Detecção de ovos no chão com visão computacional em galinheiros free-range

O sistema de alojamento livre de gaiolas permite que as aves se movimentem livremente dentro do galpão, que conta com poleiros e áreas para nidificação, possibilitando que demonstrem comportamentos como empoleirar-se e forragear. Em contrapartida, pode ocorrer a postura fora dos ninhos, o que causa um aumento na quantidade de ovos sujos, contaminados com fezes e cama, e até mesmo um aumento na quantidade de ovos quebrados, pois foi observado que as galinhas bicam os ovos no chão com mais frequência do que nos ninhos (Li et al., 2020).

Uma possibilidade para solucionar esse problema é o uso da tecnologia. Por exemplo, a detecção de ovos no chão como um objeto, com o auxílio de aprendizado profundo e detecção de objetos, pode ser utilizada. Esse tipo de técnica pode ser usado para guiar a detecção em um sistema robótico de coleta de ovos.

Pesquisas já foram realizadas desenvolvendo e aplicando um sistema de monitoramento automático para detectar ovos no chão em um ambiente sem gaiolas (Li et al., 2020). Um modelo de aprendizado profundo YOLOv5 para detecção de galinhas criadas soltas foi desenvolvido com uma precisão de 96% (Yang et al., 2022). O aprendizado profundo foi usado para classificar 6 comportamentos diferentes em galinhas poedeiras (em pé, sentada, dormindo, se limpando, ciscando, bicando) (Leroy et al., 2005).

• Foi utilizado um sistema de monitoramento em um aviário da Universidade da Geórgia, sendo 6 câmeras de rede com visão noturna (PRO-1080MSB, Swann Communications USA Inc., Santa Fe Springs, LA) acima do bebedouro, comedouros e poleiros, e na parede a aproximadamente 3m do solo, para capturar vídeos com visão superior e imagens laterais. Além disso, diferentes áreas de postura de ovos e as atividades das galinhas foram monitoradas continuamente, e os vídeos foram armazenados em gravadores de vídeo digital.

Os pesquisadores usaram redes neurais convencionais, e a partir disso foram ajustando hiperparâmetros e desenvolvendo e ajustando modelos YOLO e com o modelo otimizado, após o treinamento, foram utilizados para detectar ovos no chão em novas imagens não rotuladas.

Este estudo desenvolveu e comparou três novos modelos de aprendizado profundo — YOLOv5s-egg, YOLOv5x-egg e YOLOv7-egg — para o rastreamento de ovos postos no chão em quatro unidades de pesquisa de galinhas poedeiras em galinheiros free-range (criadas soltas). A eficácia da detecção foi validada em dois galpões comerciais distintos.

Embora todos os modelos tenham apresentado bons índices de precisão, o desempenho foi influenciado pela densidade das aves, variações de luminosidade e obstruções visuais causadas por equipamentos como bebedouros e comedouros.