A observação contínua do comportamento de animais para avaliação do bem-estar em criadouros é laboriosa e, por isso, diversos trabalhos de pesquisa têm buscado propor sistemas automáticos de visão computacional para execução de tal tarefa. A análise de imagens digitais utilizando Redes Neurais Convolucionais (RNC) é um método promissor que tem sido aplicado em diversas área para reconhecimento de padrões de comportamento. O objetivo do estudo é avaliar por meio de ferramenta computacional de vídeo-imagem, dados ambientais e parâmetros fisiológicos, o padrão comportamental de suínos em ambientes com diferentes tipos de sistemas de resfriamento, sendo tratamento A (Aspersão), AV (Aspersão mais Ventilação), V (Ventilação) e NV (Nebulização mais Ventilação). Foram utilizadas vídeo-imagens de um banco de dados, que foi adquirido em uma instalação denominada Câmara de Preferência Ambiental, na qual 8 suínos foram monitorados durante 10 horas por dia, perfazendo um total 420 horas de vídeos gravados por 42 dias. Os comportamentos avaliados serão: suíno andando, suíno bebendo, suíno comendo, e suíno deitado, além do conjunto ambiente vazio. Estes vídeos foram processados por um algoritmo em linguagem de programação Python 3.5.4 rcl. Outro algoritmo em MATLAB foi utilizado para selecionar e classificar quadros (sub-imagens) de 200x200 e 100x100 da imagem de acordo com o conteúdo visualizado (comportamento), gerando o banco de dados de quadros que foi usado para a construção do modelo computacional baseado em RNC com protocolo baseado em validação cruzada de 60% dos quadros para a construção do modelo, 20% para validação e 20% para o teste, selecionados de forma aleatória. A biblioteca Keras para Python foi utilizada para implementar a arquitetura de camadas da RNC. Os resultados foram analisados de acordo com a frequência de cada um dos comportamentos. Dois modelos foram construídos com dois banco de dados distintos, sendo um desbalanceado com 48.486 imagens e outro balanceado de maneira manual com 29.352 imagens, obtendo uma acurácia de 99% e 99,4% respectivamente. Em seguida, foi desenvolvida a ferramenta FC (Frequency Counter), que fez a contabilização do tempo e quantas vezes o animal realizou determinado comportamento. De acordo com a FC, os animais beberam e comeram mais no tratamento A (2,5% e 13,5%) e apresentaram maiores valores de temperatura da nuca e frequência respiratória (35,6 °C e 54,6 mov/min) respectivamente. Por fim, conclui-se que o melhor modelo obtido foi a com a base de dados balanceados, onde obteve-se uma acurácia de 99,4%; A partir da FC, foi possível observar um padrão comportamental dos animais, sendo o tratamento A os animais passaram mais tempo bebendo e comendo, e no tratamento V mais tempo deitados e os tratamentos de modo geral, apresentaram efeito sobre as respostas fisiológicas.

The continuous observation of the behavior of animals to evaluate the welfare in breeding places is laborious and, therefore, several research works have sought to propose automatic computer vision systems to perform this task. The analysis of digital images using Convolutional Neural Networks (CNN) is a promising method that has been applied in several areas for behavior pattern recognition. The objective of the study is to evaluate, by means of a video-image computational tool, environmental data and physiological parameters, the behavioral pattern of pigs in environments with different types of cooling systems, being treatment A (Sprinkler), AV (Sprinkler plus Ventilation), V (Ventilation) and NV (Nebulization plus Ventilation). Video images from a database were used, which were acquired in an installation called Câmara de Prevenção Ambiental, in which 8 pigs were monitored for 10 hours a day, making a total of 420 hours of videos recorded for 42 days. The behaviors evaluated will be: swine walking, swine drinking, swine eating, and swine sleeping, in addition to the empty environment set. These videos were processed by an algorithm in Python 3.5.4 rcl programming language. Another algorithm in MATLAB was used to select and classify frames (sub-images) of 200x200 and 100x100 of the image according to the visualized content (behavior), generating the database of frames that was used to build the computational model based on RNC with protocol based on cross- validation of 60% of the frames for the construction of the model, 20% for validation and 20% for the test, selected at random. The Keras library for Python was used to implement the RNC layered architecture. The results were analyzed according to the frequency of each of the behaviors. Two models were built with two different databases, one unbalanced with 48,486 images and the other balanced with 29,352 images, obtaining an accuracy of 99% and 99.4% respectively. Then, the FC (Frequency Counter) tool was developed, which counted the time and how many times the animal performed a certain behavior. According to HR, the animals drank and ate more in treatment A (2.5% and 13.5%) and had higher values of neck temperature and respiratory rate (35.6 °C and 54.6 mov/min ) respectively. Finally, it is concluded that the best model obtained was the one with the balanced database, where an accuracy of 99.4% was obtained; From the FC, it was possible to observe a behavioral pattern of the animals, with treatment A the animals spent more time drinking and eating, and in treatment V more time lying down and the treatments in general had an effect on the physiological responses.