SmartUS: inteligência artificial e visão computacional para a pecuária de precisão

• Processo: 19/09084-9
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de abril de 2020
• Data de Término da vigência: 30 de abril de 2021
• Área do conhecimento: Ciências Agrárias - Zootecnia
• Pesquisador responsável: Mateus Modesto
• Beneficiário: Mateus Modesto
• Empresa: Avaltech Inovações para Agropecuária Ltda
• CNAE: Atividades de apoio à pecuária ; Desenvolvimento de programas de computador sob encomenda ; Desenvolvimento e licenciamento de programas de computador customizáveis
• Município: Piracicaba
• Pesquisadores principais: Roberto Daniel Sainz Gonzalez
• Pesquisadores associados: Alan Caio Rodrigues Marques ; Fabiano Rodrigues da Cunha Araújo ; Tiago Zanett Albertini ; Yuri Baldini Farjalla
• Bolsa(s) vinculada(s): 20/08400-1 - SmartUS: inteligência artificial e visão computacional para a pecuária de precisão, BP.TT; 20/08399-3 - SmartUS: inteligência artificial e visão computacional para a Pecuária de precisão, BP.PIPE
• Assunto(s): Aprendizado computacional Visão computacional Bovinos de corte Confinamento Carcaça Pecuária Abate
• Palavra(s)-Chave do Pesquisador: Bovinos de corte | classificação de carcaça | confinamento | machine learning | Pecuária de Precisão | Ponto ótimo econômico de abate | classificação e composição de carcaça

Resumo

Avanços nas tecnologias da informação, automação e mensuração em tempo real, associados a softwares para gerenciar essas informações, abrem oportunidades de manejo individual de bovinos de corte, ou seja, aplicação do conceito de pecuária de precisão. Devido à heterogeneidade dos animais em cada lote, cada animal atinge o Ponto Ótimo Econômico de Abate (POE) em datas diferentes. Para superar essa limitação, seria necessário comercializar cada indivíduo em seu POE, seja pela decomposição dos lotes durante a engorda, seja pela formação de lotes homogêneos antes ou no início do confinamento. A primeira opção implica em um transtorno operacional com impactos no desempenho e bem-estar dos animais e no custo de produção. A segunda requer uma ferramenta de auxílio à tomada de decisões que, usando informações da dieta, animal (e.g., sexo, peso, idade, raça, escore corporal, conformação, frame, entre outras) e carcaça (gordura subcutânea, área de olho de lombo e AOL) via ultrassonografia. Estes serão aliados a um modelo dinâmico que simula o crescimento e a evolução da qualidade (e o valor) da carcaça, estimando um POE para cada indivíduo. O principal desafio em ambos casos é obter informações acuradas e precisas da composição corporal dos animais na entrada ou durante o confinamento. A ultrassonografia em tempo real permite essa avaliação, porém limita a escala comercial da tecnologia devido ao custo e tempo para processar cada animal. Para superar este desafio a proposta tem o objetivo de substituir o ultrassom por um sistema de câmeras e algoritmos inteligentes para avaliação da composição corporal e caracterização do animal. A primeira etapa será a coleta e organização de uma base de dados com dados fenotípicos completos (animais e carcaça) utilizando avaliadores treinados, ultrassonografia e imageamento por câmeras inteligentes de 2.000 animais. Na segunda etapa, a base de dados será usada para o desenvolvimento de algoritmos para estimar o grau de acabamento de carcaça (GAC) por imageamento com câmeras inteligentes aplicando as técnicas de machine learning baseadas em redes convolucionais profundas. Os animais terão os dados separados em m grupos para aplicação das técnicas de validação cruzada, permitindo realizar m-1 rodadas avaliando a qualidade da predição do GAC e diminuindo o viés. No PIPE Fase 2, esses algoritmos serão incorporados ao sistema proposto neste projeto (nomeado SmartUS), integrado aos projetos NanoBeef (Sainz e Farjalla, 2013) validados com uma base de dados independente, podendo ser acoplado a outros sistemas como o BeefTrader (Processo FAPESP 2015/07855-7) e Brazil Beef Quality (2016/15395-9). Os produtos principais do projeto serão: i) a primeira base de dados de treinamento e avaliação do GAC com o uso de avaliações visuais, ultrassonográficas e por machine learning; ii) o desenvolvimento do algoritmo SmartUS de predição do grau de acabamento de carcaça sem o uso do ultrassom para a predição do ponto ótimo econômico de abate; iii) publicação científica internacional. (AU)