Resumo
O processo de tipificação determina o mercado para o qual a carcaça será direcionada, considerando sua qualidade. Atualmente, este processo é desenvolvido de maneira subjetiva, e, portanto, a confiabilidade desse pode ser comprometida. Neste sentido, ferramentas que permitam a avaliação objetiva da carcaça bovina in vivo e post mortem são de grande importância. Diante disso, nossos objetivos neste trabalho são (1) avaliar o efeito da classe sexual sobre a morfologia corporal ou de carcaças em bovinos e investigar as relações entre as medidas biométricas e os escores de acabamento atribuídos às carcaças em frigorifico comercial, (2) desenvolver um algoritmo de segmentação utilizando rede neural convolucional, capaz de realizar a segregação de diferentes tecidos em imagens digitais de carcaças, de forma automática, e, (3) desenvolver equações de predição da espessura de gordura subcutânea em bovinos utilizando meta-análise de dados experimentais. Foram utilizados dados de animais de diferentes composições genéticas, classes sexuais, idades e pesos. Os animais foram aleatoriamente selecionados nos currais de espera dos frigoríficos, identificados, submetidos a jejum de sólidos durante 16 horas, pesados e, concomitantemente, foram coletadas imagens do dorso do animal utilizando câmeras RGB-D. Após o abate, a carcaça de cada animal foi dividida longitudinalmente, em duas meias-carcaças, as quais foram pesadas e os escores visuais de gordura avaliados por profissionais treinados, sendo as carcaças resfriadas a 4 ºC por 24 horas. As meias-carcaças foram utilizadas para obtenção de imagens RGB-D. As imagens coletadas foram analisadas para mensuração dos parâmetros biométricos. Os dados foram analisados pelos procedimentos gerais de modelos lineares do SAS 9.0 (Statistical Analysis System Institute, Inc.) e, em seguida, as médias das diferentes classes sexuais foram comparadas pelo teste de Tukey (5%). Uma segunda etapa foi realizada utilizando as imagens coletadas como input para uma rede neural convolucional de segmentação (CNN). Na arquitetura da rede, o backbone convolucional utilizado foi a rede ResNeXt-101 combinada com Feature Pyramid Network. Os resultados obtidos indicam que há influência da classe sexual sobre o peso corporal, peso de carcaça e medidas biométricas. Os escores de gordura foram influenciados por medidas biométricas. Houve efeito do peso corporal no escore final e os animais mais pesados obtiveram os maiores escores de gordura. Comportamento semelhante a este foi verificado para a análise das carcaças, com as maiores médias dos parâmetros biométricos observadas para o escore uniforme. Porém, não houve efeito linear entre o escore de gordura e as medidas biométricas, havendo sobreposição das médias para os menores escores atribuídos às carcaças. No segundo estudo, a rede CNN foi capaz de detectar a proporção de tecidos com uma precisão de 66,5, 42,4 e 11,3%, usando sobreposições (IoU) de 25, 50 e 75%, respectivamente. A análise de imagens pode ser usada para obter medidas biométricas em bovinos e suas carcaças e para estimar o escore final de gordura da carcaça. Além disso, esta pesquisa contribui para a proposição de um método de segmentação de carcaças e tecidos o que pode auxiliar no desenvolvimento de sistemas automatizados de avaliação de carcaças.
The grading process determines the market to which the carcass will be directed, considering its quality atributes. Currently, in slaughterhouses the grading processes are developed subjectively and, therefore, the economic efficiency of these processes canbe compromised. In this sense, tools that allow the objective evaluation of the bovine carcass in vivo and post mortem are of great importance. Therefore, our objectives in this research are (1) to evaluate the effect of sex class on body or carcass morphology in bovine and to investigate the relationships between biometric measurements and fat scores assigned to carcasses in a commercial slaughterhouse. (2) To develop a segmentation algorithm using convolutional network, capable to perform the segregation of different tissues in digital images of carcasses, automatically, and, (3) develop equations to predict the rib fat thickness through meta-analysis of experimental data. Data from animals of different genetic compositions, sex classes, ages and weights were used. The animals were randomly selected in the at slaughterhouses, identified, subjected to solids fasting for 16 hours, weighed and, concomitantly, it was collected images of the animal dorsum using RGB-D cameras, for video image analysis. After slaughter, the carcass of each animal was divided longitudinally, in two half-carcasses, which were weighed and the visual fat scores was evaluated by trained professionals, and then carcass were cooled at 4 ºC for 24 hours. The hot half-carcasses were used to obtain the RGB-D images. The images collected were analyzed to measure the biometric parameters. Data were analyzed using general linear model procedures of SAS 9.0 (Statistical Analysis System Institute, Inc.) and, then the means of different sex classes were compared by the test of Tukey (5%). A second step was performed using the collected images as input to a segmentation convolutional network (CNN). In the network architecture, the convolutional backbone used was the ResNeXt-101 network combined with the Feature Pyramid Network. The obtained results indicate that there is influence of the sex class on body weight, carcass weight and biometric measures. Visual fat scores were influenced by biometric measurements. There was an effect of body weight on the final score and the heaviest animals had the highest fat scores. Similar behavior to this was verified for the analysis of the carcasses, with the highest means of the biometric parameters observed for the uniform score. However, there was no linear effect between the fat score and biometric measurements, with an overlapping of means for the lowest scores assigned to the carcasses. In the second study, the network CNN was able to detect the proportion of tissues with an accuracy of 66.5, 42.4 and 11.3%, using overlays (IoU) of 25, 50 and 75%, respectively. Image analysis can be used to obtain biometric measurements in bovine and their carcasses and to estimate the final carcass fat score. In addition, this research contributes to the proposition of a method of segmentation of carcasses and body tissues that can assist in the development of automated computer vision systems applied to the evaluation of carcasses in slaughterhouses.
Resumo
Pesquisas que buscam o desenvolvimento e a utilização de tecnologias para predizer peso, composição corporal e de carcaça in vivo, assim como para predizer os componentes físicos e químicos das carcaças ainda são escassos. Portanto, o objetivo neste trabalho é desenvolver equações de predição de peso, composição corporal e de carcaças a partir de mensurações biométricas obtidas por análise de imagens infravermelho de bovinos Nelore. O experimento foi conduzido no Departamento de Zootecnia da Universidade Federal de Viçosa. Sessenta novilhos Nelore foram utilizados, com idade e peso médio inicial de 8 ± 0,3 meses e 276 ± 24 kg, respectivamente. Os animais foram pesados a cada 28 dias e concomitantemente coletou-se imagens do dorso, a partir das quais os parâmetros corporais a serem analisados foram obtidos. Para capturar as imagens, utilizou-se um sensor infravermelho sincronizado com o software MATrix LABoratory. Os animais foram abatidos em três momentos diferentes, no início do experimento, com 380 kg e 480 kg de peso corporal. Após o abate, a carcaça foi dividida longitudinalmente e arrefecida a 4ºC por 24 horas. Posteriormente, as carcaças arrefecidas foram pesadas, e a área dos olhos do lombo (AOL) e a espessura da gordura subcutânea (EGS) foram mensuradas entre a 12ª e a 13ª costela da carcaça. Em seguida coletou-se imagens das meias carcaças esquerdas. Uma imagem de cada carcaça foi escolhida para obter os parâmetros biométricos a serem analisados. A seção entre a 9ª e 11ª costelas foi removida para estimação indireta da composição química e física da carcaça. Todos os procedimentos estatísticos foram realizados utilizando o software SAS 9.0 (Statistical Analysis System Institute, Inc.). A regressão Least Absolute Shrinkage and Selection Operator foi utilizada para selecionar as variáveis mais relevantes para prever o peso e a composição da carcaça e posteriormente, o procedimento REG foi utilizado para calcular o P-valor das variáveis selecionadas no GLMSELECT. A área do plano dorsal, volume, altura dorsal, largura do abdômen e o comprimento do corpo foram as medidas biométricas que apresentaram o melhor ajuste para estimar o peso corporal (r² = 0,88). As equações, incluindo as medidas biométricas, apresentaram coeficientes de determinação de 0,32, 0,45 e 0,62 para as porcentagens de músculo, osso e gordura nas carcaças. Quando as variáveis foram expressas em unidades de massa, apresentaram coeficientes de determinação de 0,99, 0,99 e 0,84 para as quantidades de músculo, osso e gordura nas carcaças. As equações estimaram as porcentagens de proteína bruta (r² = 0,20), extrato etéreo (r² = 0,99) e água (r² = 0,49) e também as quantidades de proteína bruta (r² = 0,99), extrato etéreo (r² = 0,99) e água (r² = 0,99) do corpo vazio. Em relação as características de carcaça, os parâmetros biométricos foram a melhor opção para estimar em unidades de massa o tecido muscular e a gordura nas carcaças, uma vez que as medidas são realizadas em intervalos e não apenas em regiões específicas como nos parâmetros tradicionais (AOL e EGS). As equações desenvolvidas apresentaram maiores coeficientes de determinação (R²) quando comparados com as equações geradas pelos parâmetros tradicionais. O R² das melhores equações preditivas foi: Considerando apenas parâmetros de área, músculo (kg): 96%, gordura (kg): 59%, extrato etereo (kg): 62% e 97% para proteína bruta. Considerando a inclusão simultânea de parâmetros de área e volume, músculo (kg): 96%, gordura (kg): 98%, extrato etereo (kg): 98% e proteína bruta (kg): 88%. Considerando a soma das diferentes seções, músculo (kg): 100%, gordura (kg): 98%, extrato etereo (kg): 21% e proteína bruta (kg): 99%. Para os parâmetros tradicionais, obtiveram-se os seguintes R²: Muscle (kg): 96%, Gordura (kg): 0,53, extrato etereo (kg): 0,53 e proteína bruta (kg): 75%. Frente aos resultados obtidos, este estudo apresenta-se como uma alternativa promissora para se avaliar a viabilidade do uso da análise de imagens como ferramenta para se avaliar característica relacionadas com conformação do corpo animal e rendimentos de cortes, além de proporcionar para os produtores e para a indústria frigorifica informações que poderão ser utilizadas para direcionar os animais e consequentemente a carne para mercados específicos.
Researches that seek to develop and use technologies to predict weight, body and carcass composition in vivo, as well as to predict the physical and chemical components of carcasses are still scarce. Therefore, the objective in this work is to develop equations of weight prediction, body composition and carcasses from biometric measurements obtained by infrared image analysis of Nellore cattle. The experiment was conducted out at the Zootecnia Department of the Universidade Federal de Viçosa. Sixty Nellore steers were used, with age and initial mean weight of 8 ± 0.3 months and 276 ± 24 kg, respectively. The animals were weighed every 28 days and, concomitantly, the back images were collected to obtain the body parameters. To obtain the images, an infrared sensor synchronized with MATrix LABoratory software was used. The animals were slaughtered at three different times, at the beginning of the experiment, with 380 kg and 480 kg of body weight. After slaughter, the carcass was split longitudinally and cooled to 4 ° C for 24 hours. Subsequently, carcasses were weighed, and rib eye area (REA) and back fat thickness (BFT) were measured between the 12th and 13th rib of the carcass. Then images of the left half carcasses were collected. An image of each carcass was chosen to obtain the biometric parameters to be analyzed. Then, the section between the 9th and 11th ribs was removed for indirect estimation of the chemical and physical composition of the carcass. All statistical procedures were performed using the SAS 9.0 software (Statistical Analysis System Institute, Inc.). The Least Absolute Shrinkage and Selection Operator regression was used to select the most relevant variables to predict the carcass weight and composition and later, the REG procedure was used to calculate the P-value of selected variables in GLMSELECT. The area of the dorsal plane, volume, dorsal height, abdomen width and body length were the biometric measurements that presented the best fit to estimate body weight (r² = 0.88). The equations, including the biometric measurements, presented coefficients of determination of 0.32, 0.45 and 0.62 for the percentages of muscle, bone and fat in the carcasses. When the variables were expressed in units of mass, they presented determination coefficients of 0.99, 0.99 and 0.84 for the amounts of muscle, bone and fat in the carcasses. The equations estimated crude protein (r² = 0.20), ethereal extract (r² = 0.99) and water (r² = 0.49), as well as crude protein (r² = 0.99), extract Ethereal (r² = 0.99) and water (r² = 0.99) of the empty body. Regarding the carcass characteristics, the biometric parameters were the best option to estimate the muscle tissue and fat in the carcasses in units of mass, since measurements are performed at intervals and not only in specific regions as in traditional parameters (REA and BFT). The developed equations presented higher coefficients of determination (R²) when compared with the equations generated by the traditional parameters. The R² of the best predictive equations was: Considering only area parameters, muscle (kg): 96%, fat (kg): 59%, ethereal extract (kg): 62% and 97% for crude protein (kg). Considering the simultaneous inclusion of area and volume parameters, muscle (kg): 96%, fat (kg): 98%, ethereal extract (kg): 98% and crude protein (kg): 88%. Considering the sum of the different sections, muscle (kg): 100%, fat (kg): 98%, ethereal extract (kg): 21% and crude protein (kg): 99%. For the traditional parameters, the following R² were obtained: Muscle (kg): 96%, Fat (kg): 0.53, ethereal extract (kg): 0.53and crude protein (kg): 75%. In light of the obtained results, this study presents a promising alternative to evaluate the feasibility of the use of image analysis as a tool to evaluate the characteristics related to animal body conformation and yields of cuts, besides providing for the producers and the Information that can be used to direct the animals and consequently the meat to specific markets.