Dissertação
Body weight prediction of crossbred beef cattle through the image processing and machine learning algorithms
Predição do peso corporal de bovinos cruzados a partir de processamento de imagens e algoritmos de aprendizado de máquina
Registro en:
SOUZA, Nathalia Farias de. Body weight prediction of crossbred beef cattle through the image processing and machine learning algorithms. 2022. 43 f. Dissertação (Mestrado em Zootecnia) - Universidade Federal de Viçosa, Viçosa. 2022.
Autor
Souza, Nathalia Farias de
Institución
Resumen
For the beef cattle system, one of the most valuable information is the body weight that can be linked to animal growth and performance. The bidimensional sensors area is the cheapest technology among all sensors used as a tool to extract information that can be applied to machine learning to predicts value phenotype. This study aimed to predict body weight using video image analysis with simple bidimensional equipment, from the dorsal view of crossbreed beef cattle (½ Angus x ½ Nellore) in a finishing system, applying different frame information and machine learning algorithms. The experimental procedures were performed at Federal University of Viçosa. A total of 40 crossbreed steers (½ Angus x ½ Nellore) were used, averaging 8 months of age at the beginning of the feedlot trial, and 291.7±23.8 kg and 517.42±54.8kg of initial and final body weight, respectively. The data collection occurred from September (12 Month) to December/2021 (15 month). Body weight (BW) was collected using an automatic Intergado company drink fountain/scale and the video images were collected using cameras Intelbras from the animals’ dorsal view. Three approaches were tried for segmentation of the animals’ dorsal images, however, their color characteristics did not allow do this automatically, so were used ImageJ software to manually do the delimitations, extracting 8 Shape Descriptors. For regression were used 6 machine learning algorithms, Ridge, Least Absolute Shrinkage and Selection Operator (LASSO), Elastic Net (ENET), Multiple Linear Regression (MLR), Adaboost (ADAB) and Random Forest (RF) to construct predictive models, the dataset was split in 70:30 for training and test. The regularizations RIDGE and MLR without AGE as a predictor had similar performance. The AGE addition improved all algorithms, the best metrics results were for ENET and ENET using AGE for a dataset with 5 Frames information (5F) R²=0.68 and 0.76, respectively. Thus, the use of bidimensional sensor in the dorsal view can predict the BW of crossbreed (½ Angus x ½ Nellore). Keywords: Correlation. Image Processing Regularization Para a bovinocultura de corte uma das informações mais valiosas é o peso corporal que está relacionado ao crescimento e desempenho animal. Sensores bidimensionais são as tecnologias mais baratas entre todos os sensores, e podem ser usados como uma ferramenta para extrair informações que associadas com o aprendizado de máquina predizem fenótipos de valor. Objetivou-se predizer o peso corporal (PC) utilizando análise de imagens de vídeo e equipamento bidimensional simples, a partir da visão dorsal de bovinos mestiços (½ angus x ½ nelore) em fase de terminação, aplicando diferentes informações de frames (1, 3 e 5), e algoritmo de aprendizado de máquina. Os procedimentos experimentais foram realizados na Universidade Federal de Viçosa, foram utilizados 40 animais mestiços (½ angus x ½ nelore), machos, com idade de 8 meses no início do confinamento e peso corporal inicial médio de 291,7±23,8 kg e finalizado com 517,42±54,8 kg. A coleta de dados ocorreu de setembro (12 meses) a dezembro/2021 (15 meses). O peso corporal (PC) foi coletado por meio de bebedouro/balança automática da empresa Intergado e as imagens de vídeo foram coletadas por meio de câmeras Intelbras a partir da visão dorsal do animal. Foram testadas três abordagens para segmentação dos animais com base na limiarização, porém, suas características de cor não permitiam fazer isso automaticamente, então foi utilizado o software ImageJ 1.35k, para fazer as delimitações manualmente, extraindo 8 Descritores de Forma. Para regressão foram avaliados seis algoritmos de aprendizado de máquina, Ridge, Least Absolute Shrinkage and Selection Operator (LASSO), Elastic Net (ENET), Multiple Linear Regression (MLR), Adaboost (ADAB) e Random Forest (RF) para construir modelos preditivos, conjunto de dados foi dividido em 70:30 para treino e teste. As regularizações RIDGE e MLR sem AGE como preditor tiveram desempenho semelhante. A adição de AGE melhorou todos os algoritmos, os melhores resultados de métricas foram para ENET e ENET usando AGE para dataset com informação de 5 Frames (5F), R²=0,68 e 0,76, respectivamente. Assim, o uso de sensor bidimensional na vista dorsal pode predizer o PC de mestiços (½ angus x ½ nelore). Palavra-Chave: Correlação. Processamento de Imagem. Regularização. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior