VirtualVet: plataforma de inteligência para identificação precoce de distúrbios de origem fisiológica e ambiental em bovinos de corte

• Processo: 19/09133-0
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Vigência: 01 de fevereiro de 2020 - 31 de janeiro de 2021
• Área do conhecimento: Ciências Agrárias - Zootecnia - Produção Animal
• Pesquisador responsável: Bruna Nunes Marsiglio Sarout
• Beneficiário: Bruna Nunes Marsiglio Sarout
• Empresa Sede: Tech Inovações Tecnológicas para a Agropecuária S/A
• CNAE: Criação de bovinos
• Município: Manaus
• Pesquisadores associados: Alan Caio Rodrigues Marques ; Thiago Sérgio de Andrade
• Bolsa(s) vinculada(s): 20/01325-4 - VirtualVet: plataforma de inteligência para identificação precoce de distúrbios de origem fisiológica e ambiental em bovinos de corte, BP.PIPE
• Assunto(s): Comportamento animal Inteligência artificial Aprendizado computacional Sensores Ritmo circadiano Pecuária Bovinos de corte
• Palavra(s)-Chave do Pesquisador: Comportamento animal | Inteligência Artificial | machine learning | Pecuária de Precisão | Ritmo circadiano de variáveis comportamentais | Sensores | Pecuária de precisão

Resumo

Em 2018 a pecuária de corte brasileira movimentou aproximadamente 2 bilhões de reais com sanidade animal, valor este que está subestimado, pois não contempla as perdas financeiras devido ao impacto da morbidade e mortalidade. A detecção tardia, de animais de baixo desempenho devido a falhas de manejo e doenças, afeta negativamente o bem-estar animal, bem como coloca o lote em risco quando se trata de um problema sanitário contagioso. Sendo assim, uma plataforma de inteligência que permita a identificação precoce desses problemas, irá possibilitar uma rápida intervenção no manejo e tratamento de doenças. A intervenção precoce terá impacto positivo no desempenho zootécnico, saúde, lucratividade da atividade e bem-estar. A melhora no bem-estar animal pode ser valorizada pelo consumidor final, que está disposto a pagar mais pela carne destes animais. Hoje é vivenciada a quarta revolução industrial, caracterizada por um conjunto de tecnologias que permitem a fusão do mundo físico, digital e biológico. E com isso, a agropecuária vem evoluindo na busca da integração dos sensores, que coletam dados biológicos de animais, com uma rede inteligente de processos formada por algoritmos preditivos. O uso desses sensores na pecuária possibilita a realização do primeiro passo: formação de uma base de dados com observações diárias e detalhadas por indivíduos, para o desenvolvimento dos algoritmos integrados a sistemas de apoio à tomada de decisão. O objetivo principal deste projeto é a coleta de dados para o desenvolvimento de algoritmos preditivos baseados no estudo do ritmo circadiano de variáveis comportamentais de bovinos de corte em confinamentos. O desafio é desenvolver algoritmos que permitam a detecção de problemas de forma rápida e precisa visando a intervenção precoce e minimizando impactos negativos no bem-estar animal e desempenho zootécnico. A inovação final será uma plataforma de inteligência (o VirtualVet) que permitirá a identificação, em tempo real e preditiva, de distúrbios de origem fisiológica e ambiental (intempéries climáticas, erros de manejo, entre outros fatores de influência externa) em bovinos de corte. Para isso, os animais monitorados pela tecnologia BeefTrader (Processo FAPESP 2015/07855-7) terão seus dados individuais coletados por meio de balanças automáticas e câmeras inteligentes. Variáveis comportamentais serão coletadas juntamente com o peso. Dados meteorológicos serão coletados diariamente (temperatura, umidade e pluviosidade). Com base nos dados diários, será feita a identificação dos animais de baixo desempenho e doentes, que serão avaliados por exames clínicos, sanguíneos e laboratoriais. Os efeitos ambientais também serão considerados como variáveis explicativas. Será calculado o parâmetro DFC (Degree of Functional Coupling) que representa a força do ritmo circadiano (0 a 100%) de variáveis comportamentais. Para cada indivíduo, será delineada a curva resposta do DFC em escala diária. Técnicas de machine learning como random regression models e redes neurais serão utilizados para mensurar a variação entre indivíduos e detectar desvios. Os principais resultados esperados são: 1) criar um banco de dados de indivíduos avaliados diariamente, que permita caracterizar problemas de saúde, manejo e clima que impacte no bem-estar, desempenho zootécnico e, consequentemente no lucro da atividade; 2) obter o parâmetro DFC médio por animal como métrica de escore de bem-estar animal; 3) estudar o ritmo circadiano de variáveis comportamentais de bovinos de corte para o desenvolvimento de algoritmos com potencial em identificar precocemente distúrbios de origem fisiológica e ambiental. Os resultados serão usados no desenvolvimento da plataforma de inteligência VirtualVet e serão apresentados em evento técnico-científico internacional. (AU)