A ceratoconjuntivite infecciosa bovina (CIB) é considerada a doença ocular de maior importância na criação de bovinos, causando perdas significativas tanto no rebanho afetado quanto para o produtor. Por se tratar de uma doença infectocontagiosa é necessário que as formas de diagnóstico sejam aprimoradas. Atualmente, o diagnóstico para CIB é realizado por meio da avaliação dos sinais clínicos por um especialista e confirmados por exames laboratoriais, o que geralmente é uma tarefa custosa e demorada. Neste trabalho, é avaliada a utilização da termografia infravermelha para aquisição de imagens da região ocular bovina de animais sadios e infectados pela CIB e, a partir disso utilizar essa base de imagens no treinamento e validação de um conjunto de redes neurais convolucionais (RNC), com o intuito de identificar se o animal está ou não infectado em novas amostras. Foram utilizadas 4.938 imagens termográficas da região ocular bovina no processo de treinamento e validação de cinco arquiteturas distintas de RNC, as quais foram avaliadas utilizando validação cruzada. Os melhores resultados obtidos neste trabalho indicam que as RNC são capazes de classificar corretamente os sinais clínicos da CIB em imagens termográficas com uma taxa de acurácia próxima de 80%.

With Industry 4.0, the integration between physical and digitalenvironments enabled some improvements within several productionsegments. Among these improvements, advancements on theapplication of machine learning algorithms to predict current andfuture states of equipment have been gaining attention, specially,for maintenance purposes. This research work presents a comparativeexperimental study on machine learning algorithms appliedto classification of industrial machinery states. After training andevaluating models based on five different algorithms (i.e., DecisionTree, Naive Bayes, Support Vector Machines, XGBoost and NeuralNetwork), some interesting results were obtained. Considering theaccuracy, precision, recall and training time of each model, it wasobserved that some models performed well, while others may notbe as suitable for solving the problem. Such good performing modelscould be used to schedule interventions on a given industrialequipment, avoiding production stoppages.