nas estimativas morfométricas via sistemas avançados pode ser observada nos
últimos anos, quando técnicas de visão computacional (CV) e aprendizagem
profunda (DL) são cada vez mais aplicadas a este problema e características de
imagem mais abstratas, como área corporal e padrões de textura ( Gjergji et al.,
2020) que não estão diretamente conectados às medidas morfométricas aplicadas
anteriormente são usadas para prever o PN com sucesso crescente.
Do ponto de vista da modelagem, podemos distinguir quatro abordagens de
modelagem para previsão de peso corporal com diferentes níveis de complexidade
(Figura 1). Para todos os modelos podemos identificar três componentes/mecanismos
principais, como extração de recursos/
aquisição, seleção de recursos (para modelagem) e regressão/
modelo de aprendizagem que pode ser automatizado.
A primeira é uma abordagem tradicional, onde modelos preliminares para
predição de peso corporal são baseados na coleta manual de medidas morfométricas.
Algumas das medidas morfométricas mais populares incluem circunferência do
coração, altura da cernelha, largura/altura do quadril e comprimento do corpo. Essas
medidas são selecionadas manualmente e utilizadas como recursos para modelos
de regressão tradicionais, que resultam em equações preditivas com uma ou mais
variáveis baseadas no número de medidas selecionadas em diversas espécies,
como bovinos (Heinrichs et al., 1992; Franco et al., 1992; Franco et al . , 2017;
Goopy et al., 2018), porcos (Groesbeck et al., 2002; Mutua et al., 2011; Sungirai et
al., 2014; Al Ard Khanji et al., 2018), ovelhas (Sowande e Sobola, 2008; Kunene et
al., 2009; Chay-Canul et al., 2019; Canul-Solis et al., 2020), cabras (Sebolai et al.,
2012), camelos (Fadelmoula et al., 2020; Meghelli et al., 2020; Meghelli et al.,
2012) . ., 2020) e iaques (Yan et al., 2019).
Para diminuir os níveis de estresse dos animais e os custos e mão de obra
significativos associados à abordagem tradicional, a segunda abordagem (abordagem
CV) emprega sistemas CV e utiliza imagens
Machine Translated by Google
Wang et al. | 3

adquiridos com sensores eletro-ópticos 2D (por exemplo, RGB e câmeras

térmicas) ou 3D (por exemplo, sensores de profundidade e Microsoft
Kinect, sistemas estéreo) como forma alternativa de capturar medidas
morfométricas. Essas abordagens incluem uma etapa adicional que
consiste no pré-processamento manual ou automático das imagens
adquiridas e na seleção manual das medidas biométricas e morfométricas
dos animais, que são então utilizadas como variáveis preditoras em
modelos estatísticos para predição do peso corporal. Quando imagens
2D são adquiridas para pré-processamento a partir de câmeras únicas,
a terceira dimensão está ausente e limita quais medidas morfométricas
podem ser capturadas e selecionadas para modelagem. Por exemplo, a
circunferência do HG é reduzida para um diâmetro do HG ou substituída
por medidas de profundidade do tórax quando extrapoladas a partir de
imagens laterais ou superiores (Ozkaya, 2013). Essa limitação pode ser
resolvida com o uso de câmeras 3D, mas seu custo excessivo e etapas
mais complexas de processamento de dados representam um gargalo
atual para uma adoção em maior escala. Alternativamente, o uso de
imagens 2D como fontes para medições morfométricas apoia o uso de
medições baseadas em perímetro e área que podem servir como
características do modelo e não podem ser facilmente estimadas com
medições manuais.
Como a seleção de características pode ser uma tarefa tediosa,
especialmente quando o número de medições morfométricas é grande,
é preferível automatizar o processo. Portanto, a terceira abordagem
(abordagem CV+ML) inclui sistemas que utilizam técnicas de CV
conforme descrito na abordagem CV e métodos de aprendizado de
máquina (ML) para automação de seleção de recursos (Tasdemir e
Ozkan, 2019; de Moraes Weber et al., 2020 ; Rudenko, 2020). Tanto a
abordagem CV quanto a abordagem CV+ML envolvem algum nível de
operações manuais, como seleção de imagens e recursos, segmentação
de imagens e extrações de medidas morfométricas.
dj
Figura 1. Uma representação esquemática de 4 abordagens genéricas e cada vez mais complexas de previsão de peso corporal.

Como as etapas manuais impedirão a integração de tais abordagens em

aplicações de alto rendimento capazes de processar milhares de animais,
a automação total é o fator chave para soluções comerciais.

A quarta abordagem baseada em CV e DL (abordagem CV+DL)

representa um primeiro passo em direção à automação completa do
processo de previsão de peso corporal usando imagens digitais. O
componente de modelagem DL normalmente inclui seleção de imagens,
extração de recursos morfométricos e seleção de recursos como parte
de arquiteturas de redes neurais complexas, como redes neurais convolucionais.
redes — CNNs (Fukushima, 1980), redes neurais convolucionais
recorrentes — RCNNs/RNNs (Spoerer et al., 2017), modelos de atenção
recorrente — RAMs (Mnih et al., 2014) e RAMs com CNNs (Ba et al.,
2014). Estudos preliminares sobre pecuária que implementaram esta
abordagem relataram melhorias significativas na previsão do peso
corporal quando comparadas com abordagens mais tradicionais
(Fernandes et al., 2019, 2020a; Gjergji et al., 2020), no entanto, há muito
espaço para melhorias, especialmente na segmentação automática
precisa. de animais a partir de imagens com fundos complexos, fundos
confusos (cor semelhante aos assuntos) ou assuntos múltiplos. Esta
tarefa pode ser abordada usando várias abordagens, como o modelo de
forma ativa proposto por (Cootes et al., 1993) e aplicado com sucesso
por (Wirthgen et al., 2011) usando termografia infravermelha ou uma
abordagem de segmentação baseada em textura usando um semi-
método de aprendizagem supervisionada proposto por (Shukla e Anand,
2016).
O restante desta revisão está estruturado da seguinte forma. São
fornecidas as primeiras medições biométricas e morfométricas típicas
usadas para estimativa de peso corporal do gado. A próxima seção
discute métodos CV que são normalmente usados para processamento
digital de imagens e extração de características, enquanto a última seção irá revisar
Machine Translated by Google
4 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2
trabalhos relacionados a métodos de ML aplicados ao problema de predição
de BW. A seção Conclusões resume o trabalho revisado e identifica novos
caminhos de pesquisa na área.
dj
Biométrico e Morfométrico
Medições para previsão de peso corporal
Embora a biometria animal seja um campo emergente focado na quantificação
e detecção da aparência fenotípica de espécies, indivíduos, comportamentos
e características morfológicas (Kühl e Burghardt, 2013), a morfometria animal
(Rohlf, 1990; Adams et al., 2004; Doyle et al., 2004; Doyle et al., 2004; Doyle
et al., 2004; al., 2018) concentra-se quase exclusivamente em métodos
baseados em pontos de referência (e menos em métodos baseados em
contornos) usando análise quantitativa da forma baseada na medição do
tamanho e forma dos animais, e na relação entre tamanho e forma (alometria).
A estimativa do peso corporal do gado usando medidas biométricas e
morfométricas foi estudada detalhadamente para várias espécies, como
bovinos (Taÿdemir et al., 2011a,b; Miller et al., 2019; Tasdemir e Ozkan, 2019;
Gjergji et al., 2020 ; de Moraes Weber et al., 2020; Rudenko, 2020), suínos
(Brandl e Jørgensen, 1996; O'Connell et al., 2007; Mutua et al., 2011; Sungirai
et al., 2014; Al Ard Khanji et al., 2014; Al Ard Khanji et al., 2014; al., 2018),
ovelhas (Eyduran et al., 2015; Huma e Iqbal, 2019), cabras (Sebolai et al.,
2012; Eyduran et al., 2017; Temoso et al., 2017), camelos (Fadlelmoula et al.,
2017). al., 2020; de Moraes Weber et al., 2020), iaques (Yan et al., 2019),
aves (Mendeÿ e Akkartal, 2009) e peixes (Fernandes et al., 2020b). Este
processo é normalmente aplicado para evitar desvantagens associadas à
pesagem individual de animais realizada manualmente, tais como: 1) o
estresse do animal e do trabalho manual associado à realocação dos animais,
2) os custos associados a este processo de trabalho intensivo e 3) o custo
significativo associado com aquisição e manutenção de balanças industriais.
As medidas biométricas e morfométricas capturam uma infinidade de
dimensões e características corporais que podem ser usadas como parâmetros
em modelos preditivos de peso corporal. Um resumo das medidas biométricas
e morfométricas para seis espécies está incluído na Tabela 1. Algumas
dessas medidas são específicas da espécie e foram usadas para fins
preditivos de peso corporal apenas em uma espécie, como circunferência da
barriga, comprimento da face, comprimento entre as orelhas, comprimento da
orelha , comprimento e largura da cauda em ovelhas. Outras medidas, como
circunferência do coração, comprimento do corpo, largura dos ombros, altura
dos ombros e altura da cernelha, são mais genéricas e podem ser usadas
para previsão de peso corporal em mais de uma espécie. É importante notar
que a aquisição manual de tais medidas não é de forma alguma menos
trabalhosa do que usar uma balança e a “facilidade” da operação depende da
idade e da capacidade de conter os animais porque animais maiores e mais
velhos são normalmente mais difíceis de controlar. isolar, restringir e manusear.
Métodos CV para Morfometria
Extração de Medições
Uma forma alternativa de adquirir medidas morfométricas e biométricas
baseadas no comportamento de animais de produção consiste na utilização
de sistemas ópticos sem contato, que superam dificuldades decorrentes de
medições diretas. Diferentes tipos de sensores ópticos 2D e 3D têm sido
utilizados com sucesso principalmente para medições morfométricas e de
forma limitada para identificação biométrica de comportamentos animais
(Porto et al., 2013; Banhazi e Tscharke, 2016; Nasirahmadi et al., 2017; Li et
al., 2017; Li et al., 2013; Banhazi e Tscharke, 2016; Nasirahmadi et al., 2017 ;
al., 2019). Os sensores 2D incluem câmeras digitais 2D regulares, câmeras
térmicas (Stajnko et al., 2008) e sistemas de câmeras capazes de extrapolar
Modelos 3D a partir de uma série de imagens 2D. Tais sistemas incluem
múltiplas câmeras 2D calibradas (Taÿdemir et al., 2011a,b), sistemas de
estrutura a partir de movimento ou sistemas híbridos que incluem uma
combinação de câmeras 2D e projetores a laser, como o sistema Morpho 3D
(Le Cozler et al., 2019). Os sensores 3D utilizam uma ampla variedade de
tecnologias, como câmeras de tempo de voo, sensores de triangulação de
consumidor e sensores infravermelhos, como o Microsoft Kinect (Kongsro,
2014; Gomes et al., 2016; Nir et al., 2018; Pezzuolo et al., 2018a; Fernandes
et al., 2019; Cominotte et al., 2020; Martins et al., 2020).
Os animais são normalmente fotografados de cima ou de lado e as
imagens adquiridas são processadas por software CV especializado (e às
vezes personalizado) que extrai um conjunto predefinido de características,
como comprimentos, áreas, volumes (para imagens 3D), cores, e texturas.
A posição, orientação e motilidade dos animais capturados nas imagens
variam de acordo com cada espécie. Algumas espécies, como as ovelhas,
têm mais articulações, são mais flexíveis, exibem uma postura mais variável
e têm comportamentos mais complexos quando comparadas com animais de
maior porte, como o gado (Zhang et al., 2018b ). Isso pode causar vários
artefatos, como visualizações inclinadas ou incompletas de partes do corpo e
desfoques, e afetar diretamente as etapas subsequentes de processamento
e segmentação da imagem. Dois outros fatores que afetam a qualidade dos
resultados da previsão do peso corporal são a presença de mais de um
animal no campo de visão da câmera e o fundo.
Estes problemas tornam-se mais proeminentes em sistemas automáticos que
selecionam imagens de feeds de vídeo contínuos ou acionados por sensores
de movimento (Fernandes et al., 2020a) e podem ser resolvidos escolhendo,
limitando e personalizando cuidadosamente o espaço disponível para o
movimento dos animais nas proximidades. do sistema de câmeras.
Um dos aspectos mais importantes da aplicação do CV para predição de
peso corporal em animais de produção é a etapa de segmentação e
processamento de imagens, que consiste em três etapas principais: 1) a
etapa de detecção, onde é tomada uma decisão se um animal está presente
ou ausente de um imagem, 2) o estágio de segmentação, onde os limites do
corpo de um animal ou das partes do corpo são identificados e extraídos da
imagem, e 3) o estágio de extração de características, onde dimensões e
características pré-especificadas das partes do corpo (por exemplo,
comprimentos, áreas, formas , cores, texturas) são calculados.
Passo 1
A fase de detecção normalmente depende de suposições mais fracas ou mais
fortes relacionadas ao que se espera que esteja na frente das câmeras,
dependendo da posição das câmeras. Por exemplo, uma câmera colocada
no topo de uma estação de alimentação em uma fazenda de laticínios, bovinos
ou suínos se basearia na suposição de que apenas os animais-alvo desejados
podem estar presentes no quadro e o objeto com a maior área representa o
animal. Abordagens alternativas para detecção de animais incluem uma
ampla variedade de tecnologias.
As tecnologias de baixo nível consistem em marcar animais individuais com
marcadores exclusivos, como giz, tinta, marcadores ou cera (de Moraes
Weber et al., 2020). Tecnologias mais avançadas incluem detecção facial
(Yao et al., 2019), detecção de focinho (Noviyanto e Arymurthy, 2013; Tharwat
et al., 2014), detecção automática via ML e abordagens DL aplicadas a vídeos
de vigilância (Zhang et al., 2018a) ou sistemas híbridos que combinam
sensores de identificação por radiofrequência e tecnologias CV (Velez et al.,
2013). Uma revisão dos métodos de detecção de gado é apresentada por
Awad (2016). Quando são utilizadas câmeras 3D, a distância entre o sensor
e o objeto (profundidade) é proporcional à intensidade dos pixels da imagem
e serve como um ótimo classificador para componentes da imagem de
primeiro plano ou de fundo. Além disso, as imagens 3D incluem informações
de profundidade
 Tabela
oãçideM olemaC odaG arbaC euqaI
ocroP ahlevO

Biométrico
aruasrslu
aed
s)pFrso
aBE
g(
d lle,nsij;no
8o
ar1dtch0
url'K
A
e
2
o

,so
7r0t0
u2o
e

oso
;7m
1,e
0.tlT
e
a
2
oã
olçãaaçro
)u
id
SptnC
roeBC
P
d(

eya3
g1e,0
s.tlT
e
a
2
Machine Translated by Google

Morfométrico
sreea
0br2e
ro
,0
o
.W
tM
l2
p
e
a
aicnlêarneim
fno
u)d
cArbC
iC
A(

okne0d2,u0.tlR
e
a
2
etnemacoitdaamvoirtLa
euM
D
io
a
v

aluomled,a.tlF
e
a
otnemirpom
ç)LaooA
rC
d(
b

0202

aluomled,a.tlF
e
a
aicnêrefnuo)G
cnro
a
B
iCd
c(

0202

ad
gai)rS
trlaaBBs( naru
7d1,y0.tlE
e
a
2

ettaohn;iih
0ms2,o
a0.tlC
K
2
e
a sednaa0n2r,e
0.tlF
e
a
2
larop
a)A
reoB
rC
Á(

4102

ola
nrop
t)nC
roBC( ijg0r2e,0.jtlG
e
a
2

9n1,a0
.tlY
e
a
2
otnem
lain
rp
)oLm
p
gDraooBiC
d
c(

ial;o2b1,e0
.tlS
e
a
2
otnemirpom
p
)LrooBC
d
c( ille;h0g2e
,0
.tM
l2
e
a ij;gr0
9er2
1el,l0.ijtM
lG
e
a
2 iaroi;g1
un1
tú
,u0.tM
lS
e
a
2 endanr;au
8w
d0,oy0
.tlE
S
e
a
2

aluos
mree;le
a
0bd
r2eo
,a
e
0
.W
tM
lF
d
e
a
2 uosse
orsth
;ith
b
m
o
nsuc,rn
a
eye
i;,riva
2
9
1
0
8
6
d
um
b
nnr1
9
2
ske
io
,o
e
a0
9.W
e
u tM
lC
H
V
T
1
d
L
e
a
2 sedn,a
sa;o
4nr2
0 1rt,e
u.tlF
0 o
e
a
2 ino,sai;lba
o
5m
9
4
0bp
r2
1t,u
0 ao
u
0
.tlH
S
T
o
e
a
2
naru
7d1,y0.tlE
e
a
2

tsrre
ue;a
0
kbzr2eo
,o0
e.W
tM
lB
d
e
a
2 ld6n9a,9.rtlB
e
a
1 9n1,a0
.tlY
e
a
2
l)o
aAarpS
erotB
raÁ
d
c(l

,so
7r0t0
u2o
e

sreea
0br2e
ro
,0
o
.W
tM
l2
p
e
a
ortel)m
aPrpíS
o e
rreo
tBaP
d
c(l

ettoni0m2,o0.tlC
e
a
2
laerm
opu
)B
rloVC
V(

r9e1l,l0.itM
l2
e
a ld6n9a,9.rtlB
e
a
1
asra
utg
)sB
sroaBC
L(
n

r9e1l,l0.itM
l2
e
a ld6n9a,9.rtlB
e
a
1
aruo
)gM
ireo
aBm
L(
n

uossohnav8n1,a0.tlV
e
a
2 inoib0b2,a0.tlS
e
a
2
edadidnux)fD
aoroC
róP
d(t

uossohnav8n1,a0
.tlV
e
a
2
oo
rtceim
c)áíG
reoCP
T( illeh0g2e
,0
.tM
l2
e
a otnenm
ar;au
5
aed
1
iet,ye
0
.rtlE
a eJ
2
d
a

,so
0r2t0
u2
o
e

aru)og
Wtrie
aCp
o L(
d eya3
g1e,0
s.tlT
e
a
2 otnem;laa
4ep
0
iet,o
0
e
.rtlT
a eJ
2
d
a
Wang et al. | 5

,so
0r2t0
u2o
e

inoib0b2,a0.tlS
e
a
2
apa)uH
rurrataC
lG
A
d(

inoib0b2,a0.tlS
e
a
2
aarp)uW
ugrraaCG
L(
d
 Tabela
oãçideM olemaC odaG arbaC euqaI
ocroP ahlevO

aiscan)h
A
e
âlrE
testn
rD
iO
D
e( illeh0g2e
,0.tM
l2
e
a

aicn)sY
e
âorE
tsthn
sD
ilD
e(
o illeh0g2e
,0.tM
l2
e
a

sreea
0br2e
ro
,0
o.W
tM
l2
p
e
a
orteo
ms)íP
ro
eDD
P(

otnemiraphm
)lLeoaE
rC
d(
o eya3
g1e,0
s.tlT
e
a
2 naru
5d1,y0.tlE
e
a
2
Machine Translated by Google

sednaa0n2r,e
0.tlF
e
a
2
edadicirtne)E
cxCE(

otnemirpom
)tLsooF
oC
d(r naru
5d1,y0.tlE
e
a
2

r9e1l,l0.itM
l2
e
a
aicnoâc)tnF
saF
iD
a
l(f

orta
e)çm
Geíb
e
reaHP
d
c( naru
7d1,y0.tlE
e
a
2

edna8w0,o0.tlS
e
a
2
otnema
irçp)e
L
mbeoaHC
d
c( illeh0g2e
,0.tM
l2
e
a

edna8w0,o0.tlS
e
a
2
aar)çu
Wegb
eraHd
L
c(

edado
idãnçua)fD
roooH
rC
P
d( la
4p0,o
0.tlT
e
a
2
6 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2

aluomled,a.tlF
e
a ial;oo2sb1i,ev0.tlA
S
e
a
2 edna;a8m
w0,u
o0.tlH
S
e
a
2
aicnêa
recfaníud
)G
cra
rH
iC( shcyi;pr8
2no1
9i,o
e0
9.tG
lH
1
e
a
2 ,a
isj;no
8
uar1
tdtúh0
urlM
A
K
o
e
2

0202
,so
7r1t0
u2o
e ,s;la
o
9p
4r0
1t,o
u.tlT
0 o
e
a
2
sureye;a
0ubr1
6 2ke
ro
,0
o.W
u tM
l2
p
L
e
a lleian,rn
si;go
1nrC
4
7 1t,u0
0 u.'tlO
S
o
e
a
2

ld6n9a,9.rtlB
e
a
1
sart)su
B
sotaH
lC
A
n(

edna8w0,o0.tlS
e
a
2
otnem
roiiro
rpet)m
rtLa
so
io
uHC
d(
q
p

edna8w0,o0.tlS
e
a
2
aororu
)ite
W
rga
sria
oHrq
u L(t
d

aluomled,a.tlF
e
a
aicnêreflnirud)G
caru
oH
iC
d(
q

0202

aluomled,a.tlF
e
a rismree;ea
0bdr2eo
s,0
e
.W
tM
al2
dt
e
a
lia
rd)rH
u
atu
oH
lA
d(
q

0202
,s,o
9r1t0
1 u2o
e

shcree
i;ra
2b
nr9e
io
,ee
9.W
tM
lH
e
a
1
d
alriru)dg
Waru
aHq
o L(
d

rib
m,a
e
s,;o
0
9
1
dr1
2
st,a
u.tlT
0 o
e
a
2

otnemirapnm
)izLou
aHC
d(
b eya3
g1e,0
s.tlT
e
a
2

aluomled,a.tlF
e
a
otnemirpam
n)L
roe
aLC
d(
p

0202

otnemsirap)e
hmrlB
E e
ton
srLC
e(
a
o naru
5d1,y0.tlE
e
a
2

edadidonbum
)fD
oorLP
d(
L ijn8a1d,h0.rltlK
A
e
a
2

edna8w0,o0.tlS
e
a
2
aicnêreeftnnua)cG
tsriLiC
d(

aicnêro
eçfnou)cG
csre
oN
iC
d(
p illeh0g2e
,0
.tM
l2
e
a

otnem
oiçro
pcm
)sLoe
oNC
d(
p ille;h0g2e
,0.tM
l2
e
a naru
7d1,y0
.tlE
e
a
2

aluomelle
0d2,a
0.tlF
e
a
2
 Tabela
oãçideM olemaC odaG arbaC euqaI
ocroP ahlevO

sreea
0br2e
ro
,0
o.W
tM
l2
p
e
a
otnem
-oitrlia
pp)im
iL
ucIqcoOsO
C(I

aicnêrefnauç)G
cnraP
iC
d(
p naru
5d1,y0.tlE
e
a
2

aar)cuW
ig
velréaPP
L( eya3
g1e,0
s.tlT
e
a
2

aaru
b)g
m
Wro
aPb
L(
d la
4p0,o
0.tlT
e
a
2
Machine Translated by Google

sale
a)trH
suso
itaR
lC
A
d( srieje;ga
0brr2eo
,e
0.jW
tM
lG
e
a
2
d

,so
0r2t0
u2o
e

aa
p)ruH
urtaR
lA
d(
g ij;gr0
9er2
1el,l0.ijtM
lG
e
a
2 nar;u
7d1,y0
.tlE
e
a
2

eya3
g1e,0
s.tlT
e
a
2

otnemiarppm
u)LroaRC
d(
g eya3
g1e,0
s.tlT
e
a
2

aarpu)ug
WrraaRG
L(
d ij;gr0
9er2
1el,l0.ijtM
lG
e
a
2

uossohnav8n1,a0
.tlV
e
a
2

uossohnav8n1,a0.tlV
e
a
2
a
o
)Hru
caatoS
lS
A
d(

a9m1,u0.tlH
e
a
2
aicnêrelafn
tou)rcC
crsS
iC
E( eya3
g1e,0
s.tlT
e
a
2

a9m1,u0.tlH
e
a
2
olrate
tom
)rD
câsS
iD
E(

a9m1,u0.tlH
e
a
2
otnemlairtpom
r)cLosSC
E(

aicnêrefn)eu
CtcshraS
iC
d(
h naru
7d1,y0
.tlE
e
a
2

r9e1l,l0.itM
l2
e
a ialo2b1,e0
.tlS
e
a
2 ld6n9a,9.rtlB
e
a
1
arour)g
b
Wrm
aSo
o L(
d

r9e1l,l0.itM
l2
e
a oso7m
1,e
0
.tlT
e
a
2 ld6n9a,9.rtlB
e
a
1
oarbr)u
H
mtoS
lO
A
d(

ld6n9a,9.rtlB
e
a
1
oo
hrnb)iS
cmoSO
F
a(

otnemirapdm
)uLoaTC
dc( illeh0g2e
,0
.tM
l2
e
a naru
5d1,y0.tlE
e
a
2

sreea
0br2e
ro
,0
o.W
tM
l2
p
e
a ld6n9a,9.rtlB
e
a
1
aluapdá)uS
céasT
tC
e(
a

arau)dgW
uraTd
L
c( naru
5d1,y0.tlE
e
a
2

rar;ih
p
9ts0i,u
e0
.tlS
K
e
a
2 a9m1,u0.tlH
e
a
2
otnerm
alu
ircp)im
LtseoeTC
T(

,so
7r1t0
u2o
e

shcree
i;ra
2b
nr9e
io
,ee
9
.W
tM
lH
e
a
1
d ial;o2b1,e0
.tlS
e
a
2 9n1,a0
.tlY
e
a
2
aha)crHu
ruW
telm
A
d( ille;h0g2e
,0.tM
l2
e
a endanr;au
8wd
0,o
y0
.tlE
S
e
a
2

aluomelle
0d2,a
0
.tlF
e
a
2 uossorh
;ib
m
nu,a
sey;,o
v6
0
9
1
8
d
un
r1
2
skt,a0
u
.tlV
T
o
L
e
a
2 ino,sai;lb
a
o
5m
9
4
0 b
p
r2
1t,u
0 a
o
u
0
.tlH
S
T
o
e
a
2
eya3
g1e,0
s.tlT
e
a
2
Wang et al. | 7
Machine Translated by Google
8 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2
na superfície corporal do sujeito, enquanto as imagens 2D e térmicas são
limitadas a informações relacionadas aos contornos corporais e áreas
transversais. Uma etapa de pós-processamento que consiste em uma
dj
série de critérios de controle de qualidade é necessária para selecionar
quadros válidos com animais corretamente posicionados, completamente
incluídos no quadro, sem tocar nas paredes limítrofes e com postura ereta.
Deixar de controlar a qualidade de uma imagem pode levar a medições
morfométricas biométricas baseadas em imagens imprecisas no estágio
de extração de características.
Passo 2
A etapa de segmentação pode incluir um grande número de métodos que
podem ser classificados como manuais e automáticos. Os métodos
manuais concentram-se na aplicação de ferramentas de software como
ImageJ (Schneider et al., 2012) e VIA Annotation Software (Dutta e
Zisserman, 2019) para pré-processar e selecionar áreas de interesse de
uma imagem que pode ser usada para inferir diretamente medidas
morfométricas ou preparar conjuntos de dados de treinamento para
métodos de ML destinados a construir modelos de segmentação capazes
de detectar animais semelhantes em novas imagens.
Os métodos automáticos são normalmente focados na identificação de
partes específicas do corpo e abrangem um amplo espectro de
complexidade, desde abordagens simples de subtração de fundo (Yang e
Teng, 2007), detecção de bordas (Senthilkumaran e Rajesh, 2009) por
meio de operadores como Prewitt (Prewitt, 1970), Canny (Canny, 1986),
Sobel, Laplacian (Kimmel e Bruckstein, 2003) e mascaramento (por
exemplo, Kirsch, Robinson) para operações complexas para reconhecimento
de forma, como o uso da transformada de Hough (Hough, 1962) para
identificação de objetos redondos ( Fernandes et al., 2019) e métodos de
superpixel como o Simple Linear Iterative Clustering (Achanta et al., 2012).
As etapas de pós-processamento podem incluir mascaramento em preto e
branco ou baseado em cores, rotação, dimensionamento e transformações
de coordenadas (por exemplo, conversões para coordenadas polares).
etapa 3
A terceira etapa é focada na extração de medidas morfométricas e
biométricas e pode ser agrupada em duas categorias conforme sugerido
por Fernandes et al. (2019): medidas corporais e descritores de forma. As
medidas corporais incluem comprimentos, larguras, áreas e volumes e
podem ser calculadas manualmente conforme descrito na etapa de
segmentação ou automaticamente através da superposição de uma grade
no topo do animal segmentado e extraindo medidas equidistantes ao longo
de uma linha, curva, contorno ou um área. As medições volumétricas são
aproximações aproximadas, dadas as visualizações limitadas da câmera
da parte superior ou lateral de um animal. Os descritores de forma
relatados na literatura incluem os genéricos, como descritores de Fourier
(Fernandes et al., 2019) e histogramas de características de ponto rápido
(Huang et al., 2019).
Tabela 2. Resumo dos métodos CV e referências correspondentes utilizados na literatura para estimativa de peso corporal em quatro espécies pecuárias
Método CV Gado
Imagens 3D de câmera única: TFNIR Miller et al., 2019; Cominotte et
al., 2020
Estrutura 3D a partir do Movimento (SfM)
Imagens 2D multicâmera Gjergji et al., 2020; de Moraes
Weber et al., 2020; Tasdemir et al.,
2011a,b
Imagens 3D multicâmera Rudenko et al., 2020;
Tasdemir et al., 2019
Muitos fatores relacionados ao ambiente, ao posicionamento dos
animais, às características dos animais e à localização afetam a capacidade
dos métodos CV de serem aplicados com eficiência na extração de
medidas morfométricas e biométricas a partir de imagens digitais. Por
exemplo, grupos grandes, alta densidade populacional, indivíduos não
marcados, iluminação variável, cenários diferentes, animais cobertos de
sujeira ou fezes e a presença de poeira, insetos, amônia e partículas de
água (de sistemas de limpeza) no ar são típicos. desafios associados à
operação de equipamentos CV em ambientes agrícolas comerciais (Kim
et al., 2017; D'Eath et al., 2018; Wurtz et al., 2019). Características do
animal como presença de pelagem espessa, lã ou pêlos longos; várias
cores; e texturas e marcos anatômicos intrarraciais variáveis (por exemplo,
protuberâncias ósseas) representam desafios adicionais para os sistemas
CV (Song et al., 2018). Um resumo dos métodos CV para processamento
de imagens utilizados na previsão do peso corporal em quatro espécies
pecuárias (bovinos, suínos, ovinos, caprinos) é apresentado na Tabela 2.
Além disso, é apresentada uma revisão detalhada específica da espécie
dos métodos CV para estimativas do peso corporal dos suínos. disponíveis
na literatura (Li et al., 2014).
Métodos ML e CV para previsão de BW
Embora a previsão do peso corporal de animais de criação a partir de
medidas biométricas e morfométricas observadas em diferentes períodos
de crescimento em bovinos, suínos, ovinos e caprinos tenha sido o foco
de muitos estudos de pesquisa anteriores, que aplicaram técnicas
tradicionais de regressão estatística, como regressão linear, múltipla e de
crista , seu sucesso foi limitado pela multicolinearidade e pelas relações
complexas entre medidas (variáveis). Para capturar e explicar essas
relações intervariáveis complexas, um número limitado de estudos recentes
relatou a aplicação bem-sucedida de vários métodos de ML e DL para
prever o peso corporal usando recursos extraídos de imagens digitais 2D
e 3D (Tabela 3 ) .
Aplicações bem-sucedidas de abordagens de ML em medidas
morfométricas extraídas de imagens 2D por meio de técnicas CV foram
relatadas na literatura para bovinos. Um estudo inicial realizado por
Tasdemir et al. (2011b) empregaram um modelo baseado em regras
fuzzy para estimar o peso corporal de 115 vacas holandesas utilizando as
medidas corporais obtidas por meio de Análise de Imagens (IA).
Imagens digitais 2D de cada animal foram adquiridas sincronizadamente
de várias direções e a altura da cernelha, altura do quadril, comprimento
do corpo e largura do quadril foram medidas com um medidor a laser e
uma régua de medição para fins de validação. Uma balança de pesagem
de plataforma foi utilizada para medir o peso corporal das vacas e os dados foram
armazenado automaticamente em um computador. As fotos foram
analisadas na segunda etapa pelo software IA desenvolvido em Delphi e
foram calculadas as medidas corporais. Eles notaram que os valores
medidos manualmente eram muito semelhantes aos resultados da IA. Por
fim, o software MATLAB foi utilizado para desenvolver um sistema fuzzy
utilizando as medidas corporais adquiridas e os valores de peso corporal previstos
Cabra Porco Ovelha
Negretti et Fernandes et al., 2020a,b;
al., 2011 Pezzuolo et al., 2018;
Branco e outros, 2004
Wirthgen et al. 2011
Lerch et al., Dickinson et al. 2013;
2020 Menesatti et al., 2014
 Tabela
Machine Translated by Google

/D3
2 sia.msiún
oNd
a

aicnêrefeR odotL
éeM
d açaR R 2R OÃS ÁH MQER
snegamI

d2 511 2299,0
rib
m,a
e1d1
s,a
0
.tlT
e
a
2 od
ossa
leaesdru
sg
m
oafe
M
id
br
e )sêdnoadloaHG(

/N
PLNM
A d2 511 6199,0
rime9
d1s,a
0
.tlT
e
a
2 )sêdnoadloaHG(

RL d2 43 0017,0 0064.83 0096.64

sreeabre
ro
,o.W
tM
la
p
e )odnaeloltrtiaGC(

0202
oãsseM
rgV
eRS

oãoçãaszsitergcre
soiR
p
d

mFoRc

d2 02 0091.32
ijg0r2e,0.jtlG
e
a
2 s,e)osrno
uilgven
oNA
B(

/NNC
R

M
NmN
AoC
Rc

D3 0007,0 0000.24
r9e1l,l0
.itM
l2
e
a nee,dso
ruedgbanAG
A( 484.1

,,olantinseum
miiS
L

)sêlorahC

RLM D3 oedtraeoG
dc 84
ettoni0m2,o0
.tlC
e
a
2 ,9
]279,0
,0[ ],4817,,871[

OÇAL

ROR
VOAP
F

RLM D3 755
sednba0n2r,e
0
.tlF
e
a
2 ocroP ,3
]708,0
,0[ ,1
]082,0
,5[ ,5
]404,1
,6[

RORVO
APF

RNE

PLM

rodm
aoce
leig
fdid
aoLeo
m
MD
dci

raraNcN
P
esd
C
ae
L M
R
er D3 005
okne0d2,u0.tlR
e
a
2 ,e,nrih
eostsdrlyaoAG
H( ,]4289,,00[ ],711,,00[ ,]95,,02[

)ah,lee
ype
mesrtreseV
EJ
Wang et al. | 9
Machine Translated by Google
10 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2
foram comparados aos adquiridos com a balança de plataforma.
Os autores obtiveram altos coeficientes de correlação (R = 0,97) entre os valores
de PN previstos e medidos e concluíram que o método IA digital e o sistema
dj
baseado em regras fuzzy é uma abordagem viável, rápida e muito realista, que
pode ser efetivamente usada como um método diretamente informatizado. e
sistema de gravação mais confiável.
Oito anos depois, Tasdemir e Ozkan (2019) usaram uma rede neural artificial
(RNA) para estimar o peso corporal de vacas holandesas usando o mesmo tipo
de medidas obtidas a partir de imagens digitais como em seu trabalho anterior.
Diferentes arquiteturas de modelos de RNA foram geradas, e o modelo com
melhor desempenho melhorou seus resultados anteriores, levando a um
coeficiente de correlação R igual
para 0,99.
Mais recentemente, de Moraes Weber et al. (2020) investigaram a capacidade
de previsão do peso corporal de três algoritmos de ML em um número bastante
pequeno de bovinos Girolando (34) usando medidas dorsais e laterais extraídas
de imagens digitais e seu peso corporal correspondente foi medido com uma
escala. Um conjunto de 34 imagens dorsais e 34 imagens laterais foi selecionado
e processado manualmente com o software ImageJ (versão 1.52, National
Institutes of Health) e extraídas 10 medidas: largura do quadril, comprimento do
corpo, distância da cauda ao pescoço, área do dorso, dorso perímetro, altura da
cernelha, altura do quadril, área da área lateral do corpo, perímetro da área
lateral e altura das costelas. Os dados foram divididos em um conjunto de
treinamento (66%) e um conjunto de testes (34%) e três métodos de ML foram
aplicados: regressão linear (LR), máquinas de vetores de suporte (SVM) e
florestas aleatórias (RF). O maior coeficiente de correlação entre PN medido e
previsto para o conjunto de teste foi obtido com o método LR (0,71), seguido por
SVM (0,68) e FR (0,62). Embora o estudo seja muito interessante e mostre como
três métodos de ML podem ser usados com sucesso para prever o peso corporal
em bovinos usando medidas extraídas manualmente de imagens, conjuntos de
dados maiores seriam necessários para o desenvolvimento de modelos melhores,
especialmente quando boosting/ensemble como RF são considerado.
Espera-se que modelos construídos em subamostras extraídas de conjuntos de
dados já pequenos levem a um desempenho inferior, o que poderia explicar o
fraco desempenho dos modelos de RF.
Como a seleção de recursos em trabalhos anteriores foi normalmente feita
manualmente e está sujeita a erros humanos durante o estágio de processamento
da imagem, Gjergji et al. (2020) empregaram DL – uma nova abordagem capaz
de extrair automaticamente recursos relevantes de imagens digitais e conhecida
por superar os modelos tradicionais de ML para problemas de classificação e
regressão para um grande número de problemas de CV. Os autores exploraram
o desempenho de previsão de CNN, RCNNs, RAMs e RAMs com CNN para
prever o peso do gado de corte usando técnicas CV. As imagens foram coletadas
de 10 bovinos machos Nelore e 10 machos Angus utilizando câmeras 2D com
qualidade de imagem padrão de alta definição 720p (resolução de 1.280 × 720
pixels, proporção de 16:9). Duas câmeras foram fixadas na estrutura do
bebedouro para coletar a imagem dorsal do animal ao beber e outras duas
câmeras foram instaladas na estrutura da tampa do bebedouro para adquirir as
imagens de perfil dos animais entrando no bebedouro. O conjunto de dados foi
dividido em conjuntos de treinamento (60%), validação (20%) e teste (20%). Os
autores relataram que as CNNs alcançaram o maior desempenho com um erro
médio médio (MAE) do modelo superior de 23,19 ± 1,46 kg, que foi quase
metade do erro dos modelos LR superiores propostos por de Moraes Weber et
al . (2020) com valor MAE de 38,46 kg.
Embora não esteja claro se a resolução da câmera influenciou de alguma forma
a qualidade dos resultados obtidos, os autores relatam que apenas modelos
como RNN/CNN que utilizam partes parciais de uma imagem são capazes de
estimar corretamente o PN, enquanto a etapa de segmentação dos outros
modelos é significativamente influenciado pela presença de assuntos perdidos
em uma imagem.
Avanços recentes nas tecnologias de imagem combinados com custos cada
vez mais reduzidos para sensores (Wolfert et al., 2017; Benjamin e Yik, 2019)
permitiram o uso de tecnologias de imagem 3D em sistemas CV no setor
pecuário com aplicações diretas na estimativa de peso corporal em bovinos
( Fukuda et al., 2019), porcos (Wang et al., 2008) e galinhas (Mortensen et al.,
2016).
No entanto, apenas alguns estudos aplicaram métodos de ML e DL em dados
adquiridos com sistemas de imagem 3D. Miller et al. (2019) aplicaram tecnologia
de imagem 3D e algoritmos de ML para prever o peso corporal e as características
da carcaça de animais vivos. Imagens tridimensionais e PCs foram obtidos
passivamente de novilhos e novilhas de corte de uma variedade de raças pré-
abate, na fazenda ou após entrar no matadouro. As sessenta variáveis preditoras
potenciais obtidas por um sistema de câmera automatizado e o algoritmo
personalizado foram utilizados para construir modelos preditivos stepwise de LR
e RNA para peso corporal e características de carcaça.
As variáveis preditoras compreenderam diversas medidas (5 larguras, 6
comprimentos, 5 alturas, 2 diagonais, 20 proporções, 11 áreas e 11 volumes). O
desempenho de predição do modelo RNA para PN usando 4.443 indivíduos foi
R2 = 0,7 e RMSE = 42, enquanto o desempenho do modelo LR stepwise foi
menor com R2 = 0,54 e RMSE = 51. Eles concluíram que a imagem 3D acoplada
à análise de ML pode ser usado para prever o PV e as características tradicionais
da carcaça de animais vivos. Isto pode constituir uma oportunidade para reduzir
uma ineficiência considerável nas empresas de produção de carne bovina
através da monitorização autónoma da terminação do gado na exploração e da
comercialização dos animais no momento ideal.
Rudenko et al. (2020) aplicaram RNAs e CV para identificar a raça da vaca
e estimar seu PN. Imagens de vacas tiradas em diferentes ângulos por câmeras
sincronizadas foram alimentadas em uma máscara RCNN para determinar a
raça e a posição de cada sujeito. Em seguida, a altura da cernelha, a altura do
quadril, o comprimento do corpo e a largura de uma vaca foram determinados
usando o método de estereopsia a partir de imagens 3D adquiridas com uma
câmera Intel RealSense D435i usando a posição da vaca detectada pelo Mask
RCNN na etapa anterior. Por fim, os dados obtidos sobre a espécie e seu
tamanho foram alimentados em um perceptron multicamadas (MLP) para estimar
o peso vivo dos animais. Usando uma coleção inicial de 250 imagens
representativas para cada uma das três raças e um sistema de aumento para
aumentar o tamanho dos conjuntos de treinamento e teste, o sistema RNA previu
o peso corporal com uma precisão de 0,92, 0,88, 0,85 e 0,84, para Ayrshire,
Estepe Vermelha, Jersey e Holstein, respectivamente. Os autores concluíram
que o método proposto permite aos agricultores modernos avaliar o peso
corporal do animal com facilidade e precisão, bem como identificar a sua raça,
poupar tempo e minimizar o esforço sem prejudicar o bem-estar dos animais e
perturbar o crescimento do gado. O método pode ser aplicado tanto em currais
quanto em pastagens sem interferir no comportamento normal dos animais. Os
autores também observaram que o uso de uma câmera 3D por si só leva a
resultados ruins devido à sua baixa resolução e é recomendado complementar
a tecnologia com tecnologias fotogramétricas adicionais.
Fernandes et al. (2020a) empregaram sistemas CV para prever o peso
corporal, a profundidade muscular e a gordura dorsal em porcos a partir de
imagens 3D usando regressão linear múltipla (MLR), mínimos quadrados parciais
(PLS), regressão de rede elástica (ENR), MLPs e uma imagem DL modelo do codificador.
O peso corporal foi medido com uma balança eletrônica para 557 porcos em
terminação. A DM e a GC foram medidas por meio de aparelho de ultrassom.
Os registros de vídeo da visão superior do porco foram adquiridos utilizando um
sensor Microsoft Kinect V2 e processados automaticamente em MATLAB para
extração de características, utilizando a metodologia descrita em Fernandes et
al. (2019). As características extraídas foram: 1) medidas corporais, incluindo
volume aparente, área superficial, comprimento, altura e largura e excentricidade;
2) 360 medições equidistantes do contorno da forma polar da imagem vista
superior; e 3) as características correspondentes do descritor 360 Fourier do
mesmo contorno de forma polar. As medidas corporais foram extraídas de
Machine Translated by Google
as imagens 3D e convertidas em valores de escala métrica usando a distância
focal intrínseca da câmera de profundidade Kinect. O volume do porco foi
calculado como a soma dos volumes dos pixels. A excentricidade do suíno foi
dj
estimada como a razão entre os focos e o eixo maior da elipse, que possui o
mesmo eixo maior e menor que a área do suíno. Os descritores de forma polar
foram medidos como a distância do centróide do porco aos pontos no seu
contorno limite.
Os dados obtidos foram divididos em conjuntos de treinamento e teste usando
uma abordagem de validação cruzada de 5 vezes. Os autores relataram que o
modelo de codificador de imagem DL com imagens 3D brutas como entradas
diretas alcançou o melhor desempenho de previsão de BW (R2 = 0,86).
Cominotte et al. (2020) avaliaram a qualidade preditiva de um sistema CV
automatizado usado para prever o peso corporal e o ganho médio diário em
bovinos de corte. Os autores compararam quatro abordagens preditivas
diferentes, incluindo MLR, operador de contração e seleção mínima absoluta
(LASSO), PLSs e RNA usando imagens 3D capturadas com um sensor Kinect
modelo 1473 (Microsoft Corporation, Redmond, WA). O PN foi medido por meio
de balança eletrônica. Foram coletadas 234 imagens 3D em quatro momentos
(desmame, criador, início do confinamento e final do confinamento) durante o
ciclo de vida do animal. Eles coletaram imagens 3D de 62 animais nos três
primeiros momentos e de 48 animais no último momento. Eles pré-processaram
e segmentaram os animais a partir de imagens usando uma combinação de
critérios de aceitação baseados na posição da vaca na imagem e remoção de
partes não importantes, como cabeça e cauda.
Uma imagem final foi selecionada manualmente para cada animal em cada
momento e posteriormente submetida à extração de características, o que
resultou em um número significativo de medidas corporais determinadas
automaticamente, como área, volume, comprimento máximo, 11 larguras (W1
a W11) e 11 alturas (H1 a H11) em locais equidistantes na parte dorsal do
animal desde os ombros até o quadril. A abordagem RNA produziu os melhores
resultados para predição de PC com valores de R2 entre 0,79 (fase de
confinamento) e 0,92 (início da fase de confinamento) e valores de RMSE entre
7,78 (início da fase de confinamento) e 18,14 kg (final da fase de confinamento).
Conclusões
Ao considerar o foco da agricultura global para aumentar a densidade, a
produtividade e o bem-estar animal e reduzir os custos de alimentação e as
emissões de gases de efeito estufa, a perspectiva de substituir as medições
biométricas e morfométricas manuais por medições automáticas sem contato e
integrar os resultados em sistemas inteligentes de ML e DL é de grande
importância. interesse e visa otimizar o manejo do gado e permitir o
monitoramento individual da saúde, do bem-estar e do crescimento dos animais
em tempo real.
Embora exista uma grande quantidade de literatura de pesquisa descrevendo
sistemas de previsão de BW pertencentes a uma das abordagens genéricas
descritas na Figura 1, existem limitações óbvias que devem ser superadas para
poder avaliar o verdadeiro potencial de cada solução e fazer uma comparação
justa entre elas. eles. Essas limitações incluem: 1) números relativamente
pequenos de animais por estudo, 2) diferentes espécies e raças, 3) uso
inconsistente de medidas e métricas de resultados entre estudos (por exemplo,
RMSE, precisão, coeficientes de correlação), 4) diferentes MAE, r , r2
, R, R2
configurações experimentais, 5) diferentes sensores 2D e 3D, 6) várias
abordagens de calibração e 7) os fatores que impactam a aceitação da
tecnologia pelos produtores.
Soluções que combinam a incrível capacidade das tecnologias CV 2D e 3D
para capturar dimensões e características corporais do gado e algoritmos
inteligentes de ML e DL capazes de modelar as informações extraídas e criar
sistemas preditivos para o peso corporal do gado começaram a surgir nos
últimos anos.
No entanto, ainda há um longo caminho até que tais sistemas
Wang et al. | 11
alcançar estágios prontos para a indústria, tanto em termos de precisão prática
quanto de acessibilidade. Embora a pesquisa atual mostre resultados
promissores predominantemente em bovinos e suínos, ainda há muitos
caminhos a serem explorados para uma melhor automação de todo o processo
de estimativa de peso corporal, como 1) a capacidade dos sistemas preditivos
híbridos de peso corporal CV e ML/DL para lidar com falta de informações
possivelmente por meio de abordagens de imputação e aprimoramento de
dados, conforme sugerido por (Khan et al., 2019), 2) o poder de generalização
e a previsão agnóstica de raça para qualquer espécie, 3) a detecção automática
e identificação de um animal remotamente, e 4 ) o reconhecimento automático
e a adaptabilidade com base no estágio de desenvolvimento, postura e posição
de um animal dentro do campo de visão de um sensor.
Os resultados atuais também são limitados por tamanhos reduzidos de
conjuntos de dados, conjuntos de dados de qualidade inferior, variabilidade
reduzida e falta de informações anotadas (verdades básicas) e, mais importante
ainda, pela disponibilidade limitada de informações compartilháveis. Portanto,
a criação de repositórios e bancos de dados publicamente disponíveis que
armazenem imagens 2D e 3D e correspondentes dados biométricos/
medições morfométricas (e outras complementares) de raças pecuárias são
essenciais para o desenvolvimento e aprimoramento das abordagens atuais de
CV, ML e DL que têm um claro potencial para melhorar as estimativas de peso
corporal sem contato.
Alguém pode facilmente imaginar um futuro onde um novo estágio de
desenvolvimento tecnológico incluirá dispositivos móveis portáteis ou aéreos
equipados com sistemas de visão avançados, mas acessíveis, e modelos
preditivos complexos pré-treinados, capazes de detectar, identificar, estimar e
registrar remotamente o peso corporal de um animal e fazer medições atuais.
tecnologias de pesagem obsoletas.
Agradecimentos
Os autores gostariam de agradecer à Dra. Renee Bergeron e aos revisores
anônimos pelas valiosas discussões, sugestões e correções que levaram a
melhorias no manuscrito. Financiado por uma bolsa do programa de pesquisa
Food from Thought da Universidade de Guelph (499063) e um Canada First
Research Excellence Fund (499100).
Apresentado no Simpósio ASAS-NANP: Modelagem Matemática em
Nutrição Animal: Treinamento da Geração Futura em Dados e Análise Preditiva
para o Desenvolvimento Sustentável na Reunião Anual Virtual e Feira Comercial
de 2020 da Sociedade Americana de Ciência Animal, Sociedade Canadense
de Ciência Animal, e Seção Ocidental da Sociedade Americana de Ciência
Animal de 19 a 23 de julho, com publicações patrocinadas pelo Journal of
Animal Science e pela Sociedade Americana de Ciência Animal.
Este simpósio foi patrocinado pelo Projeto Nacional de Apoio à
Pesquisa nº 9 do Programa Nacional de Nutrição Animal (https://
animalnutrition.org/).
Contribuições do autor
Todos os autores melhoraram e contribuíram para a edição do manuscrito.
Todos os autores leram e aprovaram o manuscrito final.
Declaração de conflito de interesse
Os autores declaram não haver conflitos de interesse reais ou percebidos.
Literatura citada
Achanta, R., A. Shaji, K. Smith, A. Lucchi, P. Fua e S. Süsstrunk.
2012. Superpixels SLIC comparados com métodos de superpixel de última
geração. IEEE Trans. Padrão Anal. Mach. Intel. 34:2274–2282. doi:10.1109/
TPAMI.2012.120
Machine Translated by Google
12 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2
Adams, DC, FJ Rohlf e DE Slice. 2004. Morfometria geométrica: dez anos de
progresso após a 'revolução'. Italiano. J. Zool. 71:5–16.
doi:10.1080/11250000409356545
dj
Al Ard Khanji, MS, C. Llorente, MV Falceto, C. Bonastre, O. Mitjana e MT Tejedor.
2018. Uso de medidas corporais para estimar o peso corporal em marrãs. J.
Plaizier, editor. Cachorro. J.Anim.
Ciência. 98:362–367. doi:10.1139/cjas-2016-0232
Augspurger, NR e M. Ellis. 2002. A pesagem afeta os padrões de alimentação de
curto prazo de suínos em crescimento e engorda. Pode. J.Anim. Ciência.
82(3):445–448. doi:10.4141/A01-046
Awad, AI 2016. Dos métodos clássicos à biometria animal: uma revisão sobre
identificação e rastreamento de gado. Computação. Elétron.
Agrícola. 123:423–435. doi:10.1016/j.compag.2016.03.014.
Ba, J., V. Mnih e K. Kavukcuoglu. 2014. Reconhecimento de múltiplos objetos com
atenção visual. In: 3ª Conferência Internacional sobre Representações de
Aprendizagem. ICLR 2015 - Conf.
Rastrear processo.
Banhazi, TM, L. Babinszky, V. Halas e M. Tscharke. 2012.
Pecuária de precisão: tecnologias de alimentação de precisão e produção
pecuária sustentável. Internacional J. Agric. Biol. Eng. 5:54–61. doi:10.25165/
ijabe.v5i4.600
Banhazi, TM e M. Tscharke. 2016. Uma breve revisão da aplicação da visão
mecânica na análise do comportamento do gado.
J. Agric. Informática. 7:23–42. doi:10.17700/jai.2016.7.1.279
Benjamin, M. e S. Yik. 2019. Pecuária de precisão no bem-estar dos suínos: uma
revisão para profissionais de suínos. Animais
9(4):133. doi:10.3390/ani9040133
Bouissou, MF 1972. Influência do peso corporal e presença de chifres na posição
social do gado doméstico. Anima. Comporte-se. 20:474–
477.doi :10.1016/S0003-3472(72)80011–3
Bozkurt, Y., S. Aktan e S. Ozkaya. 2007. Predição do peso corporal utilizando
análise de imagens digitais para bovinos de corte abatidos. J. Appl.
Anima. Res. 32:195–198. doi:10.1080/09712119.2007.9706877
Brandl, N. e E. Jørgensen. 1996. Determinação do peso vivo de suínos a partir de
dimensões medidas por análise de imagens. Computação. Elétron. Agrícola.
15:57–72. doi:10.1016/0168-1699(96)00003-8
Buckley, F., K. O'Sullivan, JF Mee, RD Evans e P. Dillon. 2003.
Relações entre produção de leite, condição corporal, peso da vaca e reprodução
em Holstein-Friesians com parto na primavera. J. Laticínios Sci. 86:2308–2319.
doi:10.3168/jds.S0022-0302(03)73823-5
Canny, J. 1986. Uma abordagem computacional para detecção de bordas.
IEEE Trans. Padrão Anal. Mach. Intel. 8:679–698. doi:10.1109/
TPAMI.1986.4767851
Canul-Solis, J., JC Angeles-Hernandez, RA García-Herrera, OE Del Razo-
Rodríguez, HA Lee Rangel, AT Piñeiro Vazquez, F. Casanova-Lugo, CA
Rosales Nieto e AJ Chay Canul. 2020. Estimativa do peso corporal em
ovelhas depiladas usando método de medição indireta. Tropa. Anima. Produção
de Saúde 52:2341–2347. doi:10.1007/s11250-020-02232-7
Chay-Canul, AJ, RA García-Herrera, R. Salazar-Cuytún, NF Ojeda-Robertos, A.
Cruz-Hernández, MA Fonseca e JR Canul-Solís. 2019. Desenvolvimento e
avaliação de equações para predição do peso corporal de ovelhas Pelibuey
utilizando perímetro cardíaco. Rev.
Mexicano. Ciências Pecuárias 10:767–777. doi:10.22319/rmcp.v10i3.4911
Cominotte, A., AFA Fernandes, JRR Dorea, GJM Rosa, MM Ladeira, EHCB van
Cleef, GL Pereira, WA Baldassini e OR Machado Neto. 2020. Sistema
automatizado de visão computacional para prever o peso corporal e o ganho
médio diário em bovinos de corte durante as fases de crescimento e
terminação. Mais vivo. Ciência. 232:103904. doi:10.1016/j.livsci.2019.103904
Cootes, T., T. Cootes, CJ Taylor e TF Cootes. 1993. Pesquisa ativa de modelos
de forma usando modelos locais de nível de cinza: uma avaliação quantitativa.
In: 4ª Conferência Britânica de Visão Mecânica; 21 a 23 de setembro de 1993;
Universidade de Surrey, Guildford, Reino Unido: BMVA Press; pág. 639–648
Cveticanin, D. 2003. Nova abordagem para a
pesagem dinâmica de gado. Biossist. Eng. 86:247–252. doi:10.1016/
S1537-5110(03)00116-8
D'Eath, RB, M. Jack, A. Futro, D. Talbot, Q. Zhu, D. Barclay e EM Baxter. 2018.
Aviso antecipado automático de mordedura de cauda
em suínos: câmeras 3D podem detectar a postura da cauda abaixada antes
de um surto. PLoS Um 13:e0194524. doi:10.1371/revista.
coloca.0194524
Dickinson, RA, JM Morton, DS Beggs, GA Anderson, MF Pyman, PD Mansell e CB
Blackwood. 2013.
Um sistema automatizado de pesagem como ferramenta para medir a mudança
de peso vivo em vacas leiteiras em lactação. J. Laticínios Sci. 96:4477–4486.
doi:10.3168/jds.2012-6522
Dikmen, S., H. Ustuner e A. Orman. 2012. O efeito do peso corporal em alguns
indicadores de bem-estar em bovinos confinados em ambiente quente.
Internacional J. Biometeorol. 56:297–303. doi:10.1007/
s00484-011-0433-6
Doyle, D., MP Gammell e R. Nash. 2018. Métodos morfométricos para análise e
classificação de gastrópodes: uma comparação usando Littorina littorea. J.
Molluscan Stud. 84:190–
197.doi :10.1093/mollus/eyy010
Dutta, A. e A. Zisserman. 2019. O software de anotação VIA para imagens, áudio
e vídeo. In: MM 2019 — Anais da 27ª Conferência Internacional ACM sobre
Multimídia. Nova York: Association for Computing Machinery, Inc; pág. 2276–
2279.
Eyduran, E., D. Zaborski, A. Waheed, ÿ. Çelik, K. Karadas, W. Grzesiak, M. Ali, E.
Eyduran, M. M. Tariq, C. Tirink, et al.
2015. Comparação de redes neurais artificiais e algoritmos de árvore de
decisão usados para prever o peso vivo no período pós-desmame a partir de
algumas características biométricas em ovelhas Harnai. Pacote. J. Zool.
47:1579–1585. doi:10.17582/diário.
pjz/2017.49.1.257.265
Eyduran, E., D. Zaborski, A. Waheed, ÿ. Çelik, K. Karadas e W. Grzesiak. 2017.
Comparação das capacidades preditivas de vários algoritmos de mineração de
dados e regressão linear múltipla na previsão do peso corporal por meio de
medidas corporais na cabra beetal indígena do Paquistão. Pacote.
J. Zool. 49:257–265.
Fadelmoula, AA, AA Fadelmoula, AA Fadelmoula, MS Mudarris e MS Hariri. 2020.
Previsão de peso corporal vivo em camelos dromedários (Camelus dromedarius)
a partir de medidas morfométricas corporais. Mundo J. Biol. Biotecnologia.
5:25–29.
Faucitano, L. e S. Goumon. 2018. Transporte de suínos para abate e manejo
associado. Avanços no bem-estar dos suínos. Oxford, Reino Unido: Elsevier
Inc. 261–293.
Fernandes, AFA, JRR Dórea, R. Fitzgerald, W. Herring e GJM Rosa. 2019. Um
novo sistema automatizado para adquirir medidas biométricas e morfológicas
e prever o peso corporal de suínos por meio de visão computacional 3D.
J.Anim. Ciência. 97:496–508. doi:10.1093/jas/sky418
Fernandes, AFA, JRR Dórea, BD Valente, R. Fitzgerald, W. Herring e GJM Rosa.
2020a. Comparação de estratégias de análise de dados em sistemas de visão
computacional para prever características da composição corporal de suínos a
partir de imagens 3D. J.Anim. Ciência. 98:1–9. doi:10.1093/jas/skaa250
Fernandes, A.F.A., E.M. Turra, É. R. de Alvarenga, TL Passafaro, FB Lopes, GFO
Alves, V. Singh e GJM Rosa. 2020b.
Segmentação de imagens de Deep Learning para extração de medidas
corporais de peixes e predição de peso corporal e características de carcaça
em tilápia do Nilo. Computação. Elétron. Agrícola. 170:105274. doi:10.1016/
j.compag.2020.105274
Franco, MDO, MI Marcondes, JMDS Campos, DR de Freitas, E. Detmann e SDCV
Filho. 2017.
Avaliação de equações de predição de peso corporal em novilhas em
crescimento. Acta Sci. Anima. Ciência. 39:201–206. doi:10.4025/
atascianimsci.v39i2.33118
Freetly, HC, LA Kuehn, RM Thallman e WM Snelling.
2020. Herdabilidade e correlações genéticas de consumo de ração, ganho de
peso corporal, ganho residual e consumo alimentar residual de bovinos de
corte como novilhas e vacas. J.Anim. Ciência. 98:1–6. doi:10.1093/jas/
skz394
Frigo, E., CD Dechow, O. Pedron e BG Cassell. 2010. A relação genética entre
peso corporal e distúrbios de saúde no início da lactação em dois rebanhos
experimentais. J. Laticínios Sci. 93:1184–1192. doi:10.3168/jds.2009-2313
Machine Translated by Google
Fukuda, N., T. Ohkawa, C. Ohta, K. Oyama, Y. Takaki e R. Nishide. 2019.
Extração de imagens com base em informações de profundidade para
estimativa do peso corporal da panturrilha. In: 12ª Conferência Internacional
dj
da Federação Europeia de Tecnologia da Informação na Agricultura,
Alimentação e Meio Ambiente (EFITA). Grécia: Ilha de Rodes; pág. 78–83.
Fukushima, K. 1980. Neocognitron: um modelo de rede neural auto-organizada
para um mecanismo de reconhecimento de padrões não afetado pela
mudança de posição. Biol. Cibernético. 36:193–202. doi:10.1007/
BF00344251
Gemeda, AE e K. Workalemahu. 2017. Peso corporal e biometria escroto-
testicular em três raças indígenas de machos em agroecologias áridas e
semiáridas, Etiópia. J. Veterinário. Med. 2017:5276106.
doi:10.1155/2017/5276106
Ghotbaldini, H., M. Mohammadabadi, H. Nezamabadi-Pour, OI Babenko, M.
V. Bushtruk e SV Tkachenko. 2019.
Predição do valor genético do peso corporal aos 6 meses de idade usando
redes neurais artificiais em ovinos da raça Kermani.
Jornal de Ciências. Mente. Saber 41:e45282. doi:10.4025/actascianimsci.
v41i1.45282
Gjergji, M., V. de Moraes Weber, L. Otávio Campos Silva, R. da Costa Gomes,
T. Luis Alves Campos de Araujo, H. Pistori e M. Alvarez. 2020. Técnicas
de aprendizagem profunda para previsão do peso corporal de bovinos de
corte. In: Conferência Conjunta Internacional sobre Redes Neurais 2020
(IJCNN). Instituto de Engenheiros Elétricos e Eletrônicos (IEEE), Glasgow,
Reino Unido; pág. 1–8.
Gomes, RA, GR Monteiro, GJ Assis, KC Busato, MM Ladeira e ML Chizzotti.
2016. Nota técnica: estimativa do peso corporal e da composição corporal
de bovinos de corte por meio de análise de imagens digitais. J.Anim.
Ciência. 94:5414–5422. doi:10.2527/
eles.2016-0797
Goopy, JP, DE Pelster, A. Onyango, K. Marshall e M. Lukuyu.
2018. Algoritmos simples e robustos para estimar o peso vivo em
pequenos produtores africanos. Anima. Prod. Ciência. 58:1758–1765.
doi:10.1071/AN16577
Grandin, T. e C. Shivley. 2015. Como os animais de produção reagem e
percebem situações estressantes como manejo, contenção e transporte.
Animais (Basileia). 5:1233–1251. doi:10.3390/
ani5040409
Groesbeck, CN, KR Lawrence, MG Young, RD Goodband, JM DeRouchey,
MD Tokach, JL Nelssen e SS Dritz.
2002. Uso do perímetro cardíaco para determinar o peso em suínos em
terminação. In: Dia da Suína no Estado do Kansas; 14 de novembro de
2002; Manhattan, Kansas; Estação Experimental Agrícola da Universidade
Estadual do Kansas e Serviço de Extensão Cooperativa; páginas 166–
168. https://krex.k-state.edu/dspace/handle/2097/2548
Halachmi, I., M. Guarino, J. Bewley e M. Pastell. 2019. Agricultura animal
inteligente: aplicação de sensores em tempo real para melhorar o bem-
estar e a produção animal. Anu. Rev.
Biosci. 7:403–425. doi:10.1146/annurev-animal-020518-114851
Heinrichs, AJ, GW Rogers e JB Cooper. 1992. Predição do peso corporal e
altura da cernelha em novilhas holandesas usando medidas corporais. J.
Laticínios Sci. 75:3576–3581. doi:10.3168/jds.
S0022-0302(92)78134-X
Heins, BJ, LS Sjostrom, MI Endres, MR Carillo, R. King, RD Moon e US
Sorge. 2019. Efeitos dos sistemas de alojamento de inverno na produção,
economia, peso corporal, índice de condição corporal e culturas de cama
para vacas leiteiras orgânicas.
J. Laticínios Sci. 102:706–714. doi:10.3168/jds.2018-14582
Hong, JK, KH Kim, HS Hwang, JK Lee, TK Eom e SJ Rhim. 2017.
Comportamentos e peso corporal de leitões lactentes em diferentes
ambientes sociais. Asiático-Australás. J.Anim. Ciência. 30:902–906.
doi:10.5713/ajas.16.0653
Hough, P. V. C. 1962. Método e meios para reconhecer padrões complexos.
https://patents.google.com/patent/US3069654A/en
Huang, L., H. Guo, Q. Rao, Z. Hou, S. Li, S. Qiu, X. Fan e H. Wang.
2019. Medições da dimensão corporal de bovinos qinchuan com
aprendizagem por transferência de detecção LiDAR. Sensores (Suíça).
19:5046. doi:10.3390/s19225046
Wang et al. | 13
Huma, ZE e F. Iqbal. 2019. Previsão do peso corporal de ovelhas Balochi
usando uma abordagem de aprendizado de máquina. Turco J. Veterinário.
Anima. Ciência. 43:500–506. doi:10.3906/vet-1812–23
Joo, E. M. 2010. Novas tendências em tecnologias: controle, gestão,
inteligência computacional e sistemas de redes. In: T. Smiljanic, editor.
Londres, Reino Unido: IntechOpen.
Kashiha, M., C. Bahr, S. Ott, CPH Moons, TA Niewold, FO Ödberg e D.
Berckmans. 2014. Estimativa automática de peso de porcos individuais
usando análise de imagens. Computação.
Elétron. Agrícola. 107:38–44.
Keith, L., C. Okere, S. Solaiman e O. Tiller. 2009. Precisão na previsão de
pesos corporais a partir da conformação corporal e morfometria testicular
em cabras boer na puberdade. Res. J.Anim.
Ciência. 3(2):26–31. https://medwelljournals.com/abstract/
?dois=rjnasci.2009.26.31
Khan, SS, A. Ahmad e A. Mihailidis. 2019. Bootstrapping e abordagens de
conjuntos de imputação múltipla para problemas de classificação. J. Intel.
Sistema difuso. 37:7769–7783. doi:10.3233/
JIFS-182656
Kim, J., Y. Chung, Y. Choi, J. Sa, H. Kim e Y. Chung. 2017.
Detecção baseada em profundidade de porcos em pé em ambientes com
ruído em movimento. Sensores. 17:2757. doi:10.3390/s17122757
Kimmel, R. e AM Bruckstein. 2003. Cruzamentos por zero Laplacianos
regularizados como integradores de borda ideais. Internacional J.
Computação. Vis. 53:225–243. doi:10.1023/A:1023030907417
Kongsro, J. 2014. Estimativa do peso do porco usando um protótipo de
sistema de imagem Microsoft Kinect. Computação. Elétron. Agrícola.
109:32–35. doi:10.1016/j.compag.2014.08.008
Kühl, HS e T. Burghardt. 2013. Biometria animal: quantificando e detectando
aparência fenotípica. Tendências Eco. Evol. 28:432–441. doi:10.1016/
j.tree.2013.02.013
Kunene, NW, AE Nesamvuni e IV Nsahlai. 2009.
Determinação de equações de predição para estimativa do peso corporal
de ovinos Zulu (Nguni). Rumin pequeno. Res. 84:41–46. doi:10.1016/
j.smallrumres.2009.05.003
Le Cozler, Y., C. Allain, A. Caillot, JM Delouard, L. Delattre, T. Luginbuhl e P.
Faverdin. 2019. Sistema de digitalização de alta precisão para imagens
completas do formato do corpo da vaca em 3D e análise de características
morfológicas. Computação. Elétron. Agrícola. 157:447–453. doi:10.1016/
j.compag.2019.01.019
Lerch, S., A. De La Torre, C. Huau, M. Monziols, C. Xavier, L. Louis, Y. Le
Cozler, P. Faverdin, P. Lamberton, I. Chery, et al .
2020. Estimativa da composição corporal de cabras leiteiras: calibração
direta e comparação de oito métodos. Métodos. 1–11. doi:10.1016/
j.ymeth.2020.06.014
Li, D., Y. Chen, K. Zhang e Z. Li. 2019. Crescente reconhecimento de
comportamento para porcos com base na aprendizagem profunda.
Sensores. 19(22):4924. doi:10.3390/s19224924
Li, Z., C. Luo, G. Teng e T. Liu. 2014. Estimativa do peso dos suínos por visão
mecânica: uma revisão. In: Avanços IFIP em Tecnologia de Informação e
Comunicação. Vol. 420. Nova York: Springer, New York LLC; pág. 42–49.
Lukuyu, MN, JP Gibson, DB Savage, AJ Duncan, FD Mujibi e AM Okeyo.
2016. Utilização de medidas lineares corporais para estimar o peso vivo
de gado leiteiro mestiço em pequenas explorações agrícolas no Quénia.
Springerplus 5:63. doi:10.1186/
s40064-016-1698-3
Martins, B. M., A. L. C. Mendes, L. F. Silva, T. R. Moreira, J. H. C. Costa, P.
P. Rotta, M. L. Chizzotti e M. I. Marcondes.
2020. Estimativa de peso corporal, pontuação de condição corporal e
características de tipo em vacas leiteiras usando câmeras tridimensionais
e medidas corporais manuais. Mais vivo. Ciência. 236:104054. doi:10.1016/
j.livsci.2020.104054
Mc Hugh, N., RD Evans, PR Amer, AG Fahey e DP Berry.
2011. Parâmetros genéticos para preço do gado e peso corporal a partir
de dados coletados rotineiramente em leilões de gado e fazendas
comerciais. J.Anim. Ciência. 89:29–39. doi:10.2527/jas.2010-3044
Meghelli, I., Z. Kaouadji, O. Yilmaz, ÿ. Cemal, O. Karaca e SBS Gaouar. 2020.
Caracterização morfométrica e estimativa do peso corporal de duas raças
de camelos argelinos usando
Machine Translated by Google
14 | Jornal de Ciência Animal, 2021, Vol. 99, nº 2
medidas morfométricas. Tropa. Anima. Produção de Saúde. 52:2505–2512.
doi:10.1007/s11250-020-02204-x
Mendes, M. e E. Akkartal. 2009. Análise de árvore de regressão para predição de
dj
peso de abate em frangos de corte. Italiano J. Anim.
Ciência. 8:615–624. doi:10.4081/ijas.2009.615
Menesatti, P., C. Costa, F. Antonucci, R. Steri, F. Pallottino e G. Catillo. 2014. Um
sistema de estereovisão de baixo custo para estimar o tamanho e peso de
ovelhas vivas. Computação. Elétron. Agrícola. 103:33–
38. doi:10.1016/j.compag.2014.01.018
Meyer, JH, GP Lofgreen e WN Gareett. 1960. Um método proposto para remover
fontes de erro em experimentos de alimentação de gado de corte. J.Anim.
Ciência. 19:1123–1131. doi:10.2527/
jas1960.1941123x
Miller, GA, JJ Hyslop, D. Barclay, A. Edwards, W. Thomson e C.-A. Duthie. 2019.
Uso de imagens 3D e aprendizado de máquina para prever o peso vivo e as
características da carcaça de bovinos de corte vivos em terminação. Frente.
Sustentar. Sistema Alimentar 3:30. doi:10.3389/
fsufs.2019.00030
Mnih, V., N. Heess, A. Graves e K. Kavukcuoglu. 2014.
Modelos recorrentes de atenção visual. Av. Inf. Neural. Processo.
Sist. 3:2204–2212.
de Moraes Weber, V. A., F. de Lima Weber, R. da Costa Gomes, A. da Silva
Oliveira, G. V. Menezes, U. G. P. de Abreu, N. A. de Souza Belete e H. Pistori.
2020. Predição do peso do gado Girolando por meio de medidas corporais
extraídas de imagens. Rev. Brás. Zootec. 49:e20190110. doi:10.37496/
RBZ4920190110
Mortensen, AK, P. Lisouski e P. Ahrendt. 2016. Previsão de peso de frangos de
corte usando visão computacional 3D. Computação. Elétron.
Agrícola. 123:319–326. doi:10.1016/j.compag.2016.03.011
Mutua, FK, CE Dewey, SM Arimi, E. Schelling e WO Ogara.
2011. Previsão do peso corporal vivo utilizando medidas de comprimento e
circunferência para suínos na zona rural do oeste do Quênia. J. Cura dos Suínos.
Prod. 19:26–33.
Nasirahmadi, A., SA Edwards e B. Sturm. 2017. Implementação de visão artificial
para detecção de comportamento de bovinos e suínos.
Mais vivo. Ciência. 202:25–38. doi:10.1016/j.livsci.2017.05.014
Negretti, P., G. Bianconi, S. Bartocci, S. Terramoccia e L. Noè.
2011. Novas medidas morfológicas e de peso por análise visual de imagens
em ovinos e caprinos. EAAP Ciência. Ser. 129:227–232.
doi:10.3920/978-90-8686-726-4_37
Neveux, S., DM Weary, J. Rushen, MA von Keyserlingk e AM de Passillé. 2006. O
desconforto nos cascos altera a forma como o gado leiteiro distribui seu peso
corporal. J. Laticínios Sci. 89:2503–2509. doi:10.3168/jds.S0022-0302(06)72325-6
Nir, O., Y. Parmet, D. Werner, G. Adin e I. Halachmi. 2018. Sistema de visão
computacional 3D para estimar automaticamente a altura e a massa corporal
de novilhas. Biossist. Eng. 173:4–10. doi:10.1016/j.
biosistemaseng.2017.11.014
Noviyanto, A. e AM Arymurthy. 2013. Identificação de bovinos de corte com base
no padrão do focinho usando uma técnica de refinamento de correspondência
no método SIFT. Computação. Elétron.
Agrícola. 99:77–84. doi:10.1016/j.compag.2013.09.002
O'Connell, MK, PB Lynch, S. Bertholot, F. Verlait e PG Lawlor. 2007. Medição de
mudanças no tamanho físico e previsão de peso de porcas durante a gestação.
Animal 1:1335–
1343.doi :10.1017/S1751731107000559
Ozkaya, S. 2013. A previsão do peso vivo a partir de medidas corporais em
bezerras holandesas fêmeas por análise de imagem digital. J. Agric. Ciência.
151:570–576. doi:10.1017/
S002185961200086X
Pastell, M., H. Takko, H. Gröhn, M. Hautala, V. Poikalainen, J. Praks, I. Veermäe,
M. Kujala e J. Ahokas. 2006. Avaliando o bem-estar das vacas: pesando a
vaca em um robô ordenhador. Biossist.
Eng. 93:81–87. doi:10.1016/j.biosystemseng.2005.09.009
Pezzuolo, A., M. Guarino, L. Sartori, LA González e F. Marinello. 2018a. Estimativa
do peso dos suínos no estábulo com base nas medidas corporais por uma
câmera de profundidade Kinect v1. Computação.
Elétron. Agrícola. 148:29–36. doi:10.1016/j.compag.2018.03.003
Pezzuolo, A., V. Milani, DH Zhu, H. Guo, S. Guercini e F. Marinello. 2018b.
Estimativa do peso dos suínos no estábulo com base nas medidas corporais
por estrutura a partir do movimento (SfM). Sensores. 18:29–36. doi:10.3390/
s18113603
Porto, SMC, C. Arcidiacono, U. Anguzza e G. Cascone.
2013. Um sistema baseado em visão computacional para a detecção
automática do comportamento mentiroso de vacas leiteiras em celeiros free
stall. Biossist. Eng. 115:184–194. doi:10.1016/j.
biosistemaseng.2013.03.002
Prewitt, J. M. S. 1970. Aprimoramento e extração de objetos. In: B. Lipkin e A.
Rosenfeld, editores. Processamento de imagens e psicopictórica. Nova York:
Acadêmico; pág. 75–149.
Putnam, PA, R. Lehmann e RE Davis. 1964. Taxa de consumo de ração e peso
corporal de bovinos de corte. J.Anim. Ciência. 23:425–429. doi: https://doi.org/
10.2527/jas1964.232425x
Rohlf, FJ 1990. Morfometria. Anu. Rev. Sist. 21:299–316.
doi:10.1146/annurev.es.21.110190.001503
Rousing, T., M. Bonde, JH Badsberg e JT Sørensen. 2004.
Comportamento de pisar e chutar durante a ordenha em relação à resposta
no teste de interação humano-animal e à saúde clínica em vacas leiteiras
alojadas livremente. Mais vivo. Prod. Ciência. 88:1–8. doi:10.1016/
j.livprodsci.2003.12.001
Rudenko, O. 2020. Identificação de raças bovinas e avaliação de peso vivo com
base em aprendizado de máquina e visão computacional. In: Terceiro
Workshop Internacional sobre Modelagem Computacional e Sistemas
Inteligentes (CMIS 2020); 27 de abril a 1º de maio de 2020; Zaporizhzhia,
Ucrânia. pág. 939–954.
Sabbioni, A., V. Beretti, P. Superchi e M. Ablondi. 2020. Estimativa do peso
corporal a partir de medidas corporais em ovinos da raça Cornigliese. Italiano.
J.Anim. Ciência. 19:25–30. doi:10.1080/18280
51X.2019.1689189
Schneider, CA, WS Rasband e KW Eliceiri. 2012. NIH Image to ImageJ: 25 anos
de análise de imagens. Nat. Métodos
9:671–675. doi:10.1038/nmeth.2089
Sebolai, B., SJ Nsoso, B. Podisi e BS Mokhutshwane.
2012. A estimativa do peso vivo com base em características lineares em
cabras indígenas Tswana em várias idades no Botswana. Tropa.
Anima. Produção de Saúde. 44:899–904. doi:10.1007/s11250-011-9984-0
Senthilkumaran, N. e R. Rajesh. 2009. Técnicas de detecção de bordas para
segmentação de imagens - Uma pesquisa de abordagens de computação
suave. Internacional J. Tendências Recentes Eng. 1(2):250–254. doi:10.5121/
ijcsit.2011.3620
Shukla, A. e S. Anand. 2016. Segmentação automática baseada em aprendizagem
métrica de espécies padronizadas. In: Anais - Conferência Internacional sobre
Processamento de Imagens, ICIP. Vol.
2016-agosto; 25 a 28 de setembro de 2016; Phoenix, Arizona: Sociedade de
Computação IEEE. pág. 3982–3986.
Song, X., EAM Bokkers, PPJ van der Tol, PWG Groot Koerkamp e S. van Mourik.
2018. Predição automatizada do peso corporal de vacas leiteiras usando visão
tridimensional. J. Laticínios Sci. 101:4448–
4459.doi :10.3168/jds.2017-13094
Sowande, OS e OS Sobola. 2008. Medições corporais de ovelhas anãs da África
Ocidental como parâmetros para estimativa do peso vivo. Tropa. Anima.
Produção de Saúde. 40:433–439. doi:10.1007/
s11250-007-9116-z
Spoerer, CJ, P. McClure e N. Kriegeskorte. 2017. Redes neurais convolucionais
recorrentes: um melhor modelo de reconhecimento de objetos biológicos.
Frente. Psicol. 8:1551. doi:10.3389/
fpsg.2017.01551
Stajnko, D., M. Brus e M. Hoÿevar. 2008. Estimativa do peso vivo de touro através
de dimensões corporais medidas termográficamente. Computação. Elétron.
Agrícola. 61:233–240. doi:10.1016/j.
compag.2007.12.002
Sungirai, M., L. Masaka e TM Benhura. 2014. Validade de modelos de estimativa
de peso em suínos criados sob diferentes condições de manejo. Veterinario.
Med. Internacional 2014:530469. doi:10.1155/2014/530469
Tasdemir, S. e IA Ozkan. 2019. Abordagem de RNA para estimativa do peso da
vaca dependendo das dimensões corporais fotogramétricas.
Internacional J. Eng. Geociências. 4:036–044. doi:10.26833/ijeg.427531
Machine Translated by Google
Tasdemir, S., A. Urkmez e S. Inal. 2011a. Determinação das medidas corporais
de vacas Holandesas utilizando análise de imagens digitais e estimativa
do peso vivo com análise de regressão. Computação. Elétron. Agrícola.
dj
76:189–197. doi:10.1016/J.
COMPAG.2011.02.001
Taÿdemir, ÿ., A. Urkmez e ÿ. Inal. 2011b. Um sistema difuso baseado em
regras para prever o peso vivo de vacas holandesas cujas dimensões
corporais foram determinadas por análise de imagens. Turco J. Electr.
Eng. Computação. Ciência. 19:689–703. doi:10.3906/elk-1003–449
Temoso, O., M. Coleman, D. Baker, P. Morley, L. Baleseng, A. Makgekgenene
e S. Bahta 2017. Utilização da análise de trajetória para prever o peso
corporal a partir de medidas corporais de cabras e ovelhas em pastagens
comunais no Botswana. Sul-africano J. Face. Ciência. 47:854–863.
doi:10.4314/sajas.v47i6.13
Tharwat, A., T. Gaber, AE Hassanien, HA Hassanien e MF Tolba. 2014.
Identificação de gado usando imagens de impressão de focinho com base
na abordagem de características de textura. In: Avanços em sistemas
inteligentes e computação. Vol. 303. Cham, Suíça: Springer Verlag. pág.
217–227.
Thorup, VM, D. Edwards e NC Friggens. 2012. Estimativa do balanço
energético na fazenda em vacas leiteiras usando apenas medições
frequentes de peso corporal e escore de condição corporal. J. Laticínios
Sci. 95:1784–1793. doi:10.3168/jds.2011-4631
Topal, M. e M. Macit. 2004. Predição do peso corporal a partir de medidas
corporais em ovelhas morkaraman. J. Appl. Anima. Res. 25:97–100.
doi:10.1080/09712119.2004.9706484
Tsegaye, D., B. Belay e A. Haile. 2013. Medidas corporais lineares como
preditores do peso corporal em cabras Hararghe das terras altas em
ambiente de agricultores: Etiópia. Globo.
Veterinario. 11:649–656. doi:10.5829/idosi.gv.2013.11.5.76135
Vanvanhossou, SFU, RVC Diogo e LH Dossa.
2018. Estimativa do peso corporal vivo a partir de medidas corporais
lineares e pontuação de condição corporal no gado Savannah Shorthorn
da África Ocidental no Noroeste do Benin.
Agricultura Alimentar Cogente. 4(1):1549767. doi:10.1080/23311932.2018.
1549767
Velez, JF, A. Sanchez, J. Sanchez e JL Esteban. 2013. Identificação de carne
bovina em matadouros industriais utilizando técnicas de visão artificial.
Espanhol J. Agric. Res. 11:945–957. doi:10.5424/
sjar/2013114-3924
Wang, Y., W. Yang, P. Winter e L. Walker. 2008. Pesagem passo a passo de
suínos usando visão de máquina e uma rede neural artificial. Biossist. Eng.
100:117–125. doi:10.1016/j.
biosistemaseng.2007.08.008
Wangchuk, K., J. Wangdi e M. Mindu. 2018. Comparação e confiabilidade de
técnicas para estimativa do peso corporal de bovinos vivos.
Wang et al. | 15
J. Appl. Anima. Res. 46:349–352. doi:10.1080/09712119.2017.1302
876
White, RP, CP Schofield, DM Green, DJ Parsons e CT Whittemore. 2004. A
eficácia de um sistema de análise de imagem visual (VIA) para monitorar
o desempenho de suínos em crescimento/terminação. Anima. Ciência.
78:409–418. doi:10.1017/
S1357729800058811
Wirthgen, T., S. Zipser, U. Franze, S. Geidel, F. Dietel e T. Alary. 2011.
Segmentação automática de imagens infravermelhas veterinárias com
abordagem de forma ativa. In: Anders, H. e F. Kahl, editores. Notas de
aula em ciência da computação (incluindo notas de aula de subsérie em
inteligência artificial e notas de aula em bioinformática). Vol. 6688 LNCS.
Berlim, Alemanha: Springer; pág. 435–446.
Wolfert, S., L. Ge, C. Verdouw e M.-J. Bogaardt. 2017. Big Data em Agricultura
Inteligente – Uma revisão. Agrícola. Sist. 153:69–80. doi:10.1016/J.
AGSY.2017.01.023.
Wurtz, K., I. Camerlink, RB D'Eath, AP Fernández, T. Norton, J. Steibel e J.
Siegford. 2019. Registro automático do comportamento de animais de
fazenda alojados em ambientes fechados usando tecnologia de visão
mecânica: uma revisão sistemática. PLoS Um 14:e0226669. doi:10.1371/
journal.pone.0226669
Yan, Q., L. Ding, H. Wei, X. Wang, C. Jiang e A. Degen. 2019.
Estimativa do peso corporal de iaques usando medidas corporais a partir
de análise de imagens. Medidas. J. Internacional. Medidas. Confessado.
140:76–80. doi:10.1016/j.medição.2019.03.021
Yang, Y. e G. Teng. 2007. Estimativa do peso dos suínos a partir de imagens
2D. In: Daoliang, L., editor. Tecnologias de informática e computação na
agricultura, Volume II. Vol. 259. Boston, MA: Springer EUA; pág. 1471–
1474.
Yao, L., H. Liu, Z. Hu, Y. Kuang, C. Liu e Y. Gao. 2019. Detecção e
reconhecimento de rosto de vaca com base em algoritmo de extração
automática de características. In: Série de procedimentos de conferências
internacionais da ACM. 17 a 19 de maio de 2019; Associação para
Máquinas de Computação, Nova York; pág. 1–5.
Yin, T. e S. König. 2018. Parâmetros genéticos para peso corporal do
nascimento ao parto e associações entre pesos com características do dia
do teste, saúde e fertilidade feminina. J. Laticínios Sci. 101:2158–2170.
doi:10.3168/jds.2017-13835
Zhang, L., H. Gray, X. Ye, L. Collins e N. Allinson. 2018a.
Detecção e rastreamento automático de porcos individuais em vídeos de
vigilância. Sensores. 19(5):1188. doi:10.3390/s19051188
Zhang, A., BP Wu, CXH Jiang, DCZ Xuan, EYH Ma e FYA Zhang. 2018b.
Desenvolvimento e validação de análise visual de imagens para
monitoramento do tamanho corporal de ovinos. J. Appl.
Anima. Res. 46:1004–1015. doi:10.1080/09712119.2018.1450257