0
A detecção precisa do cio é essencial para otimizar o desempenho reprodutivo das matrizes. O método convencional de detecção de cio é baseado em um teste de pressão nas costas da matriz.
Objetivo: Este estudo apresenta um método automatizado para detecção de cio em matrizes alojadas em gaiolas individuais utilizando um sistema robótico de processamento de imagens e redes neurais.
Métodos: Um sistema de imagem robótico, composto por uma câmera LiDAR, foi usado para monitorar um grupo de matrizes em gaiolas em intervalos de 10 minutos e capturar suas posturas e volume vulvar. Os dados da imagem foram analisados usando um processo desenvolvido anteriormente.
Resultados: Foram observadas alterações significativas nos índices diários de posição ereta, decúbito esternal e decúbito lateral, frequência de mudança de postura e volume vulvar antes do início do cio. Uma arquitetura de modelo de rede neural convolucional 1-D foi desenvolvida para detecção de estro usando dias desde o desmame, características comportamentais e características do volume vulvar como entradas. Os modelos de detecção de cio foram avaliados usando validação cruzada de 10 vezes. A precisão do treinamento e teste do modelo de detecção foi de 96,1 ± 2,0% e 92,3 ± 10,1% ao usar dias desde o desmame e características comportamentais como dados. A precisão do treinamento e teste do modelo aumentou para 98,1 ± 2,4% e 98,0 ± 4,2% quando recursos de volume vulvar foram adicionados.
Conclusão: Embora seja difícil rastrear o comportamento de matrizes alojadas em grupo, a combinação das características do volume vulvar com os dias desde o desmame pode ser um método adequado para detectar o início do cio nessas matrizes. A precisão do treinamento e teste deste método de detecção de cio foi de 97,9 ± 1,4% e 95,2 ± 4,8%. No entanto, é necessária uma validação adicional em condições reais das fêmeas alojadas em grupo.
Ziteng Xu, Jianfeng Zhou, Corinne Bromfield, Teng Teeh Lim, Timothy J. Safranski, Zheng Yan, Jeffrey G. Wiegert. Automated oestrous detection in sows using a robotic imaging system. Biosystems Engineering. 2024; 244: 134-145. https://doi.org/10.1016/j.biosystemseng.2024.05.018.