O documento apresenta um classificador baseado em lógica difusa para estimar o nível de estresse térmico em bovinos de corte, integrando variáveis ambientais e fisiológicas. O classificador foi desenvolvido utilizando temperatura de bulbo seco, umidade relativa do ar e temperatura da superfície corporal medida por termografia de infravermelho como entradas, e classifica a saída em três níveis de estresse térmico. Os resultados indicam que o classificador apresenta alto nível de acerto na classificação quando comparado à temper
A EXTENSÃO RURAL NO BRASIL Sociologia e Extensão 1 2014.ppt
Estimativa de estresse térmico de bovinos de corte utilizando classificador baseado em lógica difusa
1. Estimativa de estresse térmico de bovinos
de corte utilizando classificador baseado em
lógica difusa
Rafael V. de Sousa1, Tatiana F. Canata e Luciane S. Martello
1 Professor Dr. – Departamento de Engenharia de Biossistemas
Faculdade de Zootecnia e Engenharia de Alimentos da Universidade de São Paulo (FZEA – USP)
2. Introdução
Pecuária Nacional
■ Cenário da produção animal no Brasil:
❑ o segundo maior produtor e o maior exportados de carne,
❑ produtividade em cabeças por hectare cresceu 25% em 10 anos,
❑ Instrução Normativa no. 56 - Recomendações de Boas Práticas de
Bem-estar para Animais de Produção e de Interesse Econômico.
■ Perspectivas do Ministério da Agricultura, Pecuária e
Abastecimento:
❑ aumento da produção de 22% em 10 anos,
❑ avanço da produtividade e do bem-estar animal.
3. Introdução
Produtividade e Bem-Estar
■ Conforto/Estresse térmico animal tem um impacto importante no
crescimento e no bem-estar animal.
■ Resposta ao estresse térmico envolve a termorregulação:
❑ aumento de atividade dos mecanismos para a perda de calor,
❑ reduz as funções essenciais do organismo e a ingestão de alimentos.
■ Fatores relacionados com a condição/nível de estresse térmico:
❑ Ambientais: temperatura do ar, umidade, radiação, vento …
❑ Fisiológicos: temperatura retal, frequência respiratória, temperatura da
superfície da corporal …
4. Introdução
Nível de Estresse Térmico
■ Importante tendência: aplicação de
tecnologia para monitorar o
comportamento, a saúde e o
crescimento dos animais – ex. índices
de estresse térmico.
❑ Índices de temperatura-umidade: obtidos
por estatística, são tradicionalmente
utilizados com variáveis ambientais.
❑ Termografia de Infravermelho (TIV):
medida direta da transferência de calor
através da radiação emitida por corpos.
❑ Algoritmos baseados em inteligência
artificial para classificar e/ou estimar em
níveis o estresse térmico.
Ex.: National Research Council (1971):
ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x
(1.8 x TBS – 26.8)
TBS: temperatura de bulbo seco
UR: umidade relativa do ar
NASCIMENTO et al., 2011 HELLEBRAND et al., 2003
BROWN-BRANDL et al., 2006
cv
cv
cv
5. Objetivo
Classificador Fuzzy e TIV
Desenvolver um classificador baseado em Lógica Difusa (Fuzzy) que
integra varáveis ambientais e fisiológicas para determinar o nível
de estresse térmico em bovinos.
■ Utilização de sensor não invasivo para medida de variável
fisiológica – termografia de infravemelho.
■ Viabilizar o desenvolvimento de sistema de automação para
criadouros.
■ Alimentar sistemas informação para suporte a tomada de decisão.
6. Materiais e Métodos
Classificador Fuzzy
Sistema Fuzzy
Modelagem da
Resposta
Fisiológica do
Animal
Temperatura
de Bulbo Seco
(TBS)
Umidade
Relativa do Ar
(UR)
Termografia
Infravermelho
(TIV)
Classificação
Evidência Empírica
7. Materiais e Métodos
Projeto do Classificador Fuzzy
Aquisição
de Dados
• 18 bovinos Nelore, 10 dias, 3 medições por dia (8h , 12h e 16h)
• Estação climatológica (Campbell Scientific 21XI(L): temperatura (TBS) e umidade (UR)
• Câmera de infravermelho (TiS 9 Hz Fluke): temperatura da superfície corporal (TIV)
• Termômetro clínico: temperatura retal (TR)
Análise
Estatística
• Software SAS (Statistical Analysis System)
• Correlação de Pearson
• TIV com TR: melhor correlação da TR com temperatura da superfície corporal
• TIV com TR: classificação de intervalos de TIV em função de intervalos de estresse TR
Classificador
Fuzzy
• Software MATLAB (MathWorks)
• Classificador Fuzzy: CF
• Entradas: TBS, UR e TIV
• Saída: TR estimada (TRE)
8. Materiais e Métodos
Implementação e Validação do Classificador
■ Parâmetros de implementação:
❑ formas triangular e trapezoidal para compor a funções de pertinência,
❑ Método Mamdani baseado em composição Max-Min para inferencia,
❑ Saídas crisp obtidas pelo Método do Centróide (Defusificação).
■ Validação:
❑ comparação TR (medição) com TRE (estimação),
❑ comparação com ITU proposto por NRC(1971).
ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x (1.8 x TBS – 26.8)
9. Resultados
Temperatura Retal como Referência
Melhor correlação entre TR e
TIV - Fronte
9
Nível de
Estresse
TR (°C) TIV (°C)
Conforto (C) ≤ 39.0 ≤ 35.0
Crítico (Cr) 39.1 – 39.4 35.1 – 35.4
Perigo (P) ≥ 39.5 ≥ 35.5
11. Resultados
Base de Regras
Se...
TBS UR TIV
Então...
TR
B B B C
B B M C
B B A C
. . . .
M M B C
M M M Cr
M M A Cr
. . . .
A A B Cr
A A M P
A A A P
Nível de Estresse TR (°C) TIV (°C)
Conforto (C) / Baixo (B) ≤ 39.0 ≤ 35.0
Crítico (Cr) / Médio (M) 39.1 – 39.4 35.1 – 35.4
Perigo (P) / Alto (A) ≥ 39.5 ≥ 35.5
12. Resultados
Avaliação do Classificador Fuzzy
■ TRE vs TR coincidem em ~75%.
Frequência de
acertos
Comparação entre a
classificação da TR
aferida com a TRE
estimada pelo CF
TRE
TR
Conforto Crítico Perigo Total
Conforto 71,60% 14,40% 2,60% 88,50%
Crítico 7,40% 3,10% 0,11% 10,60%
Perigo 0,56% 0,11% 0,22% 0,89%
Total 79,49% 17,61% 2,90% 100%
13. Resultados
Classificador vs ITU
■ Comparação entre ITU e CF – coincidem em ~66%
TRE
ITU
Conforto Crítico Perigo Total
Conforto 53,13% 0% 0% 53,13%
Crítico 12,50% 3,13% 0% 15,63%
Perigo 0% 23,05% 8,20% 31,25%
Total 65,63% 26,18% 8,20% 100%
Frequência de
acertos
Comparação entre a
classificação do ITU
calculado com a TRE
estimada pelo CF
14. Conclusões
■ O CF classifica os animais individualmente no mesmo período e
possui grande nível de acerto em comparação com a TR.
■ O CF integra indiretamente a TR para avaliação de estresse
térmico.
■ O CF integra diretamente variável fisiológica (TIV) e variáveis
ambientais constituindo uma ferramenta não invasiva promissora
para permitir a avaliação estresse térmico.
■ Possui potencial de integração com um sistema de gestão para
pecuária em tempo real.
15. Referências Bibliográficas
■ BROWN-BRANDL, T. M.; JONES, D. D.; WOLD, W. E. Evaluating modelling techniques for
cattle heat stress prediction. Biosystems Engineering, London, v. 91, n. 4, p. 513–524,
2005.
■ HELLEBRAND, H. J. et al. Application of thermal imaging for cattle management. In:
EUROPEAN CONFERENCE ON PRECISION LIVESTOCK FARMING, 1., 2003, Berlin.
Proceedings… Berlin, 2003. p. 761-763.
■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Instrução
Normativa 56. Brasília, 2008. Disponível em: <http://extranet.agricultura.gov.br/sislegis-consulta/
consultarLegislacao.do?operacao=visualizar&id=19205>. Acesso em: 27 maio 2014.
■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Projeções do
Agronegócio. Brasília, 2009. Disponível em:
<http:/www.agricultura.gov.br/comunicacao/publicacoes>. Acesso em: 27 maio 2014.
■ NASCIMENTO, G. R. et al. Índice Fuzzy de conforto térmico para frangos de Corte.
Engenharia Agrícola, Jaboticabal, v. 31, n. 2, p. 219-229, 2011.
■ NATIONAL RESEARCH CONTROL (NRC). A guide to environmental research on
animals. Washington: National Academy of Science. Washington, DC, USA. 1971.
16. Obrigado pela Atenção!
Contatos:
Professor Dr. Rafael Vieira de Sousa
Professora Dra. Luciane Silva Martello
Departamento de Engenharia de Biossistemas – FZEA-USP
Campus Pirassununga – Pirassununga – SP
rafael.sousa@usp.brrafael.sousa@usp.br ; martello@usp.br