Análise de imagens na caracterização biométrica e avaliação da carcaça de bovinos

Abstract

O processo de tipificação determina o mercado para o qual a carcaça será direcionada, considerando sua qualidade. Atualmente, este processo é desenvolvido de maneira subjetiva, e, portanto, a confiabilidade desse pode ser comprometida. Neste sentido, ferramentas que permitam a avaliação objetiva da carcaça bovina in vivo e post mortem são de grande importância. Diante disso, nossos objetivos neste trabalho são (1) avaliar o efeito da classe sexual sobre a morfologia corporal ou de carcaças em bovinos e investigar as relações entre as medidas biométricas e os escores de acabamento atribuídos às carcaças em frigorifico comercial, (2) desenvolver um algoritmo de segmentação utilizando rede neural convolucional, capaz de realizar a segregação de diferentes tecidos em imagens digitais de carcaças, de forma automática, e, (3) desenvolver equações de predição da espessura de gordura subcutânea em bovinos utilizando meta-análise de dados experimentais. Foram utilizados dados de animais de diferentes composições genéticas, classes sexuais, idades e pesos. Os animais foram aleatoriamente selecionados nos currais de espera dos frigoríficos, identificados, submetidos a jejum de sólidos durante 16 horas, pesados e, concomitantemente, foram coletadas imagens do dorso do animal utilizando câmeras RGB-D. Após o abate, a carcaça de cada animal foi dividida longitudinalmente, em duas meias-carcaças, as quais foram pesadas e os escores visuais de gordura avaliados por profissionais treinados, sendo as carcaças resfriadas a 4 oC por 24 horas. As meias-carcaças foram utilizadas para obtenção de imagens RGB-D. As imagens coletadas foram analisadas para mensuração dos parâmetros biométricos. Os dados foram analisados pelos procedimentos gerais de modelos lineares do SAS 9.0 (Statistical Analysis System Institute, Inc.) e, em seguida, as médias das diferentes classes sexuais foram comparadas pelo teste de Tukey (5%). Uma segunda etapa foi realizada utilizando as imagens coletadas como input para uma rede neural convolucional de segmentação (CNN). Na arquitetura da rede, o backbone convolucional utilizado foi a rede ResNeXt-101 combinada com Feature Pyramid Network. Os resultados obtidos indicam que há influência da classe sexual sobre o peso corporal, peso de carcaça e medidas biométricas. Os escores de gordura foram influenciados por medidas biométricas. Houve efeito do peso corporal no escore final e os animais mais pesados obtiveram os maiores escores de gordura. Comportamento semelhante a este foi verificado para a análise das carcaças, com as maiores médias dos parâmetros biométricos observadas para o escore uniforme. Porém, não houve efeito linear entre o escore de gordura e as medidas biométricas, havendo sobreposição das médias para os menores escores atribuídos às carcaças. No segundo estudo, a rede CNN foi capaz de detectar a proporção de tecidos com uma precisão de 66,5, 42,4 e 11,3%, usando sobreposições (IoU) de 25, 50 e 75%, respectivamente. A análise de imagens pode ser usada para obter medidas biométricas em bovinos e suas carcaças e para estimar o escore final de gordura da carcaça. Além disso, esta pesquisa contribui para a proposição de um método de segmentação de carcaças e tecidos o que pode auxiliar no desenvolvimento de sistemas automatizados de avaliação de carcaças. Palavras-chave: Análise de imagem. Bovino. Carcaça. Gordura subcutânea. Predição.

Nutrient Requirements of Zebu and Crossbred Cattle - BR-CORTE

“…Brasileiro ( 2023) evaluated the goodness of fit of the BFT equation proposed by Assis (2021). Validation database was composed of 43 treatment means from 16 published studies (Table 6.10).…”

Prediction of carcass weight, backfat thickness, and body weight loss during the transport of beef cattle

“…Inc., Cary, NC), and 0.05 was established as the critical level of probability for a type I error. More details regarding this study can be found in Assis (2021).…”

“…However, interactions between genotype and gender were found for the coefficient associated with the CW predictive variable. Thus, Assis (2021) suggested the following BFT predictive equation: BFT (mm) = -2.37 + 0.709 × ADG + CW × G (R² = 0.49, RMSE = 1.67) Eq.6. Brasileiro (2023) evaluated the goodness of fit of the BFT equation proposed by Assis (2021).…”

“…Thus, Assis (2021) suggested the following BFT predictive equation: BFT (mm) = -2.37 + 0.709 × ADG + CW × G (R² = 0.49, RMSE = 1.67) Eq.6. Brasileiro (2023) evaluated the goodness of fit of the BFT equation proposed by Assis (2021). Validation database was composed of 43 treatment means from 16 published studies (Table 6.10).…”

“…Minimal requirements of slaughterhouses regarding carcass quality include CW above 180 kg for females and 225 kg for bulls and steers (Assis, 2021). Nevertheless, carcasses with better quality traits (e.g., greater finishing grade and marbling) may be directed to specific markets and generate greater remuneration to producers.…”