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.

The grading process determines the market to which the carcass will be directed, considering its quality atributes. Currently, in slaughterhouses the grading processes are developed subjectively and, therefore, the economic efficiency of these processes canbe compromised. In this sense, tools that allow the objective evaluation of the bovine carcass in vivo and post mortem are of great importance. Therefore, our objectives in this research are (1) to evaluate the effect of sex class on body or carcass morphology in bovine and to investigate the relationships between biometric measurements and fat scores assigned to carcasses in a commercial slaughterhouse. (2) To develop a segmentation algorithm using convolutional network, capable to perform the segregation of different tissues in digital images of carcasses, automatically, and, (3) develop equations to predict the rib fat thickness through meta-analysis of experimental data. Data from animals of different genetic compositions, sex classes, ages and weights were used. The animals were randomly selected in the at slaughterhouses, identified, subjected to solids fasting for 16 hours, weighed and, concomitantly, it was collected images of the animal dorsum using RGB-D cameras, for video image analysis. After slaughter, the carcass of each animal was divided longitudinally, in two half-carcasses, which were weighed and the visual fat scores was evaluated by trained professionals, and then carcass were cooled at 4 oC for 24 hours. The hot half-carcasses were used to obtain the RGB-D images. The images collected were analyzed to measure the biometric parameters. Data were analyzed using general linear model procedures of SAS 9.0 (Statistical Analysis System Institute, Inc.) and, then the means of different sex classes were compared by the test of Tukey (5%). A second step was performed using the collected images as input to a segmentation convolutional network (CNN). In the network architecture, the convolutional backbone used was the ResNeXt-101 network combined with the Feature Pyramid Network. The obtained results indicate that there is influence of the sex class on body weight, carcass weight and biometric measures. Visual fat scores were influenced by biometric measurements. There was an effect of body weight on the final score and the heaviest animals had the highest fat scores. Similar behavior to this was verified for the analysis of the carcasses, with the highest means of the biometric parameters observed for the uniform score. However, there was no linear effect between the fat score and biometric measurements, with an overlapping of means for the lowest scores assigned to the carcasses. In the second study, the network CNN was able to detect the proportion of tissues with an accuracy of 66.5, 42.4 and 11.3%, using overlays (IoU) of 25, 50 and 75%, respectively. Image analysis can be used to obtain biometric measurements in bovine and their carcasses and to estimate the final carcass fat score. In addition, this research contributes to the proposition of a method of segmentation of carcasses and body tissues that can assist in the development of automated computer vision systems applied to the evaluation of carcasses in slaughterhouses. Keywords: Bovine. Carcass. Image analysis. Prediction. Subcutaneous fat.