O presente estudo objetiva utilizar técnicas de Análises de Imagem e Visão Computacional (VC), com o intuito de solucionar problemas ligados à área de Produção Animal. Mais especificamente, investigou-se a possibilidade de automatização do escore de marmoreio via métodos de visão computacional aplicados em imagens .JPG. Tais imagens capturaram a região da área de olho de lombo (AOL), oriundas de animais taurinos canadenses. Estas análises foram conduzidas com o objetivo de auxiliar pequenas plantas frigoríficas durante o processo de classificação do escore de marmoreio. Dessa forma, buscou-se neste estudo a comparação de diferentes algoritmos de aprendizado de máquina tendo como entrada de dados diferentes tipos de atributos extraídos de imagens da AOL. Para tal finalidade, obtivemos acesso a um banco de imagens e mensurações (N = 7.704) relacionadas à superfície do músculo Longissimus dorsi, extraídas a partir da 12^a e 13^a vértebras. Primeiramente, conduzimos um estudo relacionado à determinação da porcentagem de gordura na AOL, via criação de algoritmo implementado em Python (bibliotecas Numpy e OpenCV). Os resultados mostraram que o excesso de brilho em algumas imagens levou o algoritmo a inflacionar em até 54% a GIM quando carcaças do padrão A foram consideradas, e em até 800% para as classificações “Prime”. Posteriormente, apresentamos uma análise piloto como tentativa de segmentação semântica, técnica que nos permite detectar objetos contidos numa mesma imagem por meio de máscaras de cores distintas. Resultados preliminares sugerem que a segmentação semântica possa ser utilizada como potencial ferramenta durante o processo de classificação automatizada das AOL, desde que o tratamento prévio das imagens seja efetivamente aplicado, principalmente em relação ao background, rotação e luminosidade. Dois métodos de Machine Learning foram investigados com o objetivo de classificar os escores de marmoreio automaticamente (Decision Tree - DT e Random Forest - RF). Com a intenção de extrair atributos baseados nos padrões e texturas das imagens, uma proposta de modificação do método LBP (Local Binary Pattern) foi apresentada. Como resultado principal deste estudo, o subset formado pelas imagens das classes A e AAA (N = 400, extremos para o escore de marmoreio), apresentou os melhores resultados de acurácia (> 90%), para ambos os algoritmos. Aumentando-se o número de imagens para 582 amostras de cada classe, o algoritmo RF apresentou os melhores resultados (> 85%), quando comparado ao método DT (77%). Tal declínio pode estar associado com a utilização de imagens previamente classificadas erroneamente, via processo de avaliação subjetiva. Novo processo de avaliação, conduzido por seis avaliadores externos, encontra-se em fase de conclusão para repetição dos experimentos. Em conclusão, nosso trabalho obteve resultados classificatórios satisfatórios, além de apresentar uma nova metodologia para extração de atributos (LBP), anteriormente aplicado somente em áreas externas à produção animal. Métodos supervisionados requerem que a definição de labels seja conduzida com eficácia para a obtenção correta de padrões em processos classificatórios.

The current study aims to use Image Analysis and Computer Vision approaches in order to solve problems related to Animal Production. We investigated the possibility of creating an automated pipeline to classify the marbling score via computer vision methods applied to .JPG files. Such images captured the ribeye area region collected from canadian beef cattle. These analyses were carried out with the purpose of helping small slaughterhouses on the process of marbling score classification. Two Machine Learning algorithms were compared having as input different attributes extracted from the Ribeye area images. Our database comprised images and measurements (N = 7.704) regarding the transversal cut between the 12≠ and 13≠ ribs of the Longissimus dorsi muscle. The first step of our study focused in the estimation of the fat percentage from the image samples via an algorithm implemented in Python using Numpy and OpenCV packages. The results showed that the brightness in some images inflated the marbling score by up to 54% in standard ‘ A’ carcasses, and, an inflation up to 800% was observed in the “Prime” cuts. In the second step we evaluated the semantic segmentation as a pilot process. It allows the detection of different objects in an image based on previously labeled color masks. Preliminary results suggested that the semantic segmentation can be used as a potencial tool during the automated classification process of the ribeye area, as long as the pre-treatment of the images is effectively apllied, mainly in relation to background, rotation, luminosity. Two methods of Machine Learning were investigated in order to classify image scores automatically (Decision Trees - DT and Random Forests - RF). In order to extract features based on patterns and textures, we proposed an extension of the LBP (Local Binary Pattern) method. The subset formed by the images of classes A and AAA scores (N = 400, extreme of marbling score) showed the best accuracy results (> 90%) in both algorithms. After increasing the number of images to 582 samples each, the RF algorithm showed the best results (> 85%), when compared to the DT method (77%). The classification accuracy decrease may be associated with the use of erroneously classified images due to the subjective evaluation process. A new classification was started by six external appraisers and the whole set of analysis will be repeated once it is completed. In conclusion, the results of the current study showed satisfactory classification results, as well as presented a new method for feature extraction (LBP), since it was applied so far on other unrelated areas. In addition, an accurate labeling process is needed to achieve better accuracy when applying supervised classification methods.