Associação entre imagens digitais com a morfometria e condição corporal de cabras leiteiras

Abstract

Esta dissertação foi segmentada em dois capítulos. Capítulo I - O objetivo foi verificar se as imagens digitais são capazes de determinar a morfometria e identificar quais medidas apresentam maior precisão em fêmeas caprinas leiteiras. Foram utilizadas 154 fêmeas caprinas nas fases de cria, recria e lactação e oito medidas corporais foram mensuradas com fita métrica e por imagens digitais (câmera Intel ® RealSense ™ D435 e ImageJ) para a extração da altura da cernelha, altura da garupa, comprimento corporal, profundidade, altura da pata, largura do peito, largura da garupa e comprimento da garupa. As correlações foram significativas (p<0,05) entre medidas manuais e imagens em todas as categorias. A altura da cernelha, altura da garupa e comprimento corporal apresentaram maiores correlações (r>0,60) e precisão (R2>0,50) entre as técnicas de medição. As imagens digitais são capazes de determinar a morfometria de fêmeas caprinas leiteiras, sendo as medidas mais precisas altura da cernelha, altura da garupa e comprimento corporal. Capítulo II - O objetivo foi avaliar se é possível a utilização das imagens digitais para predizer o peso corporal e classificar o ECC de fêmeas caprinas leiteiras. Foram utilizadas 154 fêmeas caprinas nas fases de cria, recria e lactação e foram pesadas em balança manual e o ECC foi realizado apenas nos animais da recria e lactação (n=124) por três avaliadores treinados. As gravações e o processamento das imagens digitais foram realizados para a extração das mesmas medidas aferidas no capítulo I. As medidas das imagens apresentaram correlações altas (r>0,70) e significativas (p<0,05) com o peso corporal, com destaque (r>0,90) para o comprimento corporal, largura do peito e profundidade. O ECC não apresentou correlação significativa (p>0,05) com as variáveis das imagens. Foi possível predizer o peso corporal através das medidas pelas imagens com R 2 de 0,87, sendo a profundidade (22,14%), largura do peito (18,93%) e comprimento corporal (15,47%) as variáveis mais importantes. Para o ECC, a acurácia foi de 0,4054 e a classe 2 a 3 foi a mais assertiva com 10 animais classificados e a largura do peito (20,38%) foi a variável mais importante. As imagens digitais demonstram capacidade de predizer com precisão o peso corporal, porém, não classificam o ECC de fêmeas caprinas leiteiras.

Palavras-chave:

Aprendizado de máquina. Inteligência artificial. Zootecnia de precisão.

This dissertation was divided into two chapters. Chapter I - The objective was to ascertain if digital images are capable of determining morphometry and identifying which measurements exhibit higher precision in dairy female goats. A total of 154 dairy female goats in the stages of nursing kids, weaned kids, and lactation were utilized, and eight body measurements were assessed using a measuring tape and digital images (Intel® RealSense™ D435 camera and ImageJ) for extracting withers height, rump height, body length, depth, paw height, chest width, rump width and rump length. Significant correlations (p<0.05) were observed between manual measurements and images across all categories. Withers height, rump height, and body length exhibited stronger correlations (r>0.60) and precision (R 2>0.50) among the measurement techniques. Digital images are capable of determining the morphometry of dairy female goats, with withers height, rump height, and body length being the most precise measurements. Chapter II - The objective was to assess the feasibility of using digital images to predict body weight and classify BCS in dairy female goats. A total of 154 dairy female goats in the nursing kids, weaned kids, and lactation stages were used. They were weighed on a manual scale, and BCS was assessed only in animals in the rearing and lactation stages (n=124) by three trained evaluators. Recordings and digital image processing were conducted to extract the same measurements as assessed in Chapter I. Measurements from the images exhibited high and significant correlations (r>0.70, p<0.05) with body weight, with particular emphasis on body length, chest width, and depth (r>0.90). BCS did not show a significant correlation (p>0.05) with the image variables. It was possible to predict body weight through measurements from the images with an R 2 of 0.87, with depth (22.14%), chest width (18.93%), and body length (15.47%) being the most important variables. For BCS, the accuracy was 0.4054, and classes 2 to 3 were the most accurate, with 10 animals classified. Chest width (20.38%) was the most important variable. Digital images demonstrate the ability to accurately predict body weight, but they do not classify the BCS of dairy female goats.

Keywords: Machine learning. Artificial intelligence. Precision livestock farming.