PREDIÇÃO DE CARACTERÍSTICAS DE CARCAÇA EM OVINOS A PARTIR DE IMAGENS ULTRASSONOGRÁFICAS: aplicação de algoritmos de visão computacional

Abstract

RESUMO: A ovinocultura é uma atividade pecuária em constante expansão, necessitando, portanto, de carne de boa qualidade e que atenda às demandas do mercado. Com o intuito de estudar características de carcaça, a área do músculo Longissimus dorsi é uma medida importante, por estar associada positivamente com o rendimento de carne, enquanto a espessura do músculo tem influência sobre a qualidade da carcaça. Assim, o conhecimento e a determinação destas medidas são essenciais para o produtor, e a determinação na realização destas medidas pode ser realizada com o auxílio de métodos e ferramentas de visão computacional. Portanto, o objetivo com a presente pesquisa é predizer a espessura de gordura subcutânea por meio do reconhecimento de imagens de ultrassom utilizando ferramentas de visão computacional. Foram coletadas 358 imagens de ultrassom do músculo em questão de ovinos criados em ambiente tropical. A medida da espessura de gordura subcutânea (EGS), a comprimento (COL) e profundidade (POL), foram registradas em mm, cm e cm, respectivamente, além da relação Ratio. A determinação das medidas EGS, POL e COL foram realizadas a partir de imagens ultrassonográficas capturadas por profissional treinado. As imagens coletadas foram levadas para anotação e, em seguida, compiladas em uma versão para processamento e extração das medidas da EGS utilizando a ferramenta online Roboflow. O conjunto de imagens foi dividido em imagens originais e imagens com limites EGS (máscaras de segmentação) para encontrar a região de interesse (EGS) nas imagens com dimensão padronizada (224-224-3 pixels). Durante a segmentação, a rede Yolov8 foi usada para processar e ajustar as imagens, enquanto os métodos shape, VGG e ResNet foram usados para validar e apresentar os resultados. As imagens foram agrupadas entre conjuntos treinamento do algoritmo (80%), validação (10%) e teste (10%). As métricas Jaccard Index e F1 score da segmentação foram usadas para verificar a similaridade entre os dois conjuntos de imagens. Para analisar os resultados da segmentação, três algoritmos de regressão foram utilizados na análise de regressão, Adabooster (ABR), Random Forest (RFR) e GradientBoosting (GBR). Para avaliar a qualidade da regressão, utilizaram-se as métricas de quadrados médios de resíduos (QMR), erro médio absoluto (EMA) e coeficiente de determinação de regressão (R²). Para comparar as médias reais e previstas de COL, POL, Ratio e EGS, foi realizada análise de variância e teste t de Student a 5% de probabilidade. Dentre os regressores utilizados, o RFR foi o que apresentou melhor desempenho, demonstrando a robustez deste regressor. As médias previstas pela ferramenta e as medidas pelo especialista não apresentaram diferenças significativas e o valor previsto apresentou menor variância que o valor real, o que confirma o potencial da ferramenta treinada e executada. Portanto, a mensuração automática desta medida pelo método computacional proposto a partir de imagens de ultrassom é promissora, pois apresenta maior precisão que as mensurações realizadas por técnico treinado. Além disso, não requer intervenção humana na delimitação da EGS, COL, POL e Ratio em ovinos. ABSTRACT: Sheep farming is a livestock activity present in all continents, therefore requiring good quality meat to meet market demand. In order to study carcass characteristics, the area of the Longissimus dorsi muscle is an important measurement, as it is positively associated with meat yield, while muscle thickness has an influence on carcass quality. Thus, knowledge and determination of these measurements are essential for the producer, and determination in the performance of these measurements can be performed with the aid of computer vision methods and tools. Therefore, the objective of this research is to predict the thickness of subcutaneous fat through the recognition of ultrasound images using computer vision tools. A total of 358 ultrasound images of the muscle in question were collected from sheep raised in a tropical environment. The measurement of subcutaneous fat thickness (SFT), length (COL) and depth (POL) were recorded in mm, cm and cm, respectively, in addition to the Ratio relationship. The determination of the SFT, POL and COL measurements were performed from ultrasound images captured by a trained professional. The collected images were taken for annotation and then compiled into a version for processing and extraction of the EGS measurements using the online tool Roboflow. The image set was divided into original images and images with SFT boundaries (segmentation masks) to find the region of interest (SFT) in the images with standardized dimension (224-224-3 pixels). During segmentation, the Yolov8 network was used to process and adjust the images, while the shape, VGG and ResNet methods were used to validate and present the results. The image set was divided between algorithm training (80%), validation (10%) and testing (10%). The Jaccard Index and F1 score metrics were used to verify the similarity between the two image sets. To evaluate the segmentation results, three regressors were used in the regression analysis, Adabooster (ABR), Random Forest (RFR) and GradientBoosting (GBR). To evaluate the quality of the regression, the mean square error (MSE), mean absolute error (MAE) and coefficient of determination (R²) were calculated. To compare the real and predicted means of COL, POL, Ratio and SFT, analysis of variance and Student's t-test at 95% probability were performed. Among the regressors used, RFR was the one that presented the best performance, demonstrating the robustness of this regressor. The means predicted by the tool and those found by the expert did not present significant differences, and the predicted value presented lower variance than the real value, which confirms the success of the trained and executed tool. Therefore, the automatic measurement of this measurement by the proposed computational method from ultrasound images is promising, as it presents greater precision than measurements performed by trained personnel. Furthermore, it does not require human intervention in the delimitation of SFT, COL, POL and Ratio in sheep