A preliminary comparison using 2D and 3D images to predict hot carcass weight and saleable meat yield in pigs

Abstract

This study aimed to evaluate the predictive accuracy of the Artec LEO® scanner in estimating pork hot carcass weight (HCW) and saleable meat yield (SMy), compared to traditional 2D imaging methods. Thirty-nine half pig carcasses were used. HCW and 3D images were obtained before the chilling process, after 24h chilling the cuts shoulder, top loin, loin, belly, ribs, and ham were made and the sum of all cuts was defined as SMy. To obtain 3D images, carcasses were suspended in a fixed position and manually scanned using the Artec Leo®, which features automatic light adjustment. The digitized images were imported into Artec Studio 18 to generate the 3D models, from which total carcass volume (TCV, mm³) was extracted. Standardized 2D images were created from dorsal and lateral views by capturing screenshots within the 3D modeling environment. These views were consistently applied to all carcasses. ImageJ software was used to extract dorsal plane area (DPA, cm²) and lateral plane area (LPA, cm²) from these images. Descriptive statistics and Pearson’s correlation were used to explore associations between HCW, SMy, and image-derived features. Simple and multiple linear regressions optimized by leave-one-out cross-validation assessed the predictive power of 3D and 2D features for HCW and SMy. Model performance was evaluated using the determination coefficient (R²), root mean square error (RMSE) and mean absolute error (MAE), Mean Absolute Percentage Error (MAPE). TCV showed a strong, significant correlation with HCW (r = 0.9659, P < 0.001) and a moderate, significant correlation with SMy (r = 0.6272, P < 0.001). In contrast, 2D features had weaker and non-significant correlations. Among simple regression models, TCV had the best performance for HCW prediction (R² = 0.9329; RMSE = 0.4312 kg) DPA and other 2D features performed poorly (R² = 0.0488, RMSE = 1.6231). In multiple regression, using predictors from 2D combined to 3D images, there was similar performance. (R² = 0.9413; RMSE = 0.4033 kg). For SMy, TCV also showed the best predictive performance among simple models (R² = 0.4773; RMSE = 1.1795 kg) and adding 2D features offered little improvement. Model 7 again had the best result (R² = 0.5117; RMSE = 1.1401 kg). It is concluded that the use of 3D image variables is better than 2D images for predicting pig carcass weight and yield.Keywords: computer vision; pig farming; precision.Objetivou-se com o presente estudo avaliar o uso de imagens 3D em comparação a 2D na estimativa do peso de carcaça quente (PCQ) e do total de carne vendável (TCv) de suínos. Foram analisadas 39 meias carcaças. O PCQ e as imagens 3D foram obtidos antes do resfriamento. Após 24 horas de refrigeração, realizaram-se os cortes paleta, copa lombo, lombo, barriga, costela e pernil, sendo a soma desses cortes comerciais definida como TCv. Para obter as imagens 3D, as carcaças foram suspensas em posição fixa e digitalizadas com o scanner portátil Artec Leo®, que possui ajuste automático de luz. As imagens foram importadas para o software Artec Studio 18 para gerar os modelos 3D, dos quais se extraiu o volume total da carcaça (VTC, mm³) e comprimento de carcaça (CC, cm). A partir dos modelos 3D, imagens 2D padronizadas foram capturadas das vistas dorsal e lateral. Essas imagens foram processadas no software ImageJ, onde foram obtidas a área do plano lateral (APL, cm²) e a área do plano dorsal (APD, cm²). Análise descritiva e correlação de Pearson foram utilizadas para explorar associações entre PCQ, TCv e as variáveis extraídas. Modelos de regressão linear simples e múltipla otimizados pela validação cruzada leave-one-out foram utilizados para predição do PCQ e TCv com as variáveis da imagem 2D e 3D. O desempenho dos modelos foi analisado com base no coeficiente de determinação (R²), raiz do erro quadrático médio (RMSE) e erro absoluto médio (MAE), Erro percentual absoluto médio (MAPE). O VTC apresentou forte correlação com o PCQ (r = 0,9659; P < 0,001) e moderada com o TCv (r = 0,6272; P < 0,001). As variáveis 2D apresentaram correlações fracas e não significativas (0,2210 P > 0,05). O modelo linear simples com a variável VTC teve o melhor desempenho para predição do PCQ (R² = 0,9329; RMSE = 0,4312 kg), enquanto o APD teve baixo desempenho (R² = 0,0488, RMSE = 1,6231). Na regressão múltipla, utilizando preditores da imagem 2D e 3D, houve desempenho similiar (R² = 0,9413; RMSE = 0,4033 kg). Para o TCv, o VTC também foi o melhor preditor (R² = 0,4773; RMSE = 1,1795 kg). Conclui-se que uso de variáveis da imagem 3D é melhor do que de imagens 2D para predição de peso e rendimento da carcaça suína, podendo ser utilizada para predizer o peso de carcaça quente de suínos.Palavras-chave: precisão; suinocultura; visão computacional.