A aplicação combinada de visão computacional e algoritmos de aprendizado de máquina (machine learning) provou ser capaz de identificar alterações comportamentais precoces em suínos causadas por estresse térmico, ventilação deficiente e infecções bacterianas. Desenvolvido por uma força-tarefa de pesquisadores da Coreia do Sul e de Bangladesh, o sistema de monitoramento contínuo analisa padrões de movimentação e postura, oferecendo uma ferramenta automatizada para a gestão da saúde e do bem-estar animal em granjas comerciais.
Resumo Técnico e Desempenho dos Modelos de Inteligência Artificial
| Parâmetro / Categoria | Especificação do Estudo | Aplicação Prática no Manejo |
| Tecnologias Utilizadas | Visão computacional integrada a algoritmos de aprendizado de máquina | Monitoramento autônomo 24/7 sem necessidade de manejo invasivo |
| Estressores Avaliados | Calor extremo, ventilação inadequada e infecção por Salmonella typhimurium | Diagnóstico precoce de falhas de ambiência e surtos sanitários |
| Detecção de Anomalias (Geral) | Árvore de Decisão (Decision Tree) | Melhor modelo para diferenciar rapidamente o estado normal do alterado |
| Classificação Multiclasse | Extreme Gradient Boosting (XGBoost) | Maior acurácia para identificar a causa específica do estresse |
Destaques da Pesquisa e Padrões Comportamentais
-
Mapeamento de posturas: O sistema categorizou cinco estados principais: condição normal, estresse térmico isolado, estresse térmico combinado a falhas de ventilação, calor associado à infecção por Salmonella typhimurium e fase de recuperação.
-
Assinatura do estresse térmico: Sob altas temperaturas e ventilação inadequada, os suínos reduziram drasticamente o tempo em pé e a frequência no comedouro, aumentando a permanência em repouso (deitados) e a busca por água para termorregulação.
-
Indicador de infecção sanitária: A combinação de calor com a infecção por Salmonella provocou a maior queda na atividade alimentar do lote e a elevação dos períodos de prostração e repouso.
-
Sinais de recuperação: Durante a fase de convalescença, os animais voltaram a apresentar comportamento ativo, com aumento no tempo em pé, ingestão regular de ração e interação social.
De acordo com a médica veterinária Samaneh Azarpajouh, a integração de câmeras a modelos preditivos permite antecipar problemas que muitas vezes passam despercebidos nas inspeções visuais rotineiras: “Diferentes fatores estressantes produzem alterações comportamentais distintas na alimentação, na ingestão de água, no repouso e na posição em pé dos animais. O monitoramento automatizado por visão computacional abre portas para intervenções zootécnicas e veterinárias muito mais rápidas.”
Segundo os cientistas responsáveis pelo experimento, o comportamento do plantel variou de forma diretamente proporcional à severidade dos fatores ambientais e sanitários impostos: “Quando o estresse térmico foi somado à ventilação inadequada, os suínos apresentaram um aumento ainda mais expressivo no comportamento de deitar e beber água do que sob calor isolado, evidenciando uma resposta direta de adaptação metabólica. Já a presença de infecção reduziu ao patamar mínimo a busca por alimento.”
Conforme destacam os autores da pesquisa, a escolha do algoritmo de inteligência artificial varia conforme o objetivo operacional da granja: “O modelo de Árvore de Decisão apresentou o melhor desempenho na distinção rápida entre comportamento normal e anômalo, sendo ideal para sistemas de alerta em tempo real. Por sua vez, o XGBoost destacou-se na diferenciação entre múltiplos fatores de estresse, demonstrando que a visão computacional consegue diagnosticar com precisão a causa específica do desconforto no lote.”
