O estresse térmico em vacas de leite tem sido estudado como um caminho para melhorar a eficiência produtiva e o bem-estar animal. Diversos autores têm verificado o potencial da termografia de infravermelho como ferramenta não-invasiva para monitorar a temperatura de superfície dos animais. Da mesma forma, modelos computacionais têm sido estudados na área animal, com o intuito de melhorar os sistemas de processamento de dados. O objetivo desse estudo foi elaborar um classificador para estimar o nível de conforto térmico de vacas de leite (Holandesas) utilizando modelagem computacional, técnica que pode auxiliar nesta predição ao extrair informações de dados meteorológicos e fisiológicos combinados. Para isso, a temperatura retal (TR), frequência respiratória (FR) e temperatura de superfície corporal (TIV) de 26 vacas lactantes, foram monitoradas durante 40 dias não consecutivos, três vezes ao dia (5, 13 e 19 horas) em duas épocas do ano - verão e inverno. As TIVs das regiões da fronte, área ocular, costela e flanco. No mesmo período, dados meteorológicos foram registrados em uma estação meteorológica e em data loggers (Onset HOBO) instalados no freestall. Dados produtivos do rebanho foram monitorados conforme realizado pelo Setor de Bovinocultura de Leite da Prefeitura do Campus da USP, Pirassununga, SP. Foi realizada análise dos dados por estatística descritiva e regressão linear para auxiliar na escolha de parâmetros dos modelos computacionais, de forma que os modelos baseados em rede neural artificial (RNA) e rede neural convolucional (CNN) foram desenvolvidos considerando variáveis climáticas e fisiológicas, definidas por tal análise. Os modelos baseados em RNA foram construídos utilizando arquitetura Perceptron, alimentada adiante com múltiplas camadas. Já os modelos baseados em CNN foram desenvolvidos de acordo com o modelo Sequential. A eficiência dos modelos baseados em RNA para predição de FR (RNA-FR) e TR (RNA-TR) foi avaliada com diagramas de dispersão entre as respostas preditas com as reais e pela comparação com as respostas de modelos estatísticos (análises de regressão) para predição da FR (REG-FR) e TR (REG-TR). A partir dos modelos RNA-FR e RNA-TR, foram elaboradas classificações em níveis de estresse térmico (Conforto, Alerta, Perigo e Emergência). A eficiência destas classificações foi avaliada por métricas extraídas de matrizes de confusão (acurácia, precisão, sensibilidade e medida F1) e comparada com os resultados de métodos tradicionais de classificação em níveis de estresse térmico, o Índice de Temperatura e Umidade (ITU) e o Índice de Temperatura de Globo Negro e Umidade (ITGU). Para o modelo baseado em CNN, os parâmetros extraídos de matrizes de confusão foram utilizados como forma de avaliar o desempenho das classificações em níveis de estresse térmico desenvolvidos. Com relação às prediçãos de FR e TR, observou-se que os modelos RNA apresentaram melhores resultados quando comparados com os REG, observando-se correlações de 0,83 (RNA-FR) e 0,84 (RNATR) para predição dos dados fisiológicos. Os classificadores baseados em RNA apresentaram melhores resultados comparados as classificações obtidas com o ITGU e o ITU. Quanto ao classificador baseado em CNN, este estudo demonstrou que se trata de uma ferramenta promissora, com potencial para identificação de padrões e classificação de imagens térmicas em níveis de estresse térmico. As acurácias obtidas com este classificador (CNN) foram 76% para FR e 71% para TR. Novos estudos devem ser feitos para minimizar o efeito do ambiente climático sobre as imagens térmicas e contribuir para a padronização da escala de cores que afetam diretamente o aprendizado do modelo CNN.

Thermal stress in dairy cows has been studied as a way to improve productive efficiency and animal welfare. Several authors have verified the potential of infrared thermography as a noninvasive tool to monitor surface temperature of animals. Similarly, computer models have been studied in animal area in order to improve data processing systems. The objective of this study was to develop a classifier to estimate the thermal comfort level of dairy cows (Holstein) using computational modeling, a technique that can assist in this prediction by extracting information from combined meteorological and physiological data. For this, the rectal temperature (RT), respiratory rate (RR) and body surface temperature (IRT) of 26 lactating cows were monitored during 40 non-consecutive days, three times a day (5, 13 and 19 hours) in two times of year - summer and winter. IRTs of the forehead, eye area, rib and flank regions. In the same period, weather data were recorded at a weather station and data loggers (Onset HOBO) installed in the freestall. Herd production data were monitored as conducted by the USP Milk Cattle Sector, Pirassununga, SP. Data analysis was performed by descriptive statistics and linear regression to assist in the choice of parameters of computational models, so that models based on artificial neural network (ANN) and convolutional neural network (CNN) were developed considering climatic and physiological variables defined by such analysis. The ANN-based models were built using Perceptron architecture, fed with multiple layers. CNN-based models were developed according to the Sequential model. The efficiency of ANN-based models for predicting RR (ANN-RR) and RT (ANN-RT) was evaluated with scatter plots between predicted and actual responses and by comparison with statistical model responses (regression analyzes) for predicting RR (REG-RR) and RT (REG-RT). From the ANN-RR and ANN-RT models, classifications were developed for thermal stress levels (Comfort, Alert, Danger and Emergency). The efficiency of these classifications was assessed by metrics extracted from confusion matrices (accuracy, precision, sensitivity, and F1 Score) and compared with the results of traditional methods of classifications for thermal stress levels, the Temperature and Humidity Index (THI), and the Black Globe Humidity Temperature Index (BGTHI). For the CNN-based model, the parameters extracted from confusion matrices were used as a way to evaluate the performance of the classifications in developed thermal stress levels. Regarding the RR and RT estimates, it was observed that the ANN models presented better results when compared to the REG, observing correlations of 0.83 (ANN-RR) and 0.84 (ANN-RT) to estimate the results of physiological data. The ANN-based classifiers presented better results compared to the classifications obtained with the BGTHI and the THI. In relation to the CNN-based classifier, this study demonstrated that it is a promising tool with potential for pattern identification and thermal image classification at thermal stress levels. The accuracy obtained with this classifier (CNN) was 76% for RR and 71% for RT. Further studies should be done to minimize the effect of the climate environment on thermal imagery and to contribute to color scale standardization that directly affect CNN learning.