PINTO, D. L. Uso de algoritmos computacionais para análise de imagens e
aplicações na produção animal: técnicas de Machine Learning para classificação
dos escores de marmoreio da área de olho de lombo. 69 f. Dissertação (Mestrado em
Ciências) – Faculdade de Medicina Veterinária e Zootecnia, Universidade São Paulo,
Pirassununga, 2021.
O presente estudo objetiva utilizar técnicas de Análises de Imagem e Visão
Computacional (VC), com o intuito de solucionar problemas ligados à área de
Produção Animal. Mais especificamente, investigou-se a possibilidade de
automatização do escore de marmoreio via métodos de visão computacional
aplicados em imagens .JPG. Tais imagens capturaram a região da área de olho de
lombo (AOL), oriundas de animais taurinos canadenses. Estas análises foram
conduzidas com o objetivo de auxiliar pequenas plantas frigoríficas durante o processo
de classificação do escore de marmoreio. Dessa forma, buscou-se neste estudo a
comparação de diferentes algoritmos de aprendizado de máquina tendo como entrada
de dados diferentes tipos de atributos extraídos de imagens da AOL. Para tal
finalidade, obtivemos acesso a um banco de imagens e mensurações (N = 7.704)
relacionadas à superfície do músculo Longissimus dorsi, extraídas a partir da 12ª e
13ª vértebras. Primeiramente, conduzimos um estudo relacionado à determinação da
porcentagem de gordura na AOL, via criação de algoritmo implementado em Python
(bibliotecas Numpy e OpenCV). Os resultados mostraram que o excesso de brilho em
algumas imagens levou o algoritmo a inflacionar em até 54% a GIM quando carcaças
do padrão ‘A’ foram consideradas, e em até 800% para as classificações “Prime”.
Posteriormente, apresentamos uma análise piloto como tentativa de segmentação
semântica, técnica que nos permite detectar objetos contidos numa mesma imagem
por meio de máscaras de cores distintas. Resultados preliminares sugerem que a
segmentação semântica possa ser utilizada como potencial ferramenta durante o
processo de classificação automatizada das AOL, desde que o tratamento prévio das
imagens seja efetivamente aplicado, principalmente em relação ao background,
rotação e luminosidade. Dois métodos de Machine Learning foram investigados com
o objetivo de classificar os escores de marmoreio automaticamente (Decision Tree -
DT e Random Forest - RF). Com a intenção de extrair atributos baseados nos padrões
e texturas das imagens, uma proposta de modificação do método LBP (Local Binary
Pattern) foi apresentada. Como resultado principal deste estudo, o subset formado
pelas imagens das classes A e AAA (N = 400, extremos para o escore de marmoreio),
apresentou os melhores resultados de acurácia (> 90%), para ambos os algoritmos.
Aumentando-se o número de imagens para 582 amostras de cada classe, o algoritmo
RF apresentou os melhores resultados (> 85%), quando comparado ao método DT
(77%). Tal declínio pode estar associado com a utilização de imagens previamente
classificadas erroneamente, via processo de avaliação subjetiva. Novo processo de
avaliação, conduzido por seis avaliadores externos, encontra-se em fase de conclusão
para repetição dos experimentos. Em conclusão, nosso trabalho obteve resultados
classificatórios satisfatórios, além de apresentar uma nova metodologia para extração
de atributos (LBP), anteriormente aplicado somente em áreas externas à produção
animal. Métodos supervisionados requerem que a definição de labels seja conduzida
com eficácia para a obtenção correta de padrões em processos classificatórios.