Na suinocultura, a maternidade é um período crucial para o desempenho dos animais já que o desenvolvimento de sistemas de parto e lactação que atendam as diferentes necessidades biológicas de matrizes e leitões ainda é um desafio. Estudar o padrão comportamental destes animais pode auxiliar na adoção sistemas cada vez mais eficientes e sustentáveis e o monitoramento contínuo e automático do comportamento pode ser uma ferramenta importante para a detecção do estado fisiológico dos animais e para a redução da mortalidade dos leitões. Dessa forma, este trabalho teve três objetivos principais. O primeiro visou avaliar o impacto de diferentes configurações de gaiolas de parto nos desempenho de leitões. Para isso, dados produtivos de 546 matrizes e 9123 leitões foram monitorados durante 36 ciclos lactação (32 dia/ciclo). Os tratamentos envolveram três tipos configuração de gaiolas de parto (tradicional, offset, diagonal), diferenciadas pelo posicionamento das matrizes nas baias. Os dados de desempenho de leitões (porcentagem de natimortos, porcentagem de mortalidade, porcentagem de esmagamento, ganho de peso médio diário (ADG)) foram monitorados de acordo com o Setor de Suínos do US Meat Animal Research Center (USDA-USA). Testaram-se os efeitos dos tratamentos nas características produtivas dos leitões e, como resultado, não foram encontradas diferenças significativas em relação aos tratamentos. O segundo objetivo deste trabalho, foi o desenvolvimento de um modelo classificador de posturas de matrizes, baseado em Redes Neurais Convolucionais (CNN). Neste caso, no mesmo Setor de Suídos do USDA-USA, imagens foram registradas com cameras Kinect V2® instaladas no topo de cada uma das gaiolas e classificadas por observadores treinados em cinco posturas (em pé, sentada, ajoelhada, decúbito ventral e decúbito lateral). Diferentes imagens (RGB, profundidade e mixed) foram utilizadas no desenvolvimento dos classificadores (MATLAB® R2022b - Deep Learning Toolbox) que foram avaliados a partir de métricas extraídas de uma matriz confusão comparando-se a respostas reais com as preditas pelo modelo. Os resultados deste estudo ilustram a melhora na classificação de posturas de matrizes usando imagens de profundidade nos modelos classificadores. No melhor modelo a acurácia foi de 94.7% e os valores de precisão e sensibilidade médios foram de 92.32% e 92.40%, respectivamente (F1-score = 92.36%). O modelo apresentou resultados promissores para as posturas de transição (sentada e ajoelhada). Como último objetivo, três réplicas de quatro marcas de câmeras time-of-flight (Kinect v.2, Pico Zense, Pico Flexx e Azure Kinect) foram avaliadas em termos de repetibilidade de captura de dados, dimensões de painéis registrados pelas imagens e distorção radial. A repetibilidade foi comparada em termos de desvio padrão dos valores de distância registrados nas imagens. As dimensões dos painéis foram avaliadas nas imagens incluíram razão de área (px*cm^-2) e volume estimado (cm³). Já distorção radial foi avaliada comparando-se as medidas de distância e o coeficiente de variação em três segmentos das imagens. Os resultados indicam que a câmera Azure Kinect é a melhor câmera em termos de repetibilidade e estimativa de volume. A Pico Zense (câmeras 2 e 3) apresenta os menores valores de desvio padrão para medições de distância e a câmera Kinect v.2 os melhores resultados para medições de área.

In pig farming, maternity is a crucial period for animal performance since the development of lactation systems that meet the different biological needs of sows and piglets is still challenging. Studying the behavioral pattern of these animals can help with the adoption of increasingly efficient and sustainable systems, and the continuous and automatic monitoring of behavior can be an important tool for detecting the physiological state of the animals, and for reducing piglet mortality. Thus, this work had three main objectives. The first aimed to evaluate the impact of different farrowing crate configurations on piglet performance. For this, productive traits of 546 sows, and 9123 piglets were monitored during 36 lactation cycles (32 days/cycle). The treatments involved three types of farrowing crate configurations (traditional, offset, diagonal), differentiated by the positioning of the sows in the pen. Piglet performance data (percent stillbirths, percent mortality, percent crush, average daily weight gain (ADG)) were monitored according to the Swine Sector of the US Meat Animal Research Center (USDA-USA). The effects of the treatments on the piglet performance data were tested, and as a result, there were no statistical in relation to the treatments. The second objective of this work was to develop a model to detect sow posture, based on Convolutional Neural Networks (CNN). In this case, in the same USDA-USA Swine Sector, images were recorded with Kinect V2® cameras installed on top of each crate and classified by trained observers in five postures (standing, sitting, kneeling, ventral decubitus and decubitus). Different types of images (RGB, depth, and mixed) were used in the development of the classifiers (MATLAB® R2022b - Deep Learning Toolbox). Metrics extracted from a confusion matrix comparing the actual and predicted responses were used to evaluate the performance of the classifiers. The results of this study illustrate an improvement in the classification of sow postures using depth images as input of classified models. The best model acchived an accuracy of 94.7%, and the mean precision and sensitivity values were 92.32% and 92.40%, respectively (F1-score = 92.36%). The model presented potential in the detection of transition postures (sitting and kneeling). As a last objective, three replicas of four brands of time-of-flight depth cameras (Kinect v.2, Pico Zense, Pico Flexx and Azure Kinect) were evaluated in terms of repeatability of data, board dimensions, and radial distortion. Repeatability was evaluated in terms of standard deviation of the distance values recorded in the images. Board dimensions were evaluated in the images according to the area ratio (px*cm^-2) and estimated volume (cm³). Radial distortion was evaluated by comparing the distance measurements and the coefficient of variation in three segments of the images. The results indicate that the Azure Kinect camera presented the best results for repeatability and volume estimation. Pico Zense (cameras 2 and 3) displays the smallest standard deviation values for distance measurements. Kinect v.2 camera showed the best results for area measurements.