Weight prediction in weaning pigs using Deep Learning techniques

Abstract

Estimating the weight of pigs in the weaning phase is an important process in the management of pig farms due to the adaptation conditions that the animals are exposed to. Pig farming includes several phases with very specific environmental variables such as temperature for sows and piglets before weaning. For this reason, the weaning phase is a crucial moment to guarantee an optimal weight for future phases (finisher pigs), which becomes a better income for the producers. Therefore, an automatic individual pig detection and weight prediction model was applied to detect individuals housed in groups of 10 males and 10 females under real production conditions in a naturally ventilated structure, with initial weights of 8 kg to reach around 32-40 kg. For individual detection, the Yolov7 algorithm was used together with the VGG Image Annotator, obtaining a precision of 98.3% in natural behavior (all postures and lighting conditions were included). For weight prediction, three pre-established architectures (MobileNet, ResNet50, DenseNet121) and an own created architecture (CustomNet) were compared, together with four optimizers (SGD, RMSprop, Adam and Nadam), and was selected the best architecture's performance and then, was applied optimizers to find the minimum error in weight prediction. The model with the best performance was DenseNet121 with Adam optimizer, obtaining as a result a minimum coefficient of determination R2 of 0.96 for the analysis of males. Females and Males - Females cases obtained a R2 of 0.98. The deep learning techniques applied, and the results obtained show the feasibility of this method and allow to optimize resources in the management of pig farms under real and challenging conditions. Keywords: Pig’s individual detection; Yolov7; VGG Image Annotator; DenseNet121; Growth curve in pigs.A estimativa do peso dos suínos em cada período de vida é um processo importante no gerenciamento e tomada de decisões corretas nas granjas suinícolas, devido às condições de adaptação às quais os animais estão expostos em seus ambientes de criação e que interferem diretamente em seu desempenho e no sucesso final do empreendimento. Assim, a criação de suínos inclui várias fases, com exigências ambientais muito específicas, sendo que o peso do animal na fase de desmame é crucial para garantir a obtenção de peso ideal para as fases futuras, até chegar ao suíno na terminação, resultando em maior garantia de melhor renda para os produtores. Portanto, um modelo automático de Deep Learning foi aplicado para detectar peso em indivíduos alojados em grupos de 10 machos e 10 fêmeas, em condições reais de produção e alojados em instalação naturalmente ventilada. O estudo foi realizado com suínos com pesos iniciais de 8 kg até atingir, aproximadamente, 40 kg. Para a detecção individual, o algoritmo Yolov7 foi usado junto com o VGG Image Annotator, obtendo uma precisão de 98,3% no comportamento natural (todas as posturas e condições de iluminação foram incluídas). Para a previsão de peso, foram comparadas três arquiteturas de Deep Learning pré-estabelecidas (MobileNet, ResNet50, DenseNet121) e uma arquitetura desenvolvida para esta investigação (CustomNet), juntamente com quatro otimizadores (SGD, RMSprop, Adam e Nadam). Foi selecionado o melhor desempenho da arquitetura e, em seguida, foram aplicados otimizadores para encontrar o erro mínimo na previsão de peso. O modelo com o melhor desempenho foi o DenseNet121 com o otimizador Adam, obtendo, como resultado, um coeficiente de determinação R2 mínimo de 0,96 para a análise de machos. Os casos de fêmeas e machos obtiveram R2 de 0,98. As técnicas de aprendizagem profunda aplicadas e os resultados obtidos mostraram a viabilidade desse método para otimizar os recursos no gerenciamento de granjas de suínos em condições reais. Além disso, as técnicas de Deep Learning aplicadas nesta investigação podem ser usadas para criar interfaces gráficas que analisem em tempo real o ganho de peso de cada animal. Palavras-chave: Detecção de suínos; Yolov7; VGG Image Annotator; DenseNet121; Ganho de peso suínos.