Study of alternative farrowing crates on piglet performance and the development of a computational model for detecting sow postures

Le résumé fourni par la source

Na suinocultura, a maternidade é um período crucial para o desempenho dos animais já que o desenvolvimento de sistemas de parto e lactação que atendam as diferentes necessidades biológicas de matrizes e leitões ainda é um desafio. Estudar o padrão comportamental destes animais pode auxiliar na adoção sistemas cada vez mais eficientes e sustentáveis e o monitoramento contínuo e automático do comportamento pode ser uma ferramenta importante para a detecção do estado fisiológico dos animais e para a redução da mortalidade dos leitões. Dessa forma, este trabalho teve três objetivos principais. O primeiro visou avaliar o impacto de diferentes configurações de gaiolas de parto nos desempenho de leitões. Para isso, dados produtivos de 546 matrizes e 9123 leitões foram monitorados durante 36 ciclos lactação (32 dia/ciclo). Os tratamentos envolveram três tipos configuração de gaiolas de parto (tradicional, offset, diagonal), diferenciadas pelo posicionamento das matrizes nas baias. Os dados de desempenho de leitões (porcentagem de natimortos, porcentagem de mortalidade, porcentagem de esmagamento, ganho de peso médio diário (ADG)) foram monitorados de acordo com o Setor de Suínos do US Meat Animal Research Center (USDA-USA). Testaram-se os efeitos dos tratamentos nas características produtivas dos leitões e, como resultado, não foram encontradas diferenças significativas em relação aos tratamentos. O segundo objetivo deste trabalho, foi o desenvolvimento de um modelo classificador de posturas de matrizes, baseado em Redes Neurais Convolucionais (CNN). Neste caso, no mesmo Setor de Suídos do USDA-USA, imagens foram registradas com cameras Kinect V2® instaladas no topo de cada uma das gaiolas e classificadas por observadores treinados em cinco posturas (em pé, sentada, ajoelhada, decúbito ventral e decúbito lateral). Diferentes imagens (RGB, profundidade e mixed) foram utilizadas no desenvolvimento dos classificadores (MATLAB® R2022b - Deep Learning Toolbox) que foram avaliados a partir de métricas extraídas de uma matriz confusão comparando-se a respostas reais com as preditas pelo modelo. Os resultados deste estudo ilustram a melhora na classificação de posturas de matrizes usando imagens de profundidade nos modelos classificadores. No melhor modelo a acurácia foi de 94.7% e os valores de precisão e sensibilidade médios foram de 92.32% e 92.40%, respectivamente (F1-score = 92.36%). O modelo apresentou resultados promissores para as posturas de transição (sentada e ajoelhada). Como último objetivo, três réplicas de quatro marcas de câmeras time-of-flight (Kinect v.2, Pico Zense, Pico Flexx e Azure Kinect) foram avaliadas em termos de repetibilidade de captura de dados, dimensões de painéis registrados pelas imagens e distorção radial. A repetibilidade foi comparada em termos de desvio padrão dos valores de distância registrados nas imagens. As dimensões dos painéis foram avaliadas nas imagens incluíram razão de área (px*cm-2) e volume estimado (cm³). Já distorção radial foi avaliada comparando-se as medidas de distância e o coeficiente de variação em três segmentos das imagens. Os resultados indicam que a câmera Azure Kinect é a melhor câmera em termos de repetibilidade e estimativa de volume. A Pico Zense (câmeras 2 e 3) apresenta os menores valores de desvio padrão para medições de distância e a câmera Kinect v.2 os melhores resultados para medições de área.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.