MilkPoint Ventures 
CaféPoint 
EducaPoint 
MilkPoint Mercado 
Milk Monitor 
Milki 
MapLeite 
Detectar dermatite digital antes da formação de lesões visíveis pode ser desafiador – mas, com a IA, os produtores podem ser capazes de prever de forma confiável o início da doença.
A dermatite digital, uma causa comum de claudicação em bovinos leiteiros, é uma questão importante de bem-estar para a indústria.
Um único caso de claudicação pode custar entre US$ 90 e US$ 300, de acordo com pesquisas da Universidade de Wisconsin-Madison, o que eleva o custo para mais de US$ 5.400 em uma fazenda com 300 vacas e uma taxa de incidência de 20%.
A dermatite digital também afeta a produção de leite devido à redução na ingestão de alimentos, com estudos variados estimando que o rendimento leiteiro pode cair entre 199 kg e 574 kg, dependendo do tipo de lesão.
Continua depois da publicidade
Na tentativa de detectar a dermatite digital (DD) o mais cedo possível, a indústria tem explorado métodos como imagem térmica e tecnologias de precisão baseadas em sensores – mas, embora sejam ferramentas eficazes para monitoramento, nenhuma delas tem sido altamente confiável para diagnóstico e prevenção.
No entanto, o uso de técnicas de IA, como visão computacional para analisar dados, pode melhorar substancialmente as taxas de detecção – e até mesmo prever um episódio da doença –, conforme descobriu um estudo pioneiro publicado na Science Reports.
O que é visão computacional?
A visão computacional é um ramo da IA no qual computadores são treinados para interpretar informações visuais, como imagens ou vídeos, com o objetivo de fazer recomendações.
No estudo, um grupo internacional de pesquisadores de Israel, Romênia e EUA reuniu um conjunto de dados visuais e estatísticos coletados de 17 vacas infectadas e 21 saudáveis, utilizando imagens térmicas e dados de sensores.
As imagens térmicas foram usadas para investigar técnicas de visão computacional, resultando em 463 imagens dos pés de vacas saudáveis e 106 imagens de vacas diagnosticadas visualmente com infecção.
Dois modelos de classificação foram então configurados – um que se baseava em uma única imagem térmica para que o computador identificasse a doença; e um segundo, onde imagens tiradas em dois dias consecutivos eram usadas para prever um episódio da doença. Os modelos também incluíram dados de temperatura e características estatísticas de cor para ajudar a melhorar as taxas de detecção e previsão.
“Nosso modelo alcançou desempenho acima de 81% de precisão na detecção de DD no 'dia 0' (primeira aparição de sinais clínicos) e acima de 70% na previsão de DD dois dias antes da primeira aparição de sinais clínicos”, concluíram os autores.
“Se validada em sistemas comerciais, nossa abordagem pode ajudar os produtores a melhorar suas práticas de manejo da DD, a fim de diagnosticar melhor a DD e aplicar tratamentos mais rápidos em suas fazendas. Nossos resultados são encorajadores e importantes, especialmente no que se refere à previsão de DD. Esses resultados podem se traduzir em cuidados veterinários antes dos primeiros sinais clínicos de DD aparecerem, melhorando o bem-estar animal e reduzindo os efeitos negativos que um episódio de DD tem sobre a lactação e o desempenho reprodutivo. Além disso, essa abordagem também pode ser usada para quantificar a eficácia de tratamentos aplicados precocemente, monitorando a recuperação e a recorrência dos casos (...).”
Para superar a principal limitação do estudo – o pequeno tamanho da amostra de gado infectado – a equipe acadêmica planeja expandir a pesquisa incluindo um maior número de fazendas com diferentes tipos de instalações e pisos, para avaliar como seus modelos de IA se comportariam em ambientes mais diversos.
As informações são do Dairy Reporter, traduzidas e adaptadas pela equipe MilkPoint.
