Comparação de algoritmos de machine learning para predição do peso corporal de cabras leiteiras usando dados do processamento de imagens

Abstract

Foram utilizadas 186 fêmeas das raças Saanen (n = 98) e Alpina (n = 88) das categorias de cria, recria e lactação. As gravações foram realizadas com câmera Intel ® RealSense ™ (D435) para a extração das imagens 2D e processadas no software ImageJ para a obtenção das medidas lineares de altura de cernelha, altura de garupa, comprimento de garupa, largura de garupa, comprimento corporal, largura do peito, profundidade e altura da pata. Os animais foram pesados, sem jejum prévio, imediatamente antes das gravações. A análise de correlação mostrou que as características que mais se correlacionaram com o peso foram a profundidade (r = 0,94) e o comprimento corporal (r = 0,94), seguidas pela largura do peito (r = 0,92), altura de cernelha e altura de garupa (r = 0,90). Entre os algoritmos estudados, o Random Forest mostrou-se o mais preciso na predição do peso corporal, com maior coeficiente de determinação (R² = 0,94) e as menores estimativas dos erros (RMSE = 5,72 e MAE = 4,14). Conclui-se que é possível predizer o peso de caprinos leiteiros por meio atributos extraídos de imagens digitais e que o algoritmo Random Forest foi o algoritmo que apresentou o melhor desempenho quando comparado com os com as regressões Lasso, Ridge e Elastic Net. Palavras-chave: Machine learning. Zootecnia de precisão. Morfometria por imagem.

The objective was to verify the best algorithm associated with image morphometry attributes to predict the live weight of dairy goats. 186 females of the Saanen (n = 98) and Alpina (n = 88) breeds from the breeding, rearing and lactation categories were used. The 2D images were recordings and images processed to obtain morphological measurements: withers height, rump height, rump length, rump width, body length, chest width, depth and height of the leg. The animals were weighed, without prior fasting, immediately before recordings. Correlation analysis showed that the characteristics that most correlated with live weight were depth (r = 0.94) and body length (r = 0.94), followed by chest width (r = 0.92), withers height and croup height (r = 0.90). Among the algorithms studied, Random Forest proved to be the most accurate in predicting body weight, with the highest coefficient of determination (R² = 0.94) and the lowest error estimates (RMSE = 5.72 and MAE = 4.14) than Lasso (R² = ; RMSE = and MAE= ), Ridge (R² = ; RMSE = and MAE= ) and Elastic Net ((R² = ; RMSE = and MAE= ). It is concluded the Random Forest algorithm showed better performance than Lasso, Ridge, and Elastic Net regressions to predict the weight using image morphometry attributes of dairy goats. Keywords: Machine learning, Precision livestock farming. Image morphometry.