Sistema de visão computacional para monitoramento de bovinos de corte em confinamento: contagem, alimentação, desempenho e índice de bem- estar

Abstract

Objetivou-se avaliar e validar o sistema de visão computacional Cargill Cattle View (CCV) para contagem, classificação postural e quantificação de sobras de ração em confinamentos comerciais, bem como investigar a relação entre o Índice de Bem- Estar Cargill (IBC), estimado automaticamente por inteligência artificial a partir de imagens de drone, e o consumo de matéria seca (CMS) e o desempenho zootécnico de bovinos de corte. O experimento foi conduzido em parceria com seis confinamentos comerciais. Para a etapa de contagem e classificação, utilizou-se um banco de dados composto por 1.754 imagens de currais. Após a remoção dos outliers, 1.565 imagens foram consideradas válidas, abrangendo 24 currais e 65 lotes. As imagens foram avaliadas quanto ao recorte de cocho e curral, à contagem total de animais e à classificação postural (em pé e deitados). Para a quantificação das sobras de ração, o estudo foi conduzido por 86 dias, com coleta e pesagem diária das sobras em dois a três currais, totalizando 169 amostras correspondentes a 72 currais, posteriormente comparadas aos valores estimados pelo CCV. Adicionalmente, foram analisados 39 lotes quanto à relação entre IBC, CMS, dias de cocho, peso vivo, tamanho de cocho e área de curral. Modelos exponenciais foram ajustados para descrever o comportamento temporal do IBC e do CMS ao longo do período de confinamento, bem como análises de risco para estimar a probabilidade de baixo bem-estar (IBC < 8). As acurácias dos recortes foram calculadas com base no número total de avaliações e na proporção de dados corretamente identificados. Para a contagem e classificação, utilizou-se a diferença percentual entre os valores observados e os preditos pelo CCV. Na quantificação das sobras, as acurácias foram determinadas por faixa de peso. Do total de imagens válidas, 1.409 recortes de curral foram classificados como corretos, resultando em acurácia de 90,03%. Para o recorte de cocho, independentemente do recorte de curral, 1.496 imagens foram consideradas válidas, representando acurácia de 95,59%. A acurácia média na contagem de animais foi de 98,61%, enquanto, na classificação postural, foi de 88,77% para bovinos em pé e 95,56% para bovinos deitados. Para a quantificação das sobras, a maior acurácia observada foi de 54,8% na faixa de 50 a 100 kg. Observou-se que lotes com maior CMS apresentaram menor probabilidade de IBC reduzido, e que maiores valores de ganho médio diário estiveram associados a melhores índices de bem-estar. A área disponível por animal influenciou o comportamento de consumo, indicando maior probabilidade de redução do IBC em currais menos densos. Tanto o IBC quanto o CMS variaram ao longo dos dias de cocho, sendo adequadamente descritos por modelo exponencial. Conclui-se que o sistema CCV apresenta elevada acurácia na identificação de currais e cochos, bem como na contagem total e na classificação postural de bovinos em confinamento. O IBC mostrou-se um indicador prático e robusto do desempenho produtivo e do comportamento de consumo. Embora o sistema seja capaz de quantificar sobras de ração, são necessários ajustes e aprimoramentos para aumento de sua precisão, reforçando o potencial das tecnologias de visão computacional no monitoramento do bem-estar animal em confinamentos comerciais. Palavras-chave: contagem; drone; inteligência artificial; validação; desempenho; monitoramentoThe objective of this study was to evaluate and validate the Cargill Cattle View (CCV) computer vision system for animal counting, postural classification, and feed refusal quantification in commercial feedlots, as well as to investigate the relationship between the Cargill Welfare Index (IBC), automatically estimated by artificial intelligence from drone images, and dry matter intake (DMI) and the zootechnical performance of feedlot beef cattle. The experiment was conducted in partnership with six commercial feedlots. For the counting and classification stage, a database composed of 1,754 feedlot pen images was used. After outlier removal, 1,565 images were considered valid, covering 24 pens and 65 lots. The images were evaluated for bunk and pen cropping, total animal counting, and postural classification (standing and lying). For feed refusal quantification, the study was conducted over 86 days, with daily collection and weighing of refusals from two to three pens, totaling 169 samples corresponding to 72 pens, which were subsequently compared with the values estimated by the CCV. Additionally, 39 lots were analyzed regarding the relationship among IBC, DMI, days on feed, body weight, bunk size, and pen area. Exponential models were fitted to describe the temporal behavior of IBC and DMI throughout the feeding period, and risk analyses were performed to estimate the probability of low welfare (IBC < 8). Cropping accuracies were calculated based on the total number of evaluations and the proportion of correctly identified data. For counting and classification, the percentage difference between observed and CCV- predicted values was used. For feed refusal quantification, accuracies were determined by weight range. Of the total valid images, 1,409 pen croppings were classified as correct, resulting in an accuracy of 90.03%. For bunk cropping, regardless of pen cropping, 1,496 images were considered valid, representing an accuracy of 95.59%. The average accuracy for animal counting was 98.61%, whereas postural classification accuracy was 88.77% for standing cattle and 95.56% for lying cattle. For feed refusal quantification, the highest accuracy observed was 54.8% in the 50 to 100 kg weight range. Lots with higher DMI showed a lower probability of reduced IBC, and higher average daily gain values were associated with better welfare indices. The available area per animal influenced intake behavior, indicating a higher probability of IBC reduction in less dense pens. Both IBC and DMI varied over days on feed and were adequately described by an exponential model. In conclusion, the CCV system showed high accuracy in identifying pens and bunks, as well as in total animal counting and postural classification in feedlot conditions. The IBC proved to be a practical and robust indicator of productive performance and intake behavior. Although the system is capable of quantifying feed refusals, further training and improvements are necessary to increase its precision, reinforcing the potential of computer vision technologies for monitoring animal welfare in commercial feedlots. Keywords: counting; drone ; artificial intelligence; validation ; performance; monitoring