ANÁLISE DE IMAGENS E BIOMETRIA NA IDENTIFICAÇÃO DE MATERNIDADE DE OVOS DE CODORNA

RESUMO

Codornas são animais modelo para diversas áreas das ciências da vida, bem como uma importante espécie para produção de carne e ovos ao redor do mundo. A produção de ovos, seja como alimento ou como meio reprodutivo, frequentemente se dá em gaiolas coletivas, dificultando a identificação individual para controle da produção e em programas de melhoramento genético. O objetivo do presente trabalho foi testar algoritmos de aprendizado estatístico e esquemas de alojamento de codornas que otimizem a identificação da produção, baseada em características externas de seus ovos. Foram utilizados dados de 90 aves, com no mínimo dez ovos cada, sendo testados quatro algoritmos de aprendizado estatístico usando validação cruzada, além de verificar a influência do número de codornas por gaiola e métodos para designar aves a cada gaiola. Os modelos de melhor desempenho consistem no uso de dez variáveis do ovo peso, largura, altura, proporção de área da casca com padrões, intensidade de vermelho, de azul e de verde, matiz, saturação e luminosidade da cor de fundo dos ovos. A acurácia da classificação é aumentada em gaiolas com menor número de codornas (máxima com três aves) e com direcionamento para aumento da variância dentro de gaiola. O método apresentado mostra viabilidade para uso prático e tem possibilidade de melhoria pelo uso futuro de novas variáveis e métodos mais avançados.

ABSTRACT

Quail are animal models for many fields of life sciences, as well as an important species for meat and egg production worldwide. Egg production, both as food or as for breeding purposes is often based on multiple-hen cages, hindering individual identification for control of production and in-breeding programs. The aim of the present study was to test algorithms of statistical learning and housing schemes for quail that optimize individual laying control based on quail egg external features. 90 birds were used, with a minimum of ten eggs each, four statistical learning algorithms with cross-validation were tested, as well as verifying the influence of number of quail per cage and methods to assign the birds to each cage. Model with better performance consist in the use of ten variables per egg weight, height, width, eggshell ratio of patterned area, hue, saturation, lightness, intensity of red, green, and blue of egg background color. The classification accuracy increases when cages have less quail (maximum of three birds) and aimed to increase inside-cage variance. The present method shows feasibility for real-world data and with possibility of improvements with new features and more advanced methods.