Arroba Digital
Estimativa de Peso Bovino por Segmentação de Imagens e Descritores Morfométricos
Palavras-chave:
Pecuária de Precisão, Segmentação de Imagens, Descritores Morfométricos, Estimativa de Peso BovinoResumo
Este artigo apresenta o Arroba Digital, um protótipo que busca estimar o peso de bovinos a partir de fotos tiradas de cima. A rede YOLOv8 separa o animal do fundo da imagem, e nove medidas do seu contorno, como área, comprimento e largura, são usadas por seis algoritmos de regressão. Como existem poucas bases de imagens públicas, foi utilizada a CowDatabase, com 103 bovinos, sendo 83 para treino e 20 para teste. O melhor resultado apresentou erro médio de 41,91 kg, obtido com regressão linear, ainda elevado para uso prático. A análise das imagens indicou que o movimento dos animais e a inclusão da cabeça e das orelhas no contorno influenciam as medidas. Esses achados orientam os próximos passos do trabalho, que incluem a padronização das fotos e a medição apenas do tronco e da anca, regiões mais representativas do peso do animal.
Referências
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32. https://doi.org/10.1023/A:1010933404324.
Cominotte, A., Fernandes, A. F. A., Dorea, J. R. R., Rosa, G. J. d. M., Ladeira, M. M., van Cleef, E. H. C. B., Pereira, G. L., Baldassini, W. A., and Machado Neto, O. R. (2020). Automated computer vision system to predict body weight and average daily gain in beef cattle during growing and finishing phases. Livestock Science, 232:103904. https://doi.org/10.1016/j.livsci.2019.103904.
Dohmen, R., Catal, C., and Liu, Q. (2022). Computer vision-based weight estimation of livestock: a systematic literature review. New Zealand Journal of Agricultural Research, 65(2-3):227–247. https://doi.org/10.1080/00288233.2021.1876107.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5):1189–1232. https://doi.org/10.1214/aos/1013203451.
Jocher, G., Chaurasia, A., and Qiu, J. (2023). Ultralytics YOLOv8. https://docs.ultralytics.com/models/yolov8/. Acesso em: 30 set. 2026.
OpenCV (2026). Contour properties. https://docs.opencv.org/4.x/d1/d32/tutorial_py_contour_properties.html. Acesso em: 30 set. 2026.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830. https://jmlr.org/papers/v12/pedregosa11a.html.
Ruchay, A., Kober, V., Dorofeev, K., Kolpakov, V., and Miroshnikov, S. (2020a). Accurate body measurement of live cattle using three depth cameras and non-rigid 3-D shape recovery. Computers and Electronics in Agriculture, 179:105821. https://doi.org/10.1016/j.compag.2020.105821.
Ruchay, A., Kober, V., Dorofeev, K., Kolpakov, V., and Miroshnikov, S. (2020b). CowDatabase: RGB-D data and manual measurements for 103 Hereford cattle. https://github.com/ruchaya/CowDatabase. Acesso em: 30 set. 2026.
Scikit-learn (2026a). Common pitfalls and recommended practices. https://scikit-learn.org/stable/common_pitfalls.html. Acesso em: 30 set. 2026.
Scikit-learn (2026b). Decomposing signals in components: principal component analysis. https://scikit-learn.org/stable/modules/decomposition.html. Acesso em: 30 set. 2026.
Smola, A. J. and Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3):199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88.
Tasdemir, S., Urkmez, A., and Inal, S. (2011). Determination of body measurements on the Holstein cows using digital image analysis and estimation of live weight with regression analysis. Computers and Electronics in Agriculture, 76(2):189–197. https://doi.org/10.1016/j.compag.2011.02.001.
Weber, V. A. d. M., Weber, F. d. L., Gomes, R. d. C., Oliveira Junior, A. d. S., Menezes, G. V., Abreu, U. G. P. d., Belete, N. A. d. S., and Pistori, H. (2020a). Prediction of Girolando cattle weight by means of body measurements extracted from images. Revista Brasileira de Zootecnia, 49:e20190110. https://doi.org/10.37496/rbz4920190110.
Weber, V. A. d. M., Weber, F. d. L., Oliveira Junior, A. d. S., Astolfi, G., Menezes, G. V., Porto, J. V. d. A., Rezende, F. P. C., Moraes, P. H. d., Matsubara, E. T., Mateus, R. G., Araújo, T. L. A. C. d., Silva, L. O. C. d., Queiroz, E. Q. A. d., Abreu, U. G. P. d., Gomes, R. d. C., and Pistori, H. (2020b). Cattle weight estimation using active contour models and regression trees Bagging. Computers and Electronics in Agriculture, 179:105804. https://doi.org/10.1016/j.compag.2020.105804.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Jair Augusto Dério Boeing, Vitor Hugo de Oliveira Morgante, Marcelo Figueiredo Terenciani, Rafael Henrique Dalegrave Zottesso (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.
Os autores mantêm os direitos autorais sobre os trabalhos publicados nesta revista, concedendo à SETIF o direito de primeira publicação. O conteúdo está licenciado sob uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional (CC BY-SA 4.0), que permite copiar, redistribuir, remixar, transformar e criar a partir do material para qualquer finalidade, inclusive comercial, desde que seja atribuída a autoria e feita referência à publicação original neste local.
Os autores concordam que qualquer reutilização de seu trabalho por terceiros deve incluir o nome dos autores, o título do artigo, o nome da revista, o DOI (quando disponível) e o link para a licença.
É permitido e incentivado que os autores disponibilizem a versão publicada do trabalho em repositórios institucionais, sites pessoais ou redes acadêmicas imediatamente após a publicação, com menção à publicação inicial nesta revista.
