Estudos recentes em produção animal têm investigado tecnologias e modelos computacionais para predição do nível de estresse térmico com o uso de medições não invasivas e automáticas. Para contribuir com esse tema, o projeto tem como objetivo a construção e teste de modelos computacionais para predição do nível de estresse térmico de bovinos de leite utilizando base de dados obtida por experimento em câmara climática. O experimento foi conduzido durante 45 dias com 10 bezerras da raça Holandesa distribuídas aleatoriamente em dois grupos. Os animais foram alocados na câmara climática (em sistema Tie Stall) e expostos a duas ondas de calor. Durante o período do experimento, além dos dados meteorológicos das instalações, foram coletados 5 vezes ao dia (6, 10, 14, 18 e 22 horas) os dados de temperatura retal, frequência respiratória e da termografia de infravermelho (TIV) de diferentes áreas do corpo (olho, fronte, costela e flanco) para extração de valores temperaturas e da Assinatura Térmica (método de extração de características explorado no trabalho). Para a etapa de modelagem foram avaliados diferentes algoritmos baseados em Aprendizado de Máquina (redes neurais artificiais, máquina de vetores de suporte, árvore de decisão e k-vizinhos mais próximos) utilizando combinações diferentes de entradas para classificação de atributo de nível de estresse térmico. Para determinar o desempenho dos modelos de classificação foram utilizados como métrica os parâmetros obtidos da matriz confusão gerada (acurácia, precisão e sensibilidade). Os melhores resultados foram obtidos com os algoritmos de Floresta Randômica e Máquina de Vetores de Suporte. A Assinatura Térmica se mostrou mais eficiente como atributo previsor dos modelos quando comparada as temperaturas pontuais extraídas das TIVs. Foram obtidos no trabalho modelos com acurácias acima de 90% na classificação de nível de estresse térmico animal. Os resultados obtidos evidenciam o potencial do uso de aprendizado de máquina associado a dados extraídos de termografias de infravermelho para a classificação de nível de estresse térmico animal.

Recent studies in animal production have investigated technologies and computational models for predicting the level of thermal comfort through noninvasive and automatic measurements. To contribute to this theme, the project aims to build and test computational models for predicting the level of thermal comfort of dairy cattle using a database obtained by an experiment in a climatic chamber. The experiment was conducted for 45 days with 10 Holstein calves randomly distributed in two groups. The animals were placed in the climatic chamber (in a Tie Stall system) and exposed to two heat waves. During the experiment period, in addition to the meteorological data of the facilities, rectal temperature, respiratory rate and infrared thermography (IRT) data from different areas. of the body (eye, forehead, rib and flank) to extract temperatures values and the Thermal Signature (feature extraction method explored at work). For the modeling step, different algorithms based on Machine Learning (artificial neural networks, support vector machine, decision tree and closest k-neighbors) were evaluated using different combinations of inputs for classifying the thermal stress level attribute. To compare the classification models, the parameters obtained from the generated confusion matrix (accuracy, precision and recall) were used as a metric. The best results were obtained with the Random Forest and support vector machine algorithms. The Thermal Signature proved to be more efficient as a predictor attribute of the models when compared to the point temperatures extracted from the TIVs. Models with accuracies above 90% in the classification of animal heat stress level were obtained in this work. The results obtained evidence the potential of using machine learning associated with data extracted from infrared thermography for the classification of animal heat stress level.