Pesquisas recentemente realizadas no âmbito da produção animal relacionam o estresse térmico dos animais a efeitos negativos sobre sua saúde e produtividade. Estresse térmico é uma condição que prejudica o desempenho produtivo e reprodutivo do animal, e pode ser monitorado por variáveis fisiológicas e ambientais, entre elas a temperatura de superfície corporal, através da termografia por infravermelho. O objetivo deste trabalho foi desenvolver e avaliar modelos computacionais para classificação de estresse térmico em bezerras de leite por meio da termografia por infravermelho. A base de dados utilizada para a contrução dos modelos foi obtida por meio de um experimento com 10 bezerras desaleitadas da raça Holandesa, alojadas em câmara climática com controle de temperatura e submetidas a condições térmicas de conforto e estresse por meio de ondas de calor, no qual foram coletados dados fisiológicos e ambientais, incluindo dados termográficos de diferentes partes do corpo do animal. Foram construídos e avaliados modelos computacionais baseados em algoritmos de aprendizado de máquina para classificação em níveis de conforto a partir de dados ambientais e de características extraídas dos dados de termografia através de um método denominado Assinatura Térmica. Para modelagem foram utilizadas ferramentas de tratamento e mineração de dados da plataforma de serviço de computação cognitiva Watson da empresa IBM. Os modelos classificadores de estresse térmico foram desenvolvidos a partir de três diferentes algoritmos de aprendizado de máquina, quatro subconjuntos da base de dados e três tipos de rotulagem de dados, e foram comparados com o método tradicional de classificação baseado no Índice de Temperatura e Umidade. Os modelos foram capazes de classificar o estresse térmico, tendo o melhor modelo obtido acurácia de 86,8%, comparável ao desempenho obtido por modelos de outros trabalhos, além de precisão de 89% para a classe de Estresse. Os resultados mostram que a abordagem baseada em aprendizado de máquina com a assinatura térmica foi efetiva para geração de modelos com bom desempenho e com potencial de aprimoramento.

Recent research carried out in the field of animal production relates the heat stress of animals to negative effects on their health and productivity. Heat stress is a condition that impairs the productive and reproductive performance of the animal, and can be monitored by physiological and environmental variables, including body surface temperature, through infrared thermography. The objective of this work was to develop and evaluate computational models for classifying heat stress in dairy calves using infrared thermography. The database used for the construction of the models was obtained through an experiment with 10 weaned Holstein calves, housed in a climatic chamber with temperature control and subjected to thermal conditions of comfort and stress through heat waves, in which physiological and environmental data were collected, including thermographic data from different parts of the animal's body. Computational models based on machine learning algorithms were built and evaluated to classify comfort levels from environmental data and features extracted from thermography data through a method called Thermal Signature. For modeling, data processing and mining tools from the Watson cognitive computing service platform from IBM were used. The heat stress classifier models were developed from three different machine learning algorithms, four subsets of the database and three types of data labeling, and were compared with the traditional classification method based on the Temperature and Humidity Index. The models were able to classify heat stress, and the best model obtained an accuracy of 86.8%, comparable to the performance obtained by models from other works, in addition to an accuracy of 89% for the Stress class. The results show that the approach based on machine learning with the thermal signature was effective for generating models with good performance and with potential for improvement.