Desenvolvimento de um classificador cognitivo para estimativa de gordura intramuscular em bovinocultura de corte
Lucas Chiconini1, Verônica Madeira Pacheco2, Luciano Cássio Lulio3, Luciane Martello da Silva4, Saulo da Luz e Silva5
1 - Universidade de São Paulo (ZEB/FZEA/USP)
2 - Universidade de São Paulo (ZEB/FZEA/USP)
3 - Universidade de São Paulo (ZEB/FZEA/USP)
4 - Universidade de São Paulo (ZEB/FZEA/USP)
5 - Universidade de São Paulo (ZAZ/FZEA/USP)
2 - Universidade de São Paulo (ZEB/FZEA/USP)
3 - Universidade de São Paulo (ZEB/FZEA/USP)
4 - Universidade de São Paulo (ZEB/FZEA/USP)
5 - Universidade de São Paulo (ZAZ/FZEA/USP)
RESUMO -
Na bovinocultura de corte a qualidade da carne depende, dentre vários fatores, da qualidade nutricional da dieta oferecida aos animais, da genética, gênero, idade do rebanho, e do tipo de manejo adotado pelo produtor. Os parâmetros para a melhoria dos produtos são determinados pela indústria que visa atender o mercado consumidor. O crescimento populacional acompanhado da redução das áreas de pastagens e maior competitividade no cenário internacional têm desencadeado uma maior preocupação com a saúde e bem-estar animal e aumentado a produção e a exigência sobre a segurança e qualidade dos produtos oriundos da carne bovina. Neste contexto, é projetado e desenvolvido na corrente pesquisa um classificador cognitivo baseado em redes neurais artificiais para a identificação e reconhecimento de padrões em classes estatísticas de dados de gordura intramuscular na bovinocultura de corte, por meio de captação de imagens em ultrassonografia.
Palavras-chave: Bovinocultura de corte, qualidade de carne, redes neurais artificiais, processamento de imagens
Development of a cognitive classifier for intramuscular fat estimation in beef cattle
ABSTRACT - In cattle beef quality depends, among several factors, on the nutritional quality of the diet offered to the animals, on the genetics, gender, age of the herd, and the type of management adopted by the producer. The parameters for the products improvement are determined by the industry that aims to serve the consumer market. Population growth accompanied by reduced pasture areas and increased competitiveness on the international scene have increased the animal health and welfare concerns, and also increased production and demand for the safety and quality of beef products. In this context, it is designed and developed in the current research a cognitive classifier based on artificial neural networks for the identification and recognition of patterns in statistical classes of intramuscular fat data in beef cattle through ultrasound image processing. ReplyReply AllForwardEdit as newKeywords: artificial neural networks, cattle beef, image processing, meat quality,
Introdução
A pecuária de corte mundial tem buscado melhorar seus índices de produtividade valendo-se zootecnia de precisão, visando, através de tomadas de decisões, pastagens melhoradas, formulação de dietas adequadas e com o auxílio de novas tecnologias, aumentar a rentabilidade, reduzir custos e impactos ambientais e melhorar a qualidade dos produtos (CARTAXO et al., 2011). Em 2015, o Produto Interno Bruto do Brasil atingiu 5,9 trilhões de reais sendo que, em relação a esse total, o PIB do agronegócio e da pecuária representaram 21,5% e 6,8%, respectivamente. No rebanho brasileiro a tecnologia está cada vez mais presente, impulsionando os índices de produtividade e colaborando para uma pecuária cada vez mais eficiente (ABIEC, 2016). Apesar das exportações de carne bovina terem apresentado um recuo em 2015, em função de problemas enfrentados pelos principais mercados compradores da carne brasileira, sua participação representou 3% das exportações do país (BEEFPOINT, 2016). A análise de imagens de ultrassonografia e as redes neurais artificiais se inserem nestas novas tecnologias que têm contribuído para o aumento da automatização na produção. A ultrassonografia, técnica de diagnóstico através de imagens por ser um método seguro e não invasivo tanto para os homens, quanto para os animais, tem sido utilizada na pecuária para detecção de doenças e caracterização de tecidos, entre outras aplicações. Já as redes neurais artificiais, por se tratarem de uma ferramenta de gestão, auxiliam no diagnóstico de problemas, na tomada de decisões e vem, aos poucos, aumentando sua participação na agropecuária. Baseando-se na forma como o cérebro realiza uma tarefa particular as redes neurais artificiais são comumente utilizadas na solução de problemas complexos onde o comportamento das variáveis não é rigorosamente conhecido (FLECK, 2016). Com a inserção destas novas tecnologias e a necessidade de respostas rápidas, torna-se justificável o investimento em pesquisas que contribuam para o desenvolvimento e entendimento dessas novas ferramentas, bem como a forma como elas pode contribuir com o mercado da pecuária de corte. Portanto, o objetivo desse trabalho é desenvolver um classificador cognitivo, utilizando redes neurais artificiais, que estime a gordura intramuscular de bovinos de corte através de dados obtidos de imagens de ultrassonografia dos animais, já que esta é uma característica altamente associada à palatabilidade da carne e é dificilmente detectada em animais vivos.Revisão Bibliográfica
Gordura Intramuscular
A gordura intramuscular é um dos parâmetros comumente analisados em carcaças de bovinos por estar diretamente relacionada com sabor, aroma, maciez, cor, suculência, palatabilidade e o aspecto visual da carne, características importantes para o mercado consumidor. Esta deposição de gordura é resultante da nutrição, estado fisiológico e da genética dos animais e, analisá-las, contribui para o aumento da qualidade dos produtos e favorece pesquisas em melhoramento genético (PINHO, 2009). Nos países desenvolvidos, carnes ditas com mais marmoreio (maior porcentagem de gordura intramuscular) são consideradas de mais qualidade. Por outro lado, atualmente existe um nicho de mercado, interessado em adquirir produtos com menor porcentagem de gordura. De qualquer forma, verifica-se a importância da determinação de gordura intramuscular nos animais tanto pelo aspecto nutricional quanto comercial (AGROSOFT, 2008; IGARASI et al., 2008). Adicionalmente, se esta detecção ocorrer antes do abate, com o animal ainda vivo, poderá gerar vantagem comercial para o detentor desta informação. Normalmente a gordura intramuscular é avaliada entre a 12ª e a 13ª costela dos animais, através da observação da área transversal do músculo longissimus dorsi. Existem diversas técnicas de análise de gordura intramuscular como a análise química, análise visual, a impedância bioelétrica, a tomografia computadorizada, a ressonância magnética nuclear, as análises de imagens e vídeo imagens (MACHADO et al., 2013). A análise do perfil de ácidos graxos (análise química), além de determinar a quantidade de gordura, também determina a porcentagem dos diferentes ácidos graxos que compõe o tecido gorduroso e que podem ser maléficos ou benéficos à nossa saúde. A análise visual é feita de forma mais subjetiva, onde um avaliador indica uma nota ao marmoreio a partir da observação visual da área transversal do músculo longissimus dorsi, exposta pela área de olho de lombo. Já a impedância bioelétrica é uma técnica que parte do princípio que os tecidos muscular e gorduroso possuem resistências diferentes à passagem da corrente elétrica (PEREIRA, 2016). O diagnóstico por imagem por meio de raio X se trata da tomografia computadorizada e a ressonância magnética nuclear é a técnica de análise que detecta a absorção de energia em uma amostra exposta a campos magnéticos discretos. Os tecidos biológicos emitem frequências distintas, quando submetidos a um campo magnético com frequência de rádio sobreposta, por terem constituições físico-químicas diferentes (MADUREIRA et al., 2010). Além destas técnicas, existem outros tipos de análises de imagem e vídeo-imagem que fazem medidas de características de carcaça, substituindo um técnico qualificado. Cada uma destas técnicas possui suas particularidades, mas, em sua maioria, são aplicadas em carcaças de animais já abatidos ou se tratam de tecnologias caras dentro da realidade do país. Dessa forma a ultrassonografia em tempo real, técnica de análise de imagens e que não resulta no abate dos animais, apresenta vantagens por possibilitar a repetição de análises em um mesmo animal, redução de custos com mão de obra e diminuição das perdas por depreciação de carcaças (SUGUISAWA, 2002).Ultrassonografia
O surgimento de pesquisas relacionadas a ultrassonografia nos animais coincide com as suas aplicações na medicina. Em meados de 1956 foram observadas as primeiras publicações de avaliação animal onde mediu-se, utilizando ultrassonografia, a espessura de gordura do lombo em gados de corte nos Estados Unidos e em suínos, na Europa (STOUFFER, 2004). A partir desses estudos muitas outras aplicações de ultrassonografia foram aproveitadas para o diagnóstico de doenças, detecção de gestações, avaliação de diversos tipos de tecidos e acompanhamento de evoluções terapêuticas. Além destas contribuições, é uma técnica não invasiva, bem tolerada pelos animais e pelo homem e que não apresenta efeitos biológicos nocivos nem para o paciente, nem para o operador (SEOANE; GARCIA; FROES, 2011). Na bovinocultura de corte a ultrassonografia também tem sido estudada para determinar de forma precoce o acabamento de carcaça, encurtando os ciclos de produção, auxiliando na identificação de características genéticas desejáveis e aperfeiçoando os índices reprodutivos (FARIA et al., 2009). Dentre estas características, a área de olho de lombo, espessura de gordura e marmoreio (gordura intramuscular) podem ser mensuradas através da ultrassonografia e estão relacionadas com o ganho de peso diário, rendimento de carcaça, acabamento, sabor e suculência (CARTAXO et al., 2011; KIM et al., 1998). Mercadante et al. (2010) estudaram a repetitividade da mensuração de imagens de ultrassom da área do músculo longissimus dorsi e das espessuras de gordura subcutânea do lombo e da garupa obtidas de fêmeas da raça Nelore. Neto et al. (2009) correlacionaram medidas ultrassônicas com as tomadas na carcaça em bovinos terminados em pastagem. Os autores encontraram correlações positivas entre as medidas de 0,47 e 0,64 para áreas de olho de lombo e espessuras de gordura subcutânea do dorso, respectivamente. O princípio de funcionamento do aparelho de ultrassom é a transformação de pulsos elétricos em ondas de alta frequência que, ao encontrar diferentes tecidos, reflete parcial ou totalmente estes sinais, dependendo da densidade do material. Um transdutor emite estas ondas que, ao refletirem são novamente captadas e transmitidas a uma tela onde é possível ver as medidas realizadas. (POLIZEL NETO et al., 2009). As imagens são formadas em tons de cinza onde os pixels variam de intensidade entre 0 a 255 níveis de cinza, sendo 0 o nível de tonalidade preta e 255 a branca. Dessa forma muitas avaliações feitas nestas imagens valem-se de dados dos chamados histogramas, gráficos representativos desta distribuição de pixels nas diferentes intensidades de níveis de cinza. Apesar da grande utilização da ultrassonografia em pesquisas relacionadas com bovinos, há ainda alguns fatores que podem interferir na confiabilidade das medidas, como as limitações tecnológicas, a experiência do técnico que realiza a análise e as características dos tecidos dos animais, que podem sofrer modificações por processos químicos que ocorrem no post mortem (PERKIN, 1995 apud NETO, 2009). Assim sendo é importante o avanço em pesquisas na área de análise de imagens que contribuam para o aumento da acuracidade dos métodos de avaliação, diminuindo o tempo e minimizando algumas dúvidas que são inerentes ao trabalho humano. No Brasil há ainda carência em tecnologias neste sentido, o que faz com que o mercado nacional fique refém de tecnologias importadas, aumentando os custos de produção.Materiais e Métodos
O objetivo desse trabalho é desenvolver, utilizando redes neurais artificiais, um classificador que estime a gordura intramuscular em bovinos de corte através de dados de imagens de ultrassonografia coletadas entre a 12ª e 13ª costelas dos animais. Nestas imagens estão representadas a área de olho de lombo do animal ou músculo longissimus dorsi que, juntamente com a parte traseira no animal, são regiões comumente analisadas por estarem relacionadas com a produtividade (cálculo da área) e qualidade total da carcaça (análises do músculo, gordura superficial e intramuscular). Como os tecidos respondem de forma diferente à passagem do som, tecido muscular e gordura são representados por tonalidades diferentes nas imagens de ultrassom e, consequentemente, a análise destas imagens pode fornecer informações sobre a gordura intramuscular do tecido analisado. Dessa forma histogramas foram feitos de áreas selecionadas nas imagens de ultrassom com o intuito de se obter informações numéricas sobre a quantidade de pixels em cada nível de cinza da imagem. Tais dados foram organizados em planilha eletrônica e selecionados para serem utilizados como informações de entrada da rede neural artificial na tentativa de estimar a porcentagem de gordura intramuscular dos animais analisados. Como forma de avaliar a eficácia dos resultados obtidos e também para participar do desenvolvimento da rede neural foram utilizados dados de porcentagem de gordura dos mesmos animais obtidos por um software comercial.Captação das imagens
O equipamento utilizado para a captação das imagens possuí o seguinte princípio de funcionamento: um transdutor entra em contato com o animal através de cristais piezoelétricos que, com estímulo elétrico, vibram e transformam energia elétrica em energia magnética. Assim, as ondas saem do equipamento, são transmitidas e refletidas (parcial ou totalmente) pelos materiais e voltam a ser captadas pelo equipamento que consegue traduzir esta resposta em forma de imagem. As imagens são formadas em tons de cinza (0 → 255) e, quanto mais clara, maior é a resistência ao som oferecida pelo tecido analisado. Outra característica relacionada aos equipamentos de ultrassom refere-se à definição da imagem que, quanto maior a frequência, menor o comprimento de onda e, consequentemente, maior o poder de penetração e definição. O equipamento utilizado pelo professor possui 3,5 MHz de frequência, alcançando de 15-18 cm de profundidade. Para transformar o sinal analógico do equipamento em digital, uma placa digitalizadora foi utilizada, permitindo a visualização da imagem no computador.Análise das imagens de ultrassom
O software utilizado para análise das imagens foi o MATLAB (The MathWorks Inc.). Foram utilizadas 150 imagens de ultrassom representando 34 bovinos sendo que, em média havia 4 repetições de imagens para cada animal. Da mesma forma que a primeira etapa deste trabalho, histogramas foram feitos selecionando-se a área entre a 12ª e 13ª costela do animal com um retângulo de dimensões 120 por 56 pixels (figura 01). As dimensões do retângulo, em determinadas imagens, sofreram alterações, em função da espessura da camada, para que fossem selecionadas somente áreas de tecido que contribuíssem para a formação do histograma. Na figura 02 A, B, C podem ser vistos os histogramas referentes às áreas selecionadas da figura 01 A, B, C. Nela, são apresentadas a quantidade de pixels em cada nível de cinza da imagem analisada. Os histogramas possuem concentração de valores mais altos do lado esquerdo, demonstrando que a área selecionada da imagem possui tonalidades mais escuras, representados pelos pixels localizados em níveis mais próximos a zero. A diferença entre os histogramas se dá pela heterogeneidade da distribuição de gordura na área analisada, que é diferente para cada animal. Apesar disso, enquanto o histograma representado pela figura 02 A apresenta dois picos concentrados na região de níveis de cinza mais escuros (<30) correspondendo à imagem de ultrassom 01 A. Isto pode indicar que o animal representado por tal histograma possui menor quantidade de gordura intramuscular que os demais, já que os outros histogramas (figura 02 B, C) apresentam-se mais distribuídos entre as tonalidades de cinza e, como dito anteriormente, o tecido gorduroso é representado por pixels comparavelmente mais claros na imagem de ultrassom. Após serem feitos os histogramas de todas as imagens, os dados de pixels foram reagrupados em 6 novas regiões de níveis de cinza, sendo elas: 0 até 43, 44 até 85, 86 até 128, 129 até 170, 171 até 213 e 214 até 255 níveis de cinza. Dessa forma, de 0 até 43 níveis de cinza, os valores de pixels que compunham cada nível entre estes dois limites foram somados para representar essa nova região. O mesmo procedimento foi feito para as outras regiões e, além disso, foram feitas a média das imagens de cada animal e a porcentagem de cada média em relação a soma das médias. Estes dados foram exportados para uma base de dados e uma parte deles pode ser vista na tabela 01. Da mesma forma que foi observado nos histogramas da figura 02, as imagens com porcentagem de pixels mais distribuída entre as regiões de níveis de cinza indicam maior porcentagem de gordura na região analisada, como os animais 540195 e 539123. As médias das quantidades de pixels para cada animal também pode ser vista na figura 03.Resultados e Discussão
Como a análise inicial na metodologia baseou-se na identificação estatística dos dados distribuídos para cada intensidade dos pixels em níveis de cinza (heterogeneidade dos histogramas), os resultados se aplicam com o desenvolvimento e implementação de uma rede neural artificial para a classificação ideal dos parâmetros associados aos percentuais gradativos de gordura intramuscular de cada bovino.Desenvolvimento da rede neural artificial
O desenvolvimento da rede neural artificial foi feito em linguagem estruturada no MATLAB, usando a toolbox ANN para a calibração dos parâmetros de entrada, saída e função de ativação (LULIO, 2011). A estrutura da rede neural artificial foi feita em 5 passos: definição dos padrões de entrada, inicialização da rede, definição dos parâmetros de treinamento, treinamento e teste. A definição dos padrões de entrada da rede consistiu em fornecer os vetores de treinamento, o estimado e o teste que participarão da topologia da rede. O vetor de treinamento é criado para que a rede aprenda se há um padrão entre os dados inseridos que permita a estimativa dos valores de saída desejados. O vetor estimado define para a rede qual a saída desejada de acordo com os dados de entrada e deve ser caracterizado por valores de 0 e 1. Ele foi criado através de uma correspondência feita entre os valores de quantidade de pixels das imagens e os dados de gordura intramuscular (%gordura), conhecidos a priori. Assim, as condições definidas para o vetor estimado foram 50%, 75% e 100%, ou Gmin50, Gmax75 e Gmax100, respectivamente, para o intervalo percentual neural (%neural), que recebem o estado ‘verdade’ (1), quando a distribuição de pixels nos seis níveis de cinza estabelecidos, corresponderem com a associação definida nos parâmetros de treinamento e validação. Para não existir generalização dos resultados e para auxiliar o desempenho da rede é comum dividir o conjunto de dados entre os parâmetros de treinamento, validação e teste. Neste caso das 35 imagens, 70% compuseram o vetor treinamento, 15% delas foram utilizadas para validação e os outros 15 % para o teste. Estes dados são apresentados nas tabelas 02 e 03. No vetor teste são usados valores, relacionados aos dados de entrada, para que a rede utilize como teste. Neste caso o vetor teste fornecido englobou os valores de média da quantidade de pixels calculados para todos os animais nas 6 regiões de níveis de cinza (1493,3; 2758; 1756,6; 510; 100 e 45). O segundo passo consistiu em inicializar a rede definindo a quantidade de camadas, a quantidade de neurônios das camadas, definir os limites e o tipo de treinamento utilizado e as funções de ativação. No caso da rede neural desenvolvida neste trabalho, definiu-se quantidade de 20 neurônios para a primeira camada escondida e 3 neurônios na segunda camada. As funções de ativação utilizadas foram: tangente hiperbólica (tansig) para a camada escondida, e sigmoide (logsig) para a camada de saída. O algoritmo de treinamento utilizado foi o Backpropagation com o algoritmo de minimização de mínimos quadrados de Levenberg-Marquardt (trainlm). Backpropagation é o algoritmo supervisionado mais utilizado em redes neurais que faz o ajuste dos pesos iniciais da rede de acordo com a minimização do erro médio quadrático. Definidos estes parâmetros a função newff foi utilizada para a criação da rede. Os parâmetros de treinamento escolhidos para a rede foram 1000 e 10-4 respectivamente para número de épocas e o erro final desejado. Tais parâmetros funcionam como ponto de finalização do treinamento da rede, ou seja, quando uma destas condições for atingida, o treinamento é finalizado. A taxa de aprendizado considerada, que influencia na convergência do processo de aprendizado da rede foi de 0,01 e determinou-se que os dados fossem mostrados na tela a cada 10 épocas. Para treinamento da rede foi utilizada a função train associando os vetores de treinamento e o estimado com a rede criada. O último passo consistiu no treinamento da rede com as funções de simulação (sim) e saída (round). Após a realização dos treinamentos e simulações da rede neural, obteve-se como melhor treinamento aquele que apresentou um coeficiente de correlação linear (R) de 0,89 (figura 04) após a realização 1000 iterações (épocas), em um tempo de 8 segundos (figura 05). Este valor indica um alto índice de coincidência entre os valores estimados pela rede neural e os valores desejados. Outro parâmetro que influencia no processo de aprendizagem da rede é o termo de momentum (Mu) que pode ser incluído no cálculo do erro e influenciar na mudança dos pesos considerando o efeito das mudanças dos pesos de iterações anteriores. De acordo com a figura 06 verifica-se que o momentum se estabilizou em um valor igual a 10. Já o gradiente descendente, parâmetro que influencia a atualização dos pesos, se estabilizou em um valor próximo a 0,025. Apesar da estabilidade obtida e do alto valor de correlação (0,89) encontrado dentro das 1000 épocas estipuladas, o melhor desempenho atingido pela rede neural foi de aproximadamente 0,048, e não o valor de 10-4 inicialmente desejado como alvo para a rede. Este desempenho pode estar associado a baixa quantidade de valores que foram utilizados no treinamento da rede.Conclusões
As imagens de ultrassom analisadas e a rede neural artificial demonstraram grande potencial para estimativa de gordura intramuscular em bovinos de corte, mesmo com uma quantidade moderada de imagens analisadas, pode-se perceber uma boa correlação obtida entre a distribuição dos histogramas e as análises de gordura determinadas a priori. Além disso, a rede neural conseguiu convergir para uma estabilidade, apesar da minimização do erro não ter alcançado o valor desejado. Estes resultados podem ser melhorados com a análise de uma maior quantidade de animais e de imagens de ultrassom. Fazendo-se a análise com um maior número de dados, os parâmetros da rede neural podem ser melhor ajustados valendo-se de análises estatísticas ao invés de serem definidos empiricamente. Também, é de interesse na continuação deste trabalho, correlacionar resultados feitos em mais animais vivos com resultados de análises químicas de porcentagem de gordura feitos após o abate.Gráficos e Tabelas
