BR102019004750A2

BR102019004750A2 - ANIMAL MONITORING SYSTEM AND DETERMINATION OF FINISHING AND MUSCULOSITY FROM THE ACQUISITION OF VOLUNTARY PRE-SLAUGHTER IMAGES OF THE ANIMAL

Info

Publication number: BR102019004750A2
Application number: BR102019004750-0A
Authority: BR
Inventors: Tobias Firmino Soares; Marcelo Neves Ribas; Luigi Francis Lima Cavalcanti; Mário Luiz Chizzott; André Luis Carvalho Mendes; Gutierrez José De Freitas Assis
Original assignee: Pro-Eficiência Solução Agronegócios S/A; Universidade Federal de Viçosa
Priority date: 2019-03-12
Filing date: 2019-03-12
Publication date: 2020-10-06

Abstract

a presente tecnologia apresenta um sistema capaz de determinar o peso corporal e características de carcaças de animais por meio de imagens 3d do animal tomadas voluntariamente pré-abate e comparadas a imagens 3d e termográficas da carcaça dos animais pós-abate para estimar o grau de acabamento e rendimento de cortes cárneos. este sistema visa criar um modelo tridimensional do animal para permitir avaliar o rendimento de carcaça, a distribuição e espessura da gordura subcutânea e a musculosidade da carcaça através de medidas biométricas do animal vivo, utilizando o treinamento de maquinas para correlacionar a biometria in vivo com as características de carcaça tomadas após o abate. a análise das imagens 3d da carcaça tomadas após o abate permite ainda a identificação e a quantificação de lesões nas mesmas e rastrear a sua origemthe present technology presents a system capable of determining the body weight and characteristics of animal carcasses by means of 3d images of the animal taken voluntarily pre-slaughter and compared to 3d and thermographic images of the animal carcass after slaughter to estimate the degree of finishing and yield of meat cuts. this system aims to create a three-dimensional model of the animal to allow assessing the carcass yield, the distribution and thickness of subcutaneous fat and the carcass muscularity through biometric measurements of the live animal, using machine training to correlate biometrics in vivo with the carcass characteristics taken after slaughter. the analysis of the 3d images of the carcass taken after slaughter also allows the identification and quantification of injuries in them and to trace their origin

Description

ANIMAL MONITORING SYSTEM AND DETERMINATION OF FINISHING AND MUSCULOSITY FROM THE ACQUISITION OF VOLUNTARY PRE-SLAUGHTER IMAGES OF THE ANIMAL

FIELD OF THE INVENTION

[001] A presente tecnologia apresenta um sistema capaz de determinar o peso corporal e características de carcaças de animais por meio de imagens 3D do animal tomadas voluntariamente pré-abate e comparadas a imagens 3D e termográficas da carcaça dos animais pós-abate para estimar o grau de acabamento e rendimento de cortes cárneos. Este sistema visa criar um modelo tridimensional do animal para permitir avaliar o rendimento de carcaça, a distribuição e espessura da gordura subcutânea e a musculosidade da carcaça através de medidas biométricas do animal vivo, utilizando o treinamento de maquinas para correlacionar a biometria in vivo com as características de carcaça tomadas após o abate. A análise das imagens 3D da carcaça tomadas após o abate permite ainda a identificação e a quantificação de lesões nas mesmas e rastrear a sua origem.[001] The present technology presents a system capable of determining the body weight and characteristics of animal carcasses by means of 3D images of the animal taken voluntarily pre-slaughter and compared to 3D and thermographic images of the carcass of the animals after slaughter to estimate the degree of finish and yield of meat cuts. This system aims to create a three-dimensional model of the animal to allow assessing the carcass yield, the distribution and thickness of subcutaneous fat and the carcass muscularity through biometric measurements of the live animal, using machine training to correlate biometrics in vivo with the carcass characteristics taken after slaughter. The analysis of 3D images of the carcass taken after slaughter also allows the identification and quantification of lesions in them and to trace their origin.

BACKGROUND OF THE INVENTION

[002] O peso corporal é um dos parâmetros mais importantes que fornece informações valiosas sobre o crescimento, a uniformidade, a eficiência de conversão alimentar, a ocorrência de doenças em um rebanho além da possibilidade antecipar com alguns dias de antecedência o peso médio e a dispersão dos pesos no abate. A pesagem diária permite aos pecuaristas saber se os animais seguem a curva de crescimento esperada e dão uma indicação da qualidade da gestão. Portanto, uma estimativa precisa do peso e da distribuição de peso do rebanho ao longo do período de crescimento ajudam a programar o abate. No entanto, poucas fazendas pesam seus animais com essa frequência, devido ao custo e estresse adicional para essa mensuração. O uso de sistemas de coleta de imagens digitais é uma técnica alternativa, sem contato e mais rápida, para estimar o peso dos animais, uma vez que existe uma correlação significativa entre parâmetros biométricos e o peso do animal.[002] Body weight is one of the most important parameters that provides valuable information about growth, uniformity, feed conversion efficiency, the occurrence of diseases in a herd, as well as the possibility to anticipate the average weight and the weight a few days in advance. dispersion of weights at slaughter. Daily weighing allows farmers to know if the animals follow the expected growth curve and give an indication of the quality of management. Therefore, an accurate estimate of the weight and weight distribution of the herd throughout the growing period helps to program slaughter. However, few farms weigh their animals with this frequency, due to the cost and additional stress for this measurement. The use of digital image collection systems is an alternative, non-contact and faster technique to estimate the weight of animals, since there is a significant correlation between biometric parameters and the weight of the animal.

[003] A análise da imagem digital assistida por computador é uma técnica que permite estimar o peso corporal de animais de forma não invasiva a partir das suas dimensões corporais. As imagens capturadas são analisadas por meio de softwares de análise de imagens de varredura, para determinar a área ou volume de superfície do corpo do animal e por meio de equações, permitem estimar o peso do animal.[003] The analysis of digital image assisted by computer is a technique that allows to estimate the body weight of animals in a non-invasive way from their body dimensions. The captured images are analyzed using scanning image analysis software, to determine the area or surface volume of the animal's body and through equations, allow to estimate the animal's weight.

[004] No procedimento de comercialização de carcaças bovinas no Brasil, geralmente o frigorifico classifica a carcaça em função do padrão de distribuição de gordura subcutânea. Caso o lote comercializado esteja com gordura subcutânea abaixo do mínimo preestabelecido, o frigorifico paga um valor menor pelo lote. Por esse motivo, é de fundamental importância estimar se o animal a ser abatido terá o grau de acabamento de gordura desejado.[004] In the procedure for marketing bovine carcasses in Brazil, the slaughterhouse generally classifies the carcass according to the pattern of subcutaneous fat distribution. If the marketed lot has subcutaneous fat below the pre-established minimum, the refrigerator pays a lower amount for the lot. For this reason, it is of fundamental importance to estimate whether the animal to be slaughtered will have the desired degree of fat finish.

[005] Sistemas de avaliação e classificação de carcaça são empregados em diversos países, com diferentes graus de exigência. Tais sistemas tem objetivo de avaliar principalmente a gordura que recobre a carcaça e a protege durante o resfriamento, o tamanho dos cortes e o rendimento da carcaça. Porém o sucesso destes sistemas envolve um minucioso método de identificação animal, que permite armazenar informações e rastrear o mesmo, além, é claro, de colaboração e comprometimento de todos os setores envolvidos na cadeia produtiva. Os sistemas de classificação permitem remuneração diferenciada ao produtor uma vez que as carnes oriundas de carcaças selecionadas (com qualidade superior), proporcionam maior aceitação e satisfação do consumidor de carne, que está disposto a pagar mais por isto.[005] Carcass evaluation and classification systems are used in several countries, with different degrees of demand. Such systems aim to evaluate mainly the fat that covers the carcass and protects it during cooling, the size of the cuts and the carcass yield. However, the success of these systems involves a thorough method of animal identification, which allows information to be stored and tracked, as well as, of course, collaboration and commitment from all sectors involved in the production chain. The classification systems allow differentiated remuneration to the producer since the meat from selected carcasses (with superior quality), provides greater acceptance and satisfaction of the meat consumer, who is willing to pay more for this.

[006] No Brasil o Sistema Nacional de Tipificação de Carcaças Bovinas, definido na Portaria Ministerial n° 612/89, do Ministério da Agricultura, Pecuária e Abastecimento (MAPA), determina que a tipificação de carcaças deve se basear nos parâmetros sexo-maturidade, conformação, acabamento de gordura e peso. Nesse sistema são definidas cinco categorias de acabamento de gordura. A avaliação da carcaça e seu enquadramento dentro de um determinado tipo são realizados a quente, depois da pesagem, e antes de entrar na câmara de resfriamento. Essa avaliação e a posterior classificação do acabamento são realizadas através de observação visual da distribuição da gordura sobre a superfície da carcaça, por um técnico habilitado sendo suscetível a erros e sem a garantia de padronização, que implica diferentes padrões de qualidade e impossibilidade de hierarquizar a carne de diferentes matadouros. (Ver: Sistema de Classificação Automática de Carcaças Bovinas; Carmen Dalla Rosa Bittencourt, Marcelo Ladeira, Saul Fontoura da Silva, Anderson Luís S. Bittencourt, Díbio Leandro Borges).[006] In Brazil, the National Bovine Carcass Typification System, defined in Ministerial Decree No. 612/89, of the Ministry of Agriculture, Livestock and Supply (MAPA), determines that the carcass typification must be based on sex-maturity parameters , conformation, fat and weight finish. In this system, five categories of grease finishing are defined. The evaluation of the carcass and its classification within a certain type are carried out hot, after weighing, and before entering the cooling chamber. This evaluation and the subsequent classification of the finish are carried out through visual observation of the fat distribution on the surface of the carcass, by a qualified technician being susceptible to errors and without the guarantee of standardization, which implies different quality standards and the impossibility of hierarchizing the meat from different slaughterhouses. (See: Automatic Bovine Carcass Classification System; Carmen Dalla Rosa Bittencourt, Marcelo Ladeira, Saul Fontoura da Silva, Anderson Luís S. Bittencourt, Díbio Leandro Borges).

[007] O Brasil é o maior exportador (em volume) de carne bovina do mundo, portanto, seria desejável fornecer aos frigoríficos informações sobre o rendimento e características da carcaça, ao ponto de torná-los aptos a empregarem tabelas de pagamento diferenciados aos produtores de animais com melhor qualidade e que apresentem um melhor rendimento. Por outro lado, a classificação e tipificação, de carcaças permite que os matadouros assegurem a qualidade dos produtos, uma vez que podem inferir sobre os atributos quantitativos e qualitativos da carne e, consequentemente, direcionar a carne para diferentes mercados de consumo, aumentando assim o valor do produto final.[007] Brazil is the largest exporter (in volume) of beef in the world, therefore, it would be desirable to provide slaughterhouses with information on the yield and characteristics of the carcass, to the point of making them able to employ different payment tables for producers. animals with better quality and better performance. On the other hand, the classification and typification of carcasses allows slaughterhouses to ensure the quality of the products, since they can infer about the quantitative and qualitative attributes of the meat and, consequently, direct the meat to different consumer markets, thus increasing the value of the final product.

[008] Por esses motivos, é de fundamental importância um sistema simples e confiável para determinar se o animal terá, ao ser abatido, o peso ideal e o teor de gordura mínimo desejado e as demais informações sobre o seu manejo pré e pós abate, tais como lesões identificadas pós abate, e também para reduzir a subjetividade do atual sistema de avaliação de carcaças, são necessárias ferramentas que permitam aos matadouros avaliar objetivamente as carcaças e estimar o rendimento de cortes desossados.[008] For these reasons, a simple and reliable system to determine if the animal will have, when slaughtered, the ideal weight and the minimum fat content desired and other information on its handling before and after slaughter, such as injuries identified after slaughter, and also to reduce the subjectivity of the current carcass assessment system, tools are needed that allow slaughterhouses to objectively assess carcasses and estimate the yield of boneless cuts.

[009] Dessa forma, levando-se em conta a necessidade de desenvolver novos métodos para determinação do peso corporal e do teor de gordura da carcaça de animais de forma não assistida, com sensibilidade, economia de recursos humanos e custo acessível, a determinação do peso através de imagens emerge como a metodologia mais simples e adequada. No entanto, resta a dificuldade de conciliar um sistema que possa ser implantado a campo de forma não assistida, sem a necessidade de movimentar os animais a serem analisados, reduzindo a necessidade de recursos humanos para obtenção das imagens, associado a um sistema automático de processamento de imagem, para determinação com acurácia do peso, musculosidade e teor de gordura de cada animal. É desejável que este sistema seja validado no frigorífico, proporcionando uma ferramenta automática de predição da classificação de carcaça de maneira objetiva. Adicionalmente, esses dados podem ser utilizados por programas de melhoramento genético na identificação de reprodutores com diferencial em características de carcaça de interesse. A combinação dos dados de do animal obtidos antes do abate e da carcaça no frigorífico permite a aferição após o abate do peso, musculosidade e teor de gordura previsto com o animal vivo, possibilitando o uso de biometria contínua com avaliação automatizada e que se ajusta com tempo em função do aprendizado de máquina para predizer o peso e grau de acabamento e musculosidade de carcaça. A inovação apresentada na presente tecnologia é usar os modelos 3D gerados nos animais e na carcaça e o treinamento de maquinas a partir dessas imagens para predizer peso, acabamento, musculosidade da carcaça.[009] Thus, taking into account the need to develop new methods for determining the body weight and fat content of animal carcasses in an unassisted manner, with sensitivity, saving human resources and affordable cost, determining the weight through images emerges as the simplest and most appropriate methodology. However, there remains the difficulty of reconciling a system that can be implanted in the field in an unattended manner, without the need to move the animals to be analyzed, reducing the need for human resources to obtain the images, associated with an automatic processing system. of image, for determination with accuracy of the weight, muscularity and fat content of each animal. It is desirable that this system be validated in the refrigerator, providing an automatic tool for predicting the carcass classification in an objective manner. In addition, these data can be used by breeding programs to identify breeders with a differential in carcass characteristics of interest. The combination of animal data obtained before slaughter and carcass in the refrigerator allows the measurement after slaughter of the weight, muscularity and predicted fat content with the live animal, allowing the use of continuous biometrics with automated evaluation and that adjusts with time depending on machine learning to predict the weight and degree of finish and muscularity of the carcass. The innovation presented in the present technology is to use the 3D models generated in the animals and in the carcass and the training of machines based on these images to predict weight, finish, muscularity of the carcass.

[0010] Em buscas realizadas em bancos de patente e literatura especializada foram encontradas tecnologias para estimativa de peso corporal de animais a partir de imagens do animal vivo. Todas essas patentes ensinam diferentes métodos para medir o volume e fazer outras medidas biométricas a partir de imagens do animal. Foram também encontradas tecnologias para determinação de teor de gordura em carcaças de animais vivos e de cortes no frigorífico. Nenhuma das invenções descritas no atual estado da técnica usa os modelos 3D gerados nos animais e a biometria contínua com o treinamento de maquinas a partir das imagens para predizer peso, acabamento, musculosidade e espessura de gordura como a presente invenção.[0010] In searches of patent banks and specialized literature, technologies were found to estimate the body weight of animals from images of the live animal. All of these patents teach different methods for measuring volume and making other biometric measurements from images of the animal. Technologies were also found to determine the fat content in carcasses of live animals and cuts in the refrigerator. None of the inventions described in the current state of the art uses 3D models generated in animals and continuous biometrics with machine training based on images to predict weight, finish, muscularity and fat thickness like the present invention.

[0011] Como exemplo, a patente US 7039220, que apresenta um método e aparelho para medir animais, incluindo animais de criação e gado, utilizando um sistema de câmera única. O método permite a obtenção de medidas fundamentais do animal, tais como o peso do animal, a altura do quadril animal e a largura do quadril animal.[0011] As an example, US patent 7039220, which presents a method and apparatus for measuring animals, including livestock and livestock, using a single camera system. The method allows to obtain fundamental measurements of the animal, such as the animal's weight, the height of the animal hip and the width of the animal hip.

[0012] A patente US 8351656 também apresenta um sistema sem contato e um método para estimar o volume, massa ou peso de um animal. Inicialmente o animal é fotografado, de preferência com uma câmera estereoscópica e uma representação espacial do animal é obtida a partir das imagens. Em seguida, o sistema cria um modelo espacial tridimensional virtual. Um software é usado para ajustar a representação espacial do animal usando um conjunto finito de variáveis de forma. Então, o volume, massa ou peso do animal é estimado como uma função de variáveis de forma que caracterizam o modelo virtual remodelado.[0012] US patent 8351656 also features a non-contact system and a method for estimating the volume, mass or weight of an animal. Initially the animal is photographed, preferably with a stereoscopic camera and a spatial representation of the animal is obtained from the images. Then, the system creates a virtual three-dimensional spatial model. Software is used to adjust the spatial representation of the animal using a finite set of shape variables. Then, the volume, mass or weight of the animal is estimated as a function of shape variables that characterize the remodeled virtual model.

[0013] A patente US 8787621 apresenta um método computadorizado para estimar o peso de um animal. O método inclui a aquisição de uma imagem de um animal e a comparação da imagem com diversos modelos para determinar o modelo mais adequado que combina de forma otimizada, um tamanho ou forma do animal. Um ou mais parâmetros de ajustamento diferencial são determinados para calcular o peso do animal.[0013] US patent 8787621 presents a computerized method to estimate the weight of an animal. The method includes acquiring an image of an animal and comparing the image with several models to determine the most suitable model that optimally combines an animal's size or shape. One or more differential adjustment parameters are determined to calculate the animal's weight.

[0014] A patente US 9311556 apresenta um processo para análise de imagem, incluindo análise de imagem em 3-D, implementado por computador, incluindo o acesso a dados de imagem de um animal. Este sistema mede o volume de um animal a partir de sua imagem, estimando o peso do animal usando as dimensões que representam o tamanho do animal. Um banco de dados contendo informações relativas ao volume e peso pode ser usado para prever com precisão o peso do animal a partir do cálculo do seu volume.[0014] US patent 9311556 discloses a process for image analysis, including 3-D image analysis, implemented by computer, including access to image data of an animal. This system measures the volume of an animal from its image, estimating the weight of the animal using the dimensions that represent the size of the animal. A database containing information regarding volume and weight can be used to accurately predict the weight of the animal from calculating its volume.

[0015] A patente US 5474085 apresenta um método e um aparelho para detecção remota de animais, utilizando um sistema de detecção por imagens termográficas. Uma imagem termográfica compreendendo pixels da área é enviada para uma placa de digitalização em um computador, onde a imagem é convertida em uma matriz numérica. Os números são então interpretados por software para fornecer a informação desejada. O método permite determinar o peso, a temperatura, o pH da carcaça, entre outros parâmetros.[0015] US patent 5474085 discloses a method and an apparatus for remote detection of animals, using a thermographic image detection system. A thermographic image comprising pixels from the area is sent to a digitization plate on a computer, where the image is converted into a numerical matrix. The numbers are then interpreted by software to provide the desired information. The method allows determining the weight, temperature, pH of the carcass, among other parameters.

[0016] A patente US 8036429 apresenta um sistema e um método para medir um animal, composto por uma fonte de luz e uma fonte óptica. A fonte de luz pode ser uma matriz de LEDs (diodos emissores de luz) monocromáticos e o sensor óptico pode ser uma câmera unidimensional que se opõe à fonte de luz e obtém uma imagem (perfil) que inclui silhuetas de uma ou mais pernas do animal. O sistema possui um software que realiza medições nas imagens geradas, tais como o comprimento aproximado do tronco esquelético do animal, a partir das pernas em silhueta na imagem. Sensores de ultrassons podem ser dispostos para determinar uma altura e a largura aproximada da região pélvica.[0016] US patent 8036429 discloses a system and method for measuring an animal, consisting of a light source and an optical source. The light source can be a matrix of monochromatic LEDs (light emitting diodes) and the optical sensor can be a one-dimensional camera that opposes the light source and obtains an image (profile) that includes silhouettes of one or more legs of the animal . The system has software that performs measurements on the images generated, such as the approximate length of the animal's skeletal trunk, from the legs silhouetted in the image. Ultrasonic sensors can be arranged to determine an approximate height and width of the pelvic region.

[0017] As patentes PI0014568-8 e PI0012349-8 apresentam um processo para analisar uma carcaça de animal ovino, através da captura de uma imagem dorsal por câmera RGB e determinação de parâmetros biométricos em 2D. São geradas medidas lineares e pontuais (como o comprimento da carcaça) que são usadas para prever parâmetros da carcaça que possibilitam a determinação do teor de gordura e rendimento.[0017] The patents PI0014568-8 and PI0012349-8 present a process to analyze a sheep animal carcass, by capturing a dorsal image by an RGB camera and determining biometric parameters in 2D. Linear and punctual measurements (such as carcass length) are generated and used to predict carcass parameters that enable the determination of fat content and yield.

[0018] A patente US 5595444 descreve o uso de imagens obtidas por termografia usando radiação na região do infravermelho para determinar a qualidade da carne de animais vivos. A tecnologia usa locais anatômicos e temperaturas para diferentes animais os quais permitem determinar a qualidade das carcaças.[0018] US patent 5595444 describes the use of images obtained by thermography using radiation in the infrared region to determine the quality of the meat of live animals. The technology uses anatomical locations and temperatures for different animals which allow determining the quality of the carcasses.

[0019] A patente US 5458418 utiliza métodos de detecção de carne de baixa qualidade em animais vivos usando termografia infravermelha. As carcaças bovinas fora da faixa de temperatura de teste, 28°-32°±2 °C, são rejeitadas como tendo uma alta probabilidade de produzir carne de baixa qualidade. No caso de suínos, a temperatura de teste é de 24°-26°±2°C.[0019] US patent 5458418 uses methods of detecting low quality meat in live animals using infrared thermography. Bovine carcasses outside the test temperature range, 28 ° -32 ° ± 2 ° C, are rejected as having a high probability of producing low quality meat. In the case of pigs, the test temperature is 24 ° -26 ° ± 2 ° C.

[0020] A patente US 5576949 descreve um sistema utilizando câmeras de vídeo para avaliar um animal em movimento e não em estação. A tecnologia consiste no registro de imagens dos animais em movimento em dois tempos e a posterior subtração das duas imagens e seus contornos. A análise dessas medições determina parâmetros, tais como a largura do corpo, largura da paleta, largura do traseiro, e calcula a razão musculo-osso de um ombro, a quantidade de carne da carcaça, a qualidade da mesma, a quantidade de carne macia, a fertilidade e a eficiência de conversão de alimento.[0020] US patent 5576949 describes a system using video cameras to assess an animal in motion and not at a station. The technology consists of recording images of animals in motion in two stages and the subsequent subtraction of the two images and their contours. The analysis of these measurements determines parameters, such as the width of the body, width of the pallet, width of the rear, and calculates the muscle-bone ratio of a shoulder, the amount of meat in the carcass, the quality of the same, the amount of soft meat , fertility and food conversion efficiency.

[0021] As patentes US 7399220, US 7214128 e US 6974373 apresentam um método e um dispositivo para medir as características físicas de animais, como gado e porcos. O sistema é composto por um conjunto de câmeras para obter a forma tridimensional da carcaça do animal. A partir destas imagens o sistema correlaciona as informações com modelos para calcular o volume e estimar o peso do animal.[0021] US patents 7399220, US 7214128 and US 6974373 present a method and device for measuring the physical characteristics of animals, such as cattle and pigs. The system consists of a set of cameras to obtain the three-dimensional shape of the animal's carcass. From these images the system correlates the information with models to calculate the volume and estimate the animal's weight.

[0022] Várias patentes ensinam o atual estado da técnica para determinação de propriedade de carcaças de animais através de imagens tomadas após o abate.[0022] Several patents teach the current state of the art for determining ownership of animal carcasses through images taken after slaughter.

[0023] A patente US 6735326 descreve um método para avaliar carcaças em metades de animais abatidos por processamento de imagem óptica; em particular um método simples de alcançar em termos computacionais mesmo quando o plano de simetria é perdido quando as carcaças são divididas devido a erros no corte.[0023] US patent 6735326 describes a method for evaluating carcasses in halves of animals slaughtered by optical image processing; in particular a simple method to achieve in computational terms even when the plane of symmetry is lost when the carcasses are divided due to errors in cutting.

[0024] A patente CA2085124A1 (EP0535125) descreve um aparelho e método para classificação as carcaças após o abate, compreendendo várias câmeras de vídeo posicionadas adjacentes a uma linha de abate para registrar uma imagem de uma carcaça na linha de abate a partir de vários pontos de vista diferente e determinar as dimensões da carcaça a partir das imagens e comparar as referidas dimensões com os valores armazenados para determinar a classificação global da carcaça.[0024] The CA2085124A1 patent (EP0535125) describes an apparatus and method for classifying carcasses after slaughter, comprising several video cameras positioned adjacent to a slaughter line to record an image of a carcass on the slaughter line from various points different view and determine the dimensions of the carcass from the images and compare the said dimensions with the stored values to determine the overall classification of the carcass.

[0025] A patente US 6118542 reivindica uma sonda de medição inserida em no músculo durante o resfriamento em um animal recentemente abatido. A reatividade do músculo à luz é medida por meio de uma sonda em diferentes comprimentos de onda. A sonda permanece no músculo pelo período de tempo necessário no processo de resfriamento. Os dados de medição, após o processamento, são inseridos em um algoritmo que expressa a qualidade da carne com base em mudanças entre os dados.[0025] US patent 6118542 claims a measurement probe inserted into the muscle during cooling in a recently slaughtered animal. The muscle's reactivity to light is measured using a probe at different wavelengths. The probe remains in the muscle for as long as necessary in the cooling process. The measurement data, after processing, are inserted into an algorithm that expresses the quality of the meat based on changes between the data.

[0026] A patente US 6751364 descreve um sistema e método de análise de imagem para classificação de carne, previsão de qualidade de carne e/ou previsão de rendimento de carne de um animal. A tecnologia está especialmente projetada para capturar uma imagem da seção transversal da 12a costela e realizar uma análise de imagem é realizada para efeitos de classificação. A câmera está posicionada de modo que capte a seção transversal do bife em um ângulo na forma de cunha para facilitar a inserção na incisão da carcaça. Uma vez que a imagem for capturada digitalmente ou capturada e convertida em uma imagem digital, sua análise determina parâmetros como a porcentagem de inclinação, área total do músculo, área de gordura total, área magra total, porcentagem de mármore e espessura da gordura subcutânea, e outros parâmetros. Esses parâmetros são usados para prever o valor da carcaça.[0026] US patent 6751364 describes an image analysis system and method for meat classification, meat quality prediction and / or meat yield prediction of an animal. The technology is specially designed to capture an image of the cross section of the 12th rib and perform an image analysis is performed for classification purposes. The camera is positioned so that it captures the cross section of the steak at a wedge-shaped angle to facilitate insertion into the carcass incision. Once the image is captured digitally or captured and converted to a digital image, its analysis determines parameters such as the percentage of inclination, total muscle area, total fat area, total lean area, marble percentage and thickness of subcutaneous fat, and other parameters. These parameters are used to predict the carcass value.

[0027] A patente US 6198834 apresenta uma tecnologia de análise de imagem para conduzir uma pontuação preditiva de palatabilidade e rendimento de uma carcaça de animal ou corte de carne ou condições de defeito da carcaça ou corte de carne. O sistema usa um dispositivo de imagem, uma unidade de processamento para processamento da imagem e um dispositivo para saída de dados processados para o usuário.[0027] US patent 6198834 presents an image analysis technology to conduct a predictive score of palatability and yield of an animal carcass or meat cut or defective conditions of the carcass or meat cut. The system uses an imaging device, a processing unit for image processing and a device for outputting processed data to the user.

[0028] A patente CA 2287481C (EP0966681) descreve um processo para determinar a composição do tecido de um animal vivo ou da carcaça, particularmente, a massa corporal magra (músculo esquelético), compreendendo inicialmente a obtenção de pelo menos uma imagem termográfica infravermelha do referido animal vivo e pelo menos uma imagem termográfica infravermelha da carcaça do referido animal após o abate e em seguida obter os dados de temperatura na parte correspondente da imagem e gerar um modelo preditivo do valor de uma dada característica de composição do tecido a partir das medidas de temperatura.[0028] The patent CA 2287481C (EP0966681) describes a process for determining the tissue composition of a live animal or carcass, particularly lean body mass (skeletal muscle), initially comprising obtaining at least an infrared thermographic image of the said live animal and at least one infrared thermographic image of the animal's carcass after slaughter and then obtain the temperature data in the corresponding part of the image and generate a predictive model of the value of a given tissue composition characteristic from the measurements temperature.

[0029] A patente US5194036 descreve um método e um aparelho para classificação de carcaças, no qual a carcaça é apoiada em um suporte móvel, longitudinalmente ao pescoço do animal. O suporte é articulado para girar a carcaça e tomar imagens de vários ângulos dos quartos traseiros, da coxa, da parte superior da espinha dorsal e da parte dianteira inferior da carcaça. As imagens são armazenadas na memória de um computador e comparada com medidas de peso e comprimento da carcaça armazenados para classificar a carcaça. O suporte pode ter um cinto como uma primeira superfície de repouso com uma aba móvel formando a segunda superfície ou um elemento com duas superfícies fixas.[0029] The US5194036 patent describes a method and apparatus for classification of carcasses, in which the carcass is supported on a mobile support, longitudinally to the animal's neck. The support is articulated to rotate the housing and take images from different angles of the hindquarters, the thigh, the upper part of the backbone and the lower front part of the housing. The images are stored in a computer's memory and compared with measurements of weight and length of the carcass stored to classify the carcass. The support may have a belt as a first resting surface with a movable flap forming the second surface or an element with two fixed surfaces.

[0030] A patente US 5324228 descreve um aparelho de porcionamento de carne, suportada em um transportador sem fim para se mover através de uma faixa de luz nas quais câmeras a montante e a jusante registram a faixa clara e convertem pontos de luz espaçados em sinais elétricos que representam as várias magnitudes de seu brilho, sendo a magnitude de brilho acima de um predeterminado mínimo representativa de áreas de gordura periférica sobre a carne. Os sinais elétricos acima do predeterminado mínimo são utilizados pelo computador para controlar as linhas de contorno para um molde, para então cortar as porções de carne ao longo do contorno do molde, removendo as áreas de gordura da carne.[0030] US patent 5324228 describes a meat portioning apparatus, supported on an endless conveyor to move through a strip of light in which upstream and downstream cameras record the light strip and convert spaced light points into signals electrical that represent the various magnitudes of its brightness, the magnitude of brightness being above a predetermined minimum representative of areas of peripheral fat on the meat. The electrical signals above the predetermined minimum are used by the computer to control the contour lines for a mold, then cut the portions of meat along the mold outline, removing the fat areas from the meat.

[0031] A patente US 4939574 descreve um método para determinar as propriedades de carcaças de gado individuais, ou da metade de uma carcaça colocada em uma câmera em frente de uma superfície emissora de luz e contrastante. A carcaça se destaca como uma silhueta escura contra a superfície contrastante e uma imagem por inteiro da carcaça é registrada por meio de uma câmera de vídeo. O contorno da carcaça é determinado pelo processamento da imagem registrada em um sistema de processamento de dados e, com base no contorno determinado no sistema de processamento, é realizado um cálculo dos parâmetros no sistema de processamento de dados para determinar as propriedades da carcaça. O aparelho pode compreender ainda um instrumento com uma sonda que pode ser inserida em uma carcaça para registrar as espessuras de carne e gordura.[0031] US patent 4939574 describes a method for determining the properties of individual cattle carcasses, or half a carcass placed in a camera in front of a light-emitting and contrasting surface. The carcass stands out as a dark silhouette against the contrasting surface and an entire image of the carcass is recorded using a video camera. The carcass contour is determined by processing the image recorded in a data processing system and, based on the contour determined in the processing system, a calculation of the parameters in the data processing system is performed to determine the properties of the carcass. The device can also comprise an instrument with a probe that can be inserted into a housing to record the thickness of meat and fat.

[0032] A patente US 9476865 apresenta um sistema e um método para análise de propriedades de cortes de carne utilizando imagens multiespectrais em comprimentos de onda predeterminados. A análise das imagens produz uma previsão da maciez da carne. Os comprimentos de onda-chave predeterminados são correlacionados com um alto grau de predição da maciez da carne e/ou outras propriedades da carne e são usadas no sistema e no método multiespectral. Um sistema e um método para determinar os comprimentos de onda-chave também são apresentados. Um método onde um ou mais pixels estão associados com gordura, carne magra ou suas combinações, na referida região de interesse é analisado.[0032] US patent 9476865 discloses a system and method for analyzing the properties of meat cuts using multispectral images at predetermined wavelengths. The analysis of the images produces a prediction of the meat's tenderness. The predetermined key wavelengths are correlated with a high degree of prediction of meat tenderness and / or other meat properties and are used in the multispectral system and method. A system and method for determining key wavelengths are also presented. A method where one or more pixels are associated with fat, lean meat or their combinations, in that region of interest is analyzed.

[0033] A presente invenção se destaca das tecnologias encontradas no estado da técnica para determinação de peso corporal e propriedades de carcaças nos seguintes quesitos: identificação automática dos animais e carcaças, com grande vantagem para o processo de sumarização dos dados por animal, agilização e possibilidade de automatização do processo de aprendizagem dos algoritmos; associação de dados de cada animal (classe sexual e dados genótipos genealógicos e fenótipos) e ambiente, aspecto que permite maior acurácia na predição dos modelos uma vez que são características que interferem em aspectos de carcaça, e envio desses dados para programas de seleção genética de reprodutores; termografia dupla com objetivo de comparar a troca de calor da carcaça ao longo da linha de abate, para quantificar o acabamento em função do recobrimento e espessura de gordura, visto sua propriedade isolante, ajustado pelo volume muscular que também interfere na variação térmica mensurada pela câmera termográfica; associação de escore de técnicos in loco, aspecto essencial para o aprendizado de máquina, uma vez que até o presente este é o método utilizado pelos estabelecimentos que realizam a avaliação da carcaça; integração via servidor nas nuvens, aspecto que garante a integração dos dados de in vivo e post-mortem, de diversos locais ou origens, possibilitando ganhos em processamento e robustez para o algoritmo de aprendizado de máquinas; aprendizado de máquina, representando a dinamicidade da presente invenção, que tenderá sempre ao aumento de sua capacidade preditiva toda vez que se fechar um ciclo de animais observados a campo e no frigorífico, aumentando a robustez dos modelos de predição in vivo; suporte para determinação do abate com base em características de carcaça, aspecto que apresenta grande vantagem econômica da ferramenta, uma vez que possibilita que o usuário obtenha predições seguras da qualidade da carcaça dos animais antes de enviá-los para o abate.[0033] The present invention stands out from the technologies found in the state of the art for determining body weight and carcass properties in the following areas: automatic identification of animals and carcasses, with great advantage for the process of summarizing data by animal, streamlining and possibility of automating the learning process of the algorithms; association of data from each animal (sex class and data from genealogical genotypes and phenotypes) and environment, an aspect that allows greater accuracy in predicting models since they are characteristics that interfere in carcass aspects, and sending these data to genetic selection programs of breeders; double thermography in order to compare the heat exchange of the carcass along the slaughter line, to quantify the finish according to the covering and fat thickness, given its insulating property, adjusted by the muscular volume that also interferes with the thermal variation measured by the camera thermographic; association of score of technicians in loco, essential aspect for machine learning, since until now this is the method used by the establishments that carry out the evaluation of the carcass; integration via server in the clouds, an aspect that guarantees the integration of in vivo and post-mortem data, from different locations or origins, enabling gains in processing and robustness for the machine learning algorithm; machine learning, representing the dynamics of the present invention, which will always tend to increase its predictive capacity whenever a cycle of animals observed in the field and in the refrigerator is closed, increasing the robustness of in vivo prediction models; support for determination of slaughter based on carcass characteristics, an aspect that presents a great economic advantage of the tool, since it allows the user to obtain reliable predictions of the carcass quality of the animals before sending them for slaughter.

[0034] A presente invenção também integra todo o sistema de criação dos animais, com dados in vivo e post-mortem coletados continuamente, permitindo monitoramento, com a coleta de dados em todo o processo de forma automática ou semiautomática de variáveis preditoras (e.g. pontos de interesse nas imagens captadas) além dos dados utilizados atualmente como padrão (e.g., peso corporal, escore providos por técnicos treinados). A presente invenção também é a única a empregar diversos dispositivos de imagem conjuntamente (i.etermografia, imagem digital RGB e infravermelho) para aumentar a variedade de características mensuradas para formação dos bancos de dados.[0034] The present invention also integrates the entire animal breeding system, with in vivo and post-mortem data collected continuously, allowing monitoring, with data collection in the entire process automatically or semi-automatically of predictor variables (eg points of interest in the images captured) in addition to the data currently used as a standard (eg, body weight, score provided by trained technicians). The present invention is also the only one to employ several imaging devices together (i.etermography, digital RGB and infrared image) to increase the variety of characteristics measured for the formation of databases.

BRIEF DESCRIPTION OF THE FIGURES

[0035] As figuras apresentadas nesta patente mostram de forma não restritiva a aplicação desta invenção:[0035] The figures presented in this patent show non-restrictively the application of this invention:

[0036] Figura 1 - Fluxograma da invenção. A figura é separada em três ambientes, Fazenda, Servidor (nuvem) e Frigorífico. O fluxo é iniciado na fazenda. O item 01 representa o tempo entre a entrada do animal na fazenda até sua saída, sendo representados no início do processo o registro de dados históricos do animal (ícone folha), a coleta de imagens (ícone câmera) e opcionalmente os dados de pesagem corporal (ícone balança), sendo os dois últimos passíveis de coleta automática diária ao longo do crescimento. O item 2 representa o sistema da invenção como um todo, contendo os dados brutos coletados (item 4), o sistema embarcado para pré-processamento dos dados (item 5) e o banco de dados local (item 6). O item 3 indica a possibilidade de coleta e registro de dados do ambiente, como temperatura e dados respectivos à dieta. O item 7 representa o envio dos dados para o servidor nas nuvens. O item 8 representa o banco de dados principal, alocado em servidor nas nuvens. Os dados de peso coletados na fazenda são encaminhados (item 9) para o software para predição do desempenho dos animais (item 10) o qual reporta informações como peso atual e ganho de peso (item 11) e os envia para o banco central (item 12). O item 13 representa a consulta dos dados necessários para execução do software (item 14) responsável pela determinação das características de carcaça a partir de dados in vivo (item 15) os quais são enviados para o banco central (item 16). No frigorífico o item 17 representa a linha do abate, sendo coletados durante esse processo o peso do animal na entrada e o peso e imagens da carcaça. O item 18 representa o sistema da invenção instalado no local, contendo os dados brutos coletados (item 19), o sistema para pré-processamento dos dados (item 20) e o banco de dados local (item 21). O item 22 representa a entrada de dados gerados por um técnico capacitado para gerar avaliações do processo do abate (tais como, escores de qualidade e graus de lesão). O item 23 representa o envio desses dados para o banco central nas nuvens. O item 24 representa a consulta dos dados de predição e mensurados para avaliação dos modelos utilizados pelos softwares e realização da atualização dos mesmos, processe esse representado pelo item 25.[0036] Figure 1 - Flowchart of the invention. The figure is separated into three environments, Farm, Server (cloud) and Refrigerator. The flow starts on the farm. Item 01 represents the time between the animal's entry into the farm until its departure, with the historical data record of the animal (leaf icon), image collection (camera icon) and optionally the body weighing data represented at the beginning of the process. (scale icon), the latter two being subject to automatic daily collection throughout the growth. Item 2 represents the system of the invention as a whole, containing the raw data collected (item 4), the embedded system for data pre-processing (item 5) and the local database (item 6). Item 3 indicates the possibility of collecting and recording environmental data, such as temperature and data related to the diet. Item 7 represents the sending of data to the server in the clouds. Item 8 represents the main database, allocated on a cloud server. The weight data collected on the farm are sent (item 9) to the software for prediction of the animals' performance (item 10) which reports information such as current weight and weight gain (item 11) and sends it to the central bank (item 12). Item 13 represents the consultation of the necessary data for the execution of the software (item 14) responsible for determining the carcass characteristics from in vivo data (item 15) which are sent to the central bank (item 16). In the refrigerator, item 17 represents the slaughter line, the weight of the animal at the entrance and the weight and images of the carcass being collected during this process. Item 18 represents the system of the invention installed on site, containing the raw data collected (item 19), the system for pre-processing the data (item 20) and the local database (item 21). Item 22 represents the entry of data generated by a trained technician to generate assessments of the slaughter process (such as quality scores and degrees of injury). Item 23 represents the sending of this data to the central bank in the clouds. Item 24 represents the consultation of the prediction and measured data for the evaluation of the models used by the software and for updating them, process this represented by item 25.

[0037] Figura 2 - Reconstrução tridimensional do corpo do animal com uma câmera posicionada acima do dorso.[0037] Figure 2 - Three-dimensional reconstruction of the animal's body with a camera positioned above the back.

[0038] Figura 3 - Medidas lineares do animal na vista do dorso indicadas pelas linhas tracejadas.[0038] Figure 3 - Linear measurements of the animal in the dorsal view indicated by dashed lines.

[0039] Figura 4 - Medidas lineares do animal na vista lateral dorso indicadas pelas linhas tracejadas.[0039] Figure 4 - Linear measurements of the animal on the back side view indicated by dashed lines.

[0040] Figura 5 - Linha de abate e exemplo de imagem nos dois planos captados simultaneamente.[0040] Figure 5 - Slaughter line and example image in the two planes captured simultaneously.

[0041] Figura 6 - Avaliações lineares e de áreas da carcaça.[0041] Figure 6 - Linear and area evaluations of the carcass.

[0042] Figura 7 - Carcaça e imagem termográfica, passível de detectar e reconhecer lesões com emprego de algoritmos.[0042] Figure 7 - Carcass and thermographic image, capable of detecting and recognizing injuries using algorithms.

[0043] Figura 8 - Fluxograma generalizado do algoritmo para aprendizado de máquina.[0043] Figure 8 - Generalized flowchart of the algorithm for machine learning.

DETAILED DESCRIPTION OF THE INVENTION

[0044] No intuito de solucionar os problemas descritos no estado da técnica, o sistema da presente invenção permite a determinação de dados de carcaça do animal através da aquisição e tratamento de imagens do animal a campo, tomadas diariamente de forma voluntária e automática por meio de dispositivos eletrônicos conectados a um servidor dotado de software, e contrastadas a imagens tridimensionais e termográficas tomadas no frigorífico, após o abate e durante o resfriamento da carcaça. Este sistema, realimentado com os dados pre e pós o abate, usa treinamento de maquinas a partir das imagens para calibração e posterior predição de peso, acabamento e musculosidade, possibilitando um reajuste para predição com acurácia de dados de carcaça de animais futuros. Além do mais pode ser associado a um sistema de monitorização do crescimento dos animais possibilitando um aumento na eficiência na produção da fazenda.[0044] In order to solve the problems described in the state of the art, the system of the present invention allows the determination of animal carcass data through the acquisition and treatment of images of the animal in the field, taken daily voluntarily and automatically by means of electronic devices connected to a server with software, and contrasted to three-dimensional and thermographic images taken in the refrigerator, after slaughter and during the cooling of the carcass. This system, fed back with pre and post slaughter data, uses machine training based on images for calibration and subsequent weight, finish and muscularity prediction, allowing for an accurate prediction readjustment of future animal carcass data. Furthermore, it can be associated with a system for monitoring the growth of animals, enabling an increase in efficiency in the production of the farm.

[0045] O sistema apresentado neste pedido de patente se divide em três ambientes mostrados no fluxograma da Figura 1: Fazenda (retângulo cinza na parte inferior esquerda onde o item 1 representa a linha do tempo na fase de engorda dos animais), Frigorífico (retângulo cinza na parte inferior direita) e Servidor nas nuvens (representado na parte superior por uma nuvem).[0045] The system presented in this patent application is divided into three environments shown in the flowchart of Figure 1: Farm (gray rectangle at the bottom left where item 1 represents the timeline in the animal fattening phase), Fridge (rectangle gray at the bottom right) and Cloud Server (represented at the top by a cloud).

[0046] Inicialmente, na fazenda, os animais são registrados no sistema e identificados automaticamente, por um identificador eletrônico único tal qual brincos dotados de chip RFID FDX, ou por imagem, que será a referência desse animal por todas as fases do sistema da presente invenção. São também registrados dados do animal como classe sexual e dados genótipos genealógicos e fenótipos, biótipo, condição corporal, condição sexual (inteiro ou castrado), imagens ultrassonográficas e quaisquer outras informações que possam ter relação com o seu desenvolvimento futuro na fase de engorda.[0046] Initially, on the farm, the animals are registered in the system and identified automatically, by a unique electronic identifier such as earrings with an FDX RFID chip, or by image, which will be the reference of this animal throughout all phases of the present system. invention. Animal data such as sex class and genealogical genotypes and phenotypes, biotype, body condition, sexual condition (whole or castrated), ultrasound images and any other information that may be related to its future development in the fattening phase are also recorded.

[0047] O sistema é instalado em locais estratégicos na fazenda, como junto a um brete de contenção ou estrategicamente posicionada em frente a um bebedouro ou comedouro. No primeiro caso, o sistema coleta dados em um momento de manejo, por exemplo, na recepção ou saída dos animais da fazenda, um manejo sanitário, ou algo do tipo. No segundo caso, o sistema é instalado junto a locais atrativos ao animal, fazendo com que ele entre voluntariamente no local onde serão realizadas as aquisições das imagens. Isto permite obter imagens do animal em uma posição ideal e com pouca movimentação do animal para, além de permitir a aquisição de um grande número de imagens por dia, garantir maior acurácia nas predições de peso de carcaça e do grau de gordura de acabamento e musculosidade da carcaça sem necessidade de interferência humana.[0047] The system is installed in strategic places on the farm, such as next to a retaining bracket or strategically positioned in front of a water fountain or feeder. In the first case, the system collects data at a time of management, for example, when receiving or leaving animals on the farm, a sanitary management, or something like that. In the second case, the system is installed next to places attractive to the animal, causing it to voluntarily enter the place where the images will be acquired. This allows to obtain images of the animal in an ideal position and with little movement of the animal, in addition to allowing the acquisition of a large number of images per day, to ensure greater accuracy in the predictions of carcass weight and the degree of finishing fat and muscularity housing without the need for human interference.

[0048] . O sistema é dotado de: um ou mais sensores de presença, para ativação do sistema, permitindo que todo sistema fique inativo quando não for necessário, economizando energia e bateria e evitando a leitura de animais que não estejam na posição adequada; uma ou mais antenas, para identificação do animal; pelo menos uma câmera do tipo RGBD dotada ou não de sensor infravermelho. A inclusão de mais câmeras possibilita a geração de medidas bi e tridimensionais, aumentando o número de dados coletados. Idealmente o sistema utiliza 03 câmeras, sendo uma instalada para captar imagem do animal no sentido dorso-ventral,01 instalada para captar imagem no sentido caudo-rostral, revelando a silhueta do posterior do animal e 01 instalada em sentido latero-lateral. A Figura 2 mostra a reconstrução tridimensional do corpo do animal com uma câmera posicionada acima do dorso. A Figura 3 mostra as medidas lineares do animal na vista do dorso indicadas pelas linhas tracejadas e a Figura 4 mostra as medidas lineares do animal na vista lateral dorso indicadas pelas linhas tracejadas.[0048]. The system is equipped with: one or more presence sensors, to activate the system, allowing the entire system to be inactive when not needed, saving energy and battery and avoiding the reading of animals that are not in the proper position; one or more antennas, to identify the animal; at least one RGBD-type camera with or without an infrared sensor. The inclusion of more cameras makes it possible to generate two- and three-dimensional measurements, increasing the number of data collected. Ideally, the system uses 03 cameras, one installed to capture the animal's image in the dorsoventral direction, one installed to capture the image in the tail-rostral direction, revealing the silhouette of the animal's posterior and 01 installed in the latero-lateral direction. Figure 2 shows the three-dimensional reconstruction of the animal's body with a camera positioned above the back. Figure 3 shows the linear measurements of the animal in the back view indicated by the dashed lines and Figure 4 shows the linear measurements of the animal in the side view indicated by the dashed lines.

[0049] O sistema também poderá compreender opcionalmente uma balança de pesagem conforme descrito na patente BR102017006913 3. A balança irá registrar o peso vivo dos animais para avaliar o ganho de peso diário do animal. O peso e ganho de peso podem ser utilizados pelo sistema para predição de propriedades da carcaça do animal juntamente com as imagens. Com o sistema de calibração e validação que usa dados da carcaça medidos post-mortem, o sistema também é capaz de realizar esta predição apenas com as imagens das câmeras, sem a necessidade de utilizar os dados da balança. Neste caso, a pesagem é utilizada para calibração por treinamento de máquinas a partir das imagens;[0049] The system may also optionally comprise a weighing scale as described in patent BR102017006913 3. The scale will record the live weight of the animals to assess the daily weight gain of the animal. The weight and weight gain can be used by the system to predict the carcass properties of the animal together with the images. With the calibration and validation system that uses post-mortem measured housing data, the system is also able to perform this prediction only with the images from the cameras, without the need to use the scale data. In this case, the weighing is used for calibration by training machines based on the images;

[0050] As imagens captadas pelas câmeras (frames) e os dados de peso corporal (quando disponíveis) representados pelo paralelogramo 4 da Figura 1 são enviados para o software embarcado no microprocessador do sistema (item 5). As câmeras registram vários quadros (frames) simultaneamente, podendo variar o ângulo e a posição de captura, registrando dados de RGBD ou Infravermelho. Com uso de software, esses frames são sobrepostos para mapeamento de superfície por triangulação dos pontos das diferentes imagens captadas gerando um modelo nominal CAD que permite a extração e a comparação de dimensões nominais e medidas de interesse, como por exemplo: altura, área, volume, entre outras. Durante o dia do animal, as medidas voluntárias de imagem (e opcionais de peso corporal) são tomadas sempre que o animal visite o ambiente de observação, no caso de bebedouros isso ocorre cerca de seis vezes por dia por animal. Os dados são coletados durante toda a estadia do animal no ambiente, portanto, gerando dados desde sua entrada até a saída, diariamente. Como as imagens são obtidas de forma contínua, podendo ser registradas várias imagens por dia de um mesmo animal, é possível estabelecer um padrão para aceitação ou descarte da imagem coletada em função da qualidade da mesma, que pode ser afetada pela posição do animal no momento do registro de imagens ou por fatores ambientais. Esse pré-processamento, realizado pelo software embarcado (item 5) visa remover dados indesejados e buscar nas imagens as medidas de interesse, como volume, áreas e distâncias entre pontos de interesse, caracterizando o perfil biométrico do animal. Esses dados são então associados a cada animal temporalmente e armazenados em banco local (item 6) e são por fim sincronizados (item 7) com um banco de dados do servidor em nuvem (item 8).[0050] The images captured by the cameras (frames) and the body weight data (when available) represented by the parallelogram 4 of Figure 1 are sent to the software embedded in the system's microprocessor (item 5). The cameras register several frames (frames) simultaneously, being able to vary the angle and the position of capture, registering data of RGBD or Infrared. Using software, these frames are superimposed for surface mapping by triangulation of the points of the different images captured, generating a nominal CAD model that allows the extraction and comparison of nominal dimensions and measures of interest, such as: height, area, volume , among others. During the day of the animal, voluntary image measurements (and optional body weight) are taken whenever the animal visits the observation environment, in the case of drinking fountains this occurs about six times a day per animal. Data is collected throughout the animal's stay in the environment, thus generating data from its entry to its exit, daily. As the images are obtained continuously, and several images per day of the same animal can be registered, it is possible to establish a standard for acceptance or disposal of the collected image depending on the quality of the same, which can be affected by the animal's position at the time image registration or environmental factors. This pre-processing, carried out by the embedded software (item 5) aims to remove unwanted data and search the images for measurements of interest, such as volume, areas and distances between points of interest, characterizing the animal's biometric profile. These data are then temporarily associated with each animal and stored in a local bank (item 6) and are finally synchronized (item 7) with a cloud server database (item 8).

[0051] Paralelamente aos dados relativos aos animais, o sistema (item 2 da Figura 1) pode também captar dados do ambiente, como temperatura e umidade, e associar dados relativos ao manejo dos animais, como ingredientes da dieta, nível calórico e proteico (item 3).[0051] In addition to data related to animals, the system (item 2 in Figure 1) can also capture data from the environment, such as temperature and humidity, and associate data related to animal management, such as diet ingredients, caloric and protein levels ( item 3).

[0052] Uma vez disponíveis no banco de dados do servidor em nuvem, os dados coletados na fazenda são tratados on line. No primeiro caso, (item 9 da Figura 1), os dados de biometria e pesagem (quando disponíveis) são utilizados pelo software de desempenho animal, (item 10), que determina o peso corporal e a taxa de crescimento dos animais. Os outputs desse software são representados pelo item 11, e podem ser enviados para o banco de dados da nuvem (item 12).[0052] Once available in the cloud server database, the data collected on the farm are processed online. In the first case, (item 9 of Figure 1), the biometry and weighing data (when available) are used by the animal performance software, (item 10), which determines the body weight and growth rate of the animals. The outputs of this software are represented by item 11, and can be sent to the cloud database (item 12).

[0053] Assim que consolidados os dados brutos e os dados de performance, os dados são enviados (item 13 da Figura 1) e analisados pelo software para predição de características de carcaça in vivo (item 14). Os outputs desse software (item 15), medidas de grau de acabamento, cobertura e espessura de gordura, musculosidade, rendimento de carcaça e cortes e demais variáveis associadas são enviados para armazenamento no banco de dados (item 16).[0053] As soon as the raw data and performance data are consolidated, the data are sent (item 13 of Figure 1) and analyzed by the software to predict carcass characteristics in vivo (item 14). The outputs of this software (item 15), measurements of the degree of finish, coverage and thickness of fat, muscularity, carcass yield and cuts and other associated variables are sent for storage in the database (item 16).

[0054] No frigorífico, ou casa de matança (o item 17 da Figura 1 representa a linha de abate), o animal é inicialmente pesado e durante o procedimento do abate sua carcaça é monitorada pelo sistema da presente invenção (item 18). O sistema instalado é composto por: leitores do tipo antena para associação dos animais às suas respectivas meias-carcaças ao longo do processo; células de carga para pesagem dos animais e de suas meia-carcaças; pelo menos uma câmera RGB ou infravermelho; pelo menos uma câmera termográfica móvel e ainda ponto para entrada de dados manualmente, por inserção direta via dispositivo próprio, ou conexão com dispositivos móveis (telas, celulares e tablets). Na figura 5 é mostrada a linha de abate e exemplo de imagem nos dois planos captados simultaneamente.[0054] In the refrigerator, or slaughterhouse (item 17 of Figure 1 represents the slaughter line), the animal is initially weighed and during the slaughter procedure its carcass is monitored by the system of the present invention (item 18). The installed system consists of: antenna readers for associating animals with their respective half-carcasses throughout the process; load cells for weighing animals and their half-carcasses; at least one RGB or infrared camera; at least one mobile thermographic camera and also a point for entering data manually, by direct insertion via own device, or connection with mobile devices (screens, cell phones and tablets). Figure 5 shows the slaughter line and sample image in the two planes captured simultaneously.

[0055] Na entrada, medidas corporais de peso são adquiridas e durante o abate imagens são captadas em pelo menos dois pontos após a esfola. A identificação dos animais ao longo do processo é realizada pela associação do número identificador do chip do animal com os dos chips de identificação acoplados às carretilhas que transportam as carcaças nos trilhos do abatedouro, durante a operação denominada transpasse (i.e., pendura das carcaças nas carretilhas). As imagens digitais e infravermelho, caracterizados pelo paralelogramo na Figura 1 (item 19) são usadas para a busca de pontos de interesse e realização de medidas uni, bi e tridimensionais e ainda outras análises, como avaliação da frequência de cores em áreas de interesse, tarefa essa realizada por software instalado na plataforma do frigorífico (item 20). As câmeras registram vários quadros simultaneamente, e posteriormente esses quadros são sobrepostos para mapeamento de superfície por triangulação dos pontos das diferentes imagens captadas gerando um modelo nominal CAD que permite a extração e a comparação de dimensões nominais. Essas medidas são armazenadas em banco local (item 21) e empregadas para determinar características de carcaça até então realizadas apenas manualmente, via observação de técnico treinado, tal qual, musculosidade, acabamento, espessura de gordura e identificar e quantificar o grau de lesões. As lesões, em específico, geram muito embate entre produtor e indústria, já que a área lesionada deve ser retirada devido ao alto risco de contaminação do produto final, numa ação denominada na prática toalete da carcaça. Quanto maior a quantidade de lesão, menor será a quantidade de carne no final. Como o produtor recebe pelo que sobra da carcaça no final, a medida exata da extensão da lesão, que é realizada com emprego de software antes da remoção da área lesionada, reduz a subjetividade atual dessa prática. A identificação e o rastreamento da carcaça também possibilitam determinar a origem da lesão, se ocorreu antes ou durante o transporte do animal até o local de abate. A Figura 6 mostra as avaliações lineares e de áreas da carcaça e a Figura 7 mostra a carcaça e sua imagem termográfica, passível de detectar e reconhecer lesões com emprego de algoritmos[0055] At the entrance, body weight measurements are acquired and during slaughter images are captured at least two points after skinning. The identification of animals throughout the process is carried out by associating the identification number of the animal's chip with those of the identification chips attached to the reels that transport the carcasses on the slaughterhouse's rails, during the operation called overpass (ie, hanging from the carcasses on the reels) ). The digital and infrared images, characterized by the parallelogram in Figure 1 (item 19) are used to search for points of interest and perform uni, bi and three-dimensional measurements and other analyzes, such as assessing the frequency of colors in areas of interest, task performed by software installed on the refrigerator platform (item 20). The cameras register several frames simultaneously, and later these frames are overlaid for surface mapping by triangulating the points of the different images captured, generating a nominal CAD model that allows the extraction and comparison of nominal dimensions. These measurements are stored in a local bank (item 21) and used to determine carcass characteristics previously performed only manually, through the observation of a trained technician, such as muscularity, finish, fat thickness and to identify and quantify the degree of injuries. The injuries, in particular, generate a lot of conflict between producer and industry, since the injured area must be removed due to the high risk of contamination of the final product, in an action called in the practical toilet of the carcass. The greater the amount of injury, the less meat in the end. As the producer receives what is left of the carcass at the end, the exact measurement of the extent of the injury, which is performed using software before removing the injured area, reduces the current subjectivity of this practice. Carcass identification and tracking also makes it possible to determine the origin of the injury, whether it occurred before or during the transport of the animal to the slaughter place. Figure 6 shows the linear and area evaluations of the carcass and Figure 7 shows the carcass and its thermographic image, capable of detecting and recognizing injuries using algorithms.

[0056] Como o padrão atual de avaliação de carcaças é realizado por um técnico, a presente invenção permite a inserção em banco de dados dos escores, notas e valores gerados pelo técnico do frigorífico, via dispositivo para interação com humanos (tela própria, celular, tablet) (item 22), associando tais características ao número de identificação de cada animal, possibilitando futuras comparações e avaliação das medidas e modelos gerados pelo sistema.[0056] As the current carcass evaluation standard is performed by a technician, the present invention allows the insertion in the database of the scores, notes and values generated by the refrigerator technician, via a device for interaction with humans (own screen, cell phone) , tablet) (item 22), associating these characteristics to the identification number of each animal, enabling future comparisons and evaluation of the measures and models generated by the system.

[0057] O grau de musculosidade é determinado a partir do modelo de superfície tridimensional e de medidas lineares. É realizado o treinamento de aprendizado de máquinas para predizer o total de carne na desossa ou avaliar regiões específicas para determinação do rendimento de cortes de interesse nessas regiões. Valores mensurados de rendimento de cada corte da carcaça, do total de carne, bem como as proporções de cortes de dianteiro e de traseiro, de cada animal, são utilizados como output para o treinamento de maquina a partir do modelo 3D gerado da carcaça (utilizado com input). Adicionalmente, a partir de banco de modelos CAD de carcaças, separados em classes ou não, é gerado um modelo padrão (ou desejado) de carcaça, geral ou específico para determinadas classes sexuais ou genotípicas, que representará o modelo tridimensional padrão. As imagens de superfície de carcaças são sobrepostas ao modelo padrão e uma nova imagem de superfície é gerada utilizando técnica de mapa de cor de inspeção de variação, onde é possível avaliar se alguma região da carcaça apresenta maior ou menor musculosidade em relação ao modelo padrão, e assim gerar a bonificação ou penalização financeira da carcaça.[0057] The degree of muscularity is determined from the three-dimensional surface model and linear measurements. Machine learning training is carried out to predict the total meat on deboning or to evaluate specific regions to determine the yield of cuts of interest in those regions. Measured values of yield of each cut of the carcass, of the total of meat, as well as the proportions of cuts of front and rear, of each animal, are used as output for the training of the machine from the 3D model generated from the carcass (used with input). Additionally, from a bank of CAD models of carcasses, separated into classes or not, a standard (or desired) carcass model, general or specific for certain sexual or genotypic classes, is generated, which will represent the standard three-dimensional model. The carcass surface images are superimposed on the standard model and a new surface image is generated using variation inspection color map technique, where it is possible to assess whether any region of the carcass has greater or lesser muscularity in relation to the standard model, and thus generate the bonus or financial penalty of the carcass.

[0058] Um dos itens mais importantes que definem o grau de acabamento é a gordura que recobre a carcaça. Ela é determinada pela sobreposição de imagens termográficas da superfície das carcaças, tomadas em pelo menos dois tempos distintos, para gerar uma nova imagem de mapa de cor da variação de temperatura. O princípio empregado é que quanto maior for a espessura da gordura de cobertura, menor será a perda de calor e a variação de temperatura na carcaça ou em regiões de interesse na carcaça. Adicionalmente, quanto maior for o volume da carcaça, menor será a variação de temperatura, consequentemente, o dado biométrico de carcaça é utilizado para ajustar a avaliação térmica em função do volume da região de interesse ou da carcaça. Portanto, ajustando-se para o volume muscular, a espessura de gordura, total ou em uma região de interesse da carcaça, é determinada a partir da variação térmica superficial corrigida para o volume da região.[0058] One of the most important items that define the degree of finishing is the fat that covers the carcass. It is determined by the superimposition of thermographic images of the surface of the carcasses, taken at least two different times, to generate a new color map image of the temperature variation. The principle employed is that the greater the thickness of the covering fat, the lower the heat loss and the temperature variation in the carcass or in regions of interest in the carcass. Additionally, the larger the volume of the carcass, the smaller the temperature variation, consequently, the biometric data of the carcass is used to adjust the thermal evaluation according to the volume of the region of interest or the carcass. Therefore, adjusting for the muscular volume, the fat thickness, total or in a region of interest of the carcass, is determined from the corrected surface thermal variation for the volume of the region.

[0059] A última etapa no frigorífico é o envio dos dados armazenados no banco local para o banco de dados no servidor em nuvens (item 23).[0059] The last step in the refrigerator is sending the data stored in the local bank to the database on the cloud server (item 23).

[0060] O último estágio do sistema da presente invenção é o aprendizado de máquina. Nessa etapa, o software de aprendizado (item 25) busca no banco de dados principal (item 24) os dados observados (dados medidos por padrão ouro) e os compara aos dados preditos pelo sistema. De acordo com a avaliação da predição, o algoritmo de aprendizado parametriza o software e modelos utilizados para predição, aumentando a robustez dos mesmos. O algoritmo de aprendizagem é descrito de forma genérica na Figura 8.[0060] The last stage of the system of the present invention is machine learning. In this step, the learning software (item 25) searches the main database (item 24) for the observed data (data measured by gold standard) and compares them to the data predicted by the system. According to the prediction evaluation, the learning algorithm parameterizes the software and models used for prediction, increasing their robustness. The learning algorithm is described in a generic way in Figure 8.

[0061] A presente invenção emprega o aprendizado em quatro modelos, conforme mostrado na Figura 1: aprendizado para obtenção de medidas automáticas com base em imagens in vivo (item 5); aprendizado para o software de predição do desempenho de animais com base em imagem (item 10); aprendizado para o software de predição de características de carcaça in vivo (item 14); aprendizado para o software de obtenção de medidas automáticas com base em imagem de carcaças post-mortem (item 20).[0061] The present invention employs learning in four models, as shown in Figure 1: learning to obtain automatic measurements based on in vivo images (item 5); learning for image performance prediction software for animals (item 10); learning for the carcass characteristics prediction software in vivo (item 14); learning for the software for obtaining automatic measurements based on post-mortem carcasses image (item 20).

[0062] Com o uso do sistema de caracterização de carcaças de animais in-vivo apresentado nesta patente é possível tomar decisões sobre o momento ideal para o abate com os animais ainda vivos ou predizer animais com características de carcaça desejáveis para fins de seleção de genética superior. Por ser um processo executado em tempo real, o sistema permite acesso diário a predição de características da carcaça de cada animal. Essa informação associada a dados de custo e demais valores, como peso corporal, permitem ao técnico tomar decisão sobre o momento de abate, uma vez que possibilita desenvolver uma função matemática para cálculo e predição do lucro. Dessa forma, a estabilização do lucro, ou sua queda podem auxiliar na decisão do abate do animal. Ademais, as características de carcaça poderão ser utilizadas como restrições para o abate, por exemplo: o animal deverá apresentar rendimento de carcaça superior a 55% e ter espessura de gordura superior a 6 mm para ser abatido.[0062] Using the in-vivo animal carcass characterization system presented in this patent it is possible to make decisions about the ideal time for slaughter with animals still alive or to predict animals with desirable carcass characteristics for the purposes of genetics selection higher. As it is a process executed in real time, the system allows daily access to the prediction of carcass characteristics of each animal. This information associated with cost data and other values, such as body weight, allows the technician to make a decision on the moment of slaughter, since it makes it possible to develop a mathematical function for calculating and predicting profit. Thus, the stabilization of the profit, or its fall, can help in the decision to slaughter the animal. In addition, carcass characteristics can be used as slaughter restrictions, for example: the animal must have a carcass yield greater than 55% and have a fat thickness greater than 6 mm to be slaughtered.

[0063] Adicionalmente o sistema da presente invenção pode permitir alimentar uma base de dados com os dados de cada animal durante sua vida e com as propriedades medidas de sua carcaça após o abate e de seus cortes de carne, correlacionando-os com o histórico do animal, para determinar a rentabilidade de cada animal.[0063] Additionally, the system of the present invention may allow feeding a database with the data of each animal during its life and with the measured properties of its carcass after slaughter and of its cuts of meat, correlating them with the history of the to determine the profitability of each animal.

[0064] Os exemplos abaixo descrevem de forma não limitante a tecnologia apresentada nesta patente.[0064] The examples below describe in a non-limiting way the technology presented in this patent.

[0065] EXEMPLO I: Desenvolvimento de equações para determinar o peso e a composição corporal de bovinos a partir de medidas biométricas obtidas de imagens de câmera infravermelha e RGB.[0065] EXAMPLE I: Development of equations to determine the weight and body composition of cattle using biometric measurements obtained from infrared and RGB camera images.

[0066] Um exemplo da determinação do peso e composição corporal de bovinos a partir de imagens do animal vivo é mostrado em experiência feita em um centro de pesquisa no Brasil com bovinos confinados utilizando o equipamento da invenção.[0066] An example of determining the weight and body composition of cattle from images of the live animal is shown in an experiment carried out in a research center in Brazil with cattle confined using the equipment of the invention.

[0067] Foram analisados sessenta touros Nelore, com idade e peso médio inicial de 8 ± 0,3 meses e 276 ± 24 kg, respectivamente. O experimento durou 230 dias. Os animais foram pesados a cada 28 dias e concomitantemente foram coletadas as imagens do dorso a partir das quais os parâmetros biométricos a serem analisados foram obtidos. Posteriormente, a área de olho de lombo (AOL) e a espessura da gordura subcutânea (EGS) foram medidos por ultrassonografia.[0067] Sixty Nellore bulls were analyzed, with an average age and initial weight of 8 ± 0.3 months and 276 ± 24 kg, respectively. The experiment lasted 230 days. The animals were weighed every 28 days and concomitantly images of the back were collected from which the biometric parameters to be analyzed were obtained. Subsequently, the rib eye area (AOL) and the subcutaneous fat thickness (EGS) were measured by ultrasound.

[0068] No final do período experimental, os animais foram pesados após jejum de 16 horas e abatidos. A carcaça do animal foi dividida em duas metades e pesadas antes de serem resfriadas a 40C por 24 horas. As carcaças resfriadas foram pesadas para avaliar o rendimento de carcaça fria e o comprimento da carcaça, a AOL e EGS. Em seguida, a seção entre a 9a. e 11a. costelas (seção HH) foi removida para estimativa indireta da composição química (água, osso, gordura e proteína) e física da carcaça e do corpo vazio (EBW) segundo a metodologia descrita por Valadares Filho et al. (Valadares Filho, S.C.; Marcondes, M.I.; Chizzotti, M.L.; Paulino, P.V.R. Exigências nutricionais de zebuínos puros e cruzados-BR CORTE. 2nd ed. Viçosa-MG: Suprema Gráfica LTDA, 2010).[0068] At the end of the experimental period, the animals were weighed after a 16-hour fast and slaughtered. The animal's carcass was divided into two halves and weighed before being cooled to 40 ° C for 24 hours. The chilled carcasses were weighed to assess cold carcass yield and carcass length, AOL and EGS. Then the section between the 9th. and 11a. ribs (section HH) were removed for indirect estimation of the chemical composition (water, bone, fat and protein) and physics of the carcass and empty body (EBW) according to the methodology described by Valadares Filho et al. (Valadares Filho, S.C .; Marcondes, M.I .; Chizzotti, M.L .; Paulino, P.V.R. Nutritional requirements of pure and crossed zebu cattle-BR CORTE. 2nd ed. Viçosa-MG: Suprema Gráfica LTDA, 2010).

[0069] Para obter as imagens, utilizou-se o sensor Kinect® modelo 1473 da Microsoft, sincronizado com o software MatLab. O sensor é um dispositivo composto por uma câmera RGB e um sensor de profundidade (projetor infravermelho a laser e uma câmera infravermelha) que permite a digitalização do ambiente em três dimensões. O sensor foi posicionado a uma altura de 2,70 metros paralelo ao solo. As imagens RGB e infravermelho (640x480 pixels) de cada animal foram capturadas por aproximadamente 15 segundos. Uma imagem de cada animal foi escolhida para obter as medidas biométricas a serem analisadas. Os tratamentos das imagens, bem como as medições foram realizadas de forma automatizada pelo MatLab. Um algoritmo foi implementado e permitiu a obtenção da região correspondente ao animal (Figura 3).[0069] To obtain the images, we used the Kinect® sensor model 1473 from Microsoft, synchronized with the MatLab software. The sensor is a device composed of an RGB camera and a depth sensor (infrared laser projector and an infrared camera) that allows scanning the environment in three dimensions. The sensor was positioned at a height of 2.70 meters parallel to the ground. The RGB and infrared images (640x480 pixels) of each animal were captured for approximately 15 seconds. An image of each animal was chosen to obtain the biometric measurements to be analyzed. The treatments of the images, as well as the measurements were carried out in an automated way by MatLab. An algorithm was implemented and allowed to obtain the region corresponding to the animal (Figure 3).

[0070] Nas imagens coletadas, foram avaliadas as seguintes medidas biométricas: altura total (H), altura na paleta (FH), altura da pélvis (RH), área do plano dorsal (APD), largura frontal (FW), largura do abdômen (AW), largura do posterior (RW), comprimento do corpo (BL) e volume projetado do corpo (BV).[0070] In the images collected, the following biometric measures were evaluated: total height (H), height on the pallet (FH), height of the pelvis (RH), dorsal plane area (APD), frontal width (FW), width of the abdomen (AW), posterior width (RW), body length (BL) and projected body volume (BV).

[0071] Todos os procedimentos estatísticos foram realizados utilizando softwares SAS 9.0 (Statistical Analysis System). A regressão LASSO (Absorção Menor Absoluta e Operador de Seleção) (Tibshirani, R. 1996. Regression shrinkage and selection via the LASSO. J. Royal Stat. Soc. B 58, 267-288.) foi utilizada para selecionar as variáveis mais relevantes para prever o peso e a composição da carcaça. A área do plano dorsal, o volume, a altura total, o abdômen e a largura e o comprimento do corpo são as medidas biométricas que apresentaram o melhor ajuste na equação para determinar o peso corporal.[0071] All statistical procedures were performed using SAS 9.0 (Statistical Analysis System) software. The LASSO (Minor Absorption and Selection Operator) regression (Tibshirani, R. 1996. Regression shrinkage and selection via the LASSO. J. Royal Stat. Soc. B 58, 267-288.) Was used to select the most relevant variables to predict the carcass weight and composition. The dorsal plane area, volume, total height, abdomen and body width and length are the biometric measures that showed the best fit in the equation to determine body weight.

[0072] A estatística descritiva dos dados coletados no experimento é apresentada na Tabela 1.[0072] The descriptive statistics of the data collected in the experiment is shown in Table 1.

[0073] Tabela 1: Estatística descritiva das características avaliadas.

[0073] Table 1: Descriptive statistics of the evaluated characteristics.

[0074] As equações, incluindo as medidas biométricas, para as porcentagens de músculo, osso e gordura nas carcaças tiveram coeficientes de determinação de 0,99, 0,99 e 0,84. As equações estimaram com precisão as porcentagens de extrato etéreo (r2 = 0,99, CV = 10,05) e água (r2 = 0,49; CV = 4,07) e as quantidades de proteína bruta (r2 = 0,99, CV = 6,37), extrato etéreo (r2 = 0,99, CV = 10,95) e água (r2 = 0,99, CV = 6,02) do corpo vazio. Os resultados indicam a possibilidade de predição de peso e composição corporal por análise de imagem com boa precisão.[0074] The equations, including biometric measurements, for the percentages of muscle, bone and fat in the carcasses had determination coefficients of 0.99, 0.99 and 0.84. The equations accurately estimated the percentages of ether extract (r2 = 0.99, CV = 10.05) and water (r2 = 0.49; CV = 4.07) and the amounts of crude protein (r2 = 0.99 , CV = 6.37), ether extract (r2 = 0.99, CV = 10.95) and water (r2 = 0.99, CV = 6.02) from the empty body. The results indicate the possibility of prediction of weight and body composition by image analysis with good precision.

[0075] Os coeficientes de correlação e os respectivos níveis de significância entre o peso corporal (BW), o peso corporal vazio (EBW), as medidas biométricas e a composição da carcaça foram determinadas. As medidas biométricas em geral apresentaram altas correlações com o peso.[0075] The correlation coefficients and the respective levels of significance between body weight (BW), empty body weight (EBW), biometric measurements and carcass composition were determined. Biometric measurements in general showed high correlations with weight.

[0076] O peso corporal apresentou correlações significativas (P <0,0001) com a composição física e química da carcaça, o que indica associação entre esses parâmetros. As correlações encontradas entre as medidas biométricas e massa de músculos (kg), gordura (kg) e ossos (kg) da carcaça foram significativas (P <0,0001) e predominantemente altas.[0076] Body weight showed significant correlations (P <0.0001) with the physical and chemical composition of the carcass, which indicates an association between these parameters. The correlations found between biometric measurements and muscle mass (kg), fat (kg) and bones (kg) of the carcass were significant (P <0.0001) and predominantly high.

[0077] Em vista das fortes correlações entre os parâmetros avaliados, foram realizadas análises de regressão das variáveis cujas correlações foram significativas (P <0,20) e com explicação biológica. A tabela 2 apresenta o modelo para prever o peso corporal de animais e seus respectivos coeficientes de determinação.[0077] In view of the strong correlations between the parameters evaluated, regression analyzes were performed on variables whose correlations were significant (P <0.20) and with biological explanation. Table 2 shows the model for predicting the body weight of animals and their respective determination coefficients.

[0078] Tabela 2: Equações para predição do Peso corporal dos animais e seus respectivos coeficientes: APD: Área Dorsal (pixel), Vol: Volume (pixel), Altura total (mm), AW: Largura do Abdome (pixel), Larg. Tras: Largura do traseiro, Comp. Dorsal: Comprimento Dorsal (pixel), C.V.: Coeficiente de Variação, R2: Coeficiente de determinação.

[0078] Table 2: Equations for prediction of the animals' body weight and their respective coefficients: APD: Dorsal Area (pixel), Vol: Volume (pixel), Total Height (mm), AW: Abdomen Width (pixel), Larg . Rear: Rear width, Length. Dorsal: Dorsal Length (pixel), CV: Coefficient of Variation, R2: Coefficient of determination.

[0079] No modelo selecionado para prever o peso corporal (BW), todas as variáveis foram significativas (P < 0,05), fornecendo equação com alto coeficiente de determinação (R2 = 0,88) e baixos coeficientes de variação (CV = 5,32) indicando que as medidas biométricas estão muito correlacionadas com as variações no peso vivo.[0079] In the model selected to predict body weight (BW), all variables were significant (P <0.05), providing an equation with a high coefficient of determination (R2 = 0.88) and low coefficients of variation (CV = 5.32) indicating that biometric measurements are highly correlated with variations in live weight.

[0080] Tabela 3: Coeficientes estimados para predição do rendimento de carcaça (%) e espessura de gordura (BFT, backfat thickness, mm).

[0080] Table 3: Estimated coefficients for prediction of carcass yield (%) and fat thickness (BFT, backfat thickness, mm).

[0081] Tabela 4:Coeficientes estimados para predição do percentual de músculos, ossos e gordura.

[0081] Table 4: Estimated coefficients to predict the percentage of muscles, bones and fat.

[0082] Tabela 5: Coeficientes estimados para predição do total de músculos, ossos e gorduras (kg).

[0082] Table 5: Estimated coefficients to predict the total of muscles, bones and fats (kg).

[0083] As Tabela 3, 4 e 5 apresentam os diferentes modelos para prever os componentes físicos das carcaças e seus respectivos coeficientes de determinação. O peso corporal é a variável mais importante para prever os componentes físicos da carcaça, e as outras variáveis foram utilizadas para se adequarem melhor às equações. A equação gerada para prever BFT é mostrada na tabela 3.[0083] Tables 3, 4 and 5 show the different models to predict the physical components of the carcasses and their respective determination coefficients. Body weight is the most important variable to predict the physical components of the carcass, and the other variables were used to better match the equations. The equation generated to predict BFT is shown in table 3.

[0084] Os resultados indicam que uma câmera 3D pode atuar como uma ferramenta para obter o peso e a composição corporal do gado Nelore, com uso das equações que correlacionam parâmetros biométricos dos animais com a composição da carcaça.[0084] The results indicate that a 3D camera can act as a tool to obtain the weight and body composition of Nellore cattle, using the equations that correlate the animals' biometric parameters with the composition of the carcass.

[0085] EXEMPLO 2: Classificação, avaliação e tipificação de carcaças com uso de câmera de imagem infravermelha[0085] EXAMPLE 2: Classification, evaluation and classification of carcasses using an infrared image camera

[0086] Foram utilizados 35 bovinos da raça Nelore, machos, com idade média de 14± 0,3 meses e peso vivo médio 480 kg de peso. Os animais foram submetidos a jejum de sólidos durante 16 horas e posteriormente foram abatidos por meio de concussão cerebral e secção da jugular para sangramento. Todos os procedimentos com animais foram aprovados por comitê de Ética no Uso de Animais de Produção.[0086] 35 male Nellore cattle were used, with an average age of 14 ± 0.3 months and an average live weight of 480 kg. The animals were fasted from solids for 16 hours and were subsequently slaughtered by means of cerebral concussion and section of the jugular for bleeding. All animal procedures were approved by the Ethics Committee on the Use of Production Animals.

[0087] Após o abate, a carcaça de cada animal foi dividida longitudinalmente em duas metades que foram pesadas para avaliação do rendimento de carcaça quente e, em seguida, resfriadas em câmara fria a 4°C por aproximadamente 24 horas. Posteriormente as carcaças resfriadas foram pesadas para avaliação do rendimento de carcaça fria sendo mensurado também a área de olho de lombo (AOL) e espessura de gordura subcutânea na altura da 12a costela da carcaça.[0087] After slaughter, the carcass of each animal was divided longitudinally into two halves that were weighed to evaluate the performance of the hot carcass and then cooled in a cold chamber at 4 ° C for approximately 24 hours. Subsequently, the chilled carcasses were weighed to evaluate the cold carcass yield, and the rib eye area (AOL) and subcutaneous fat thickness at the 12th carcass rib were also measured.

[0088] Obtenção das imagens e parâmetros analisados[0088] Obtaining the images and parameters analyzed

[0089] A meia-carcaça esquerda foi utilizada para obtenção das imagens. As carcaças foram penduradas pelo método Tenderstretch e coletou-se imagens do perfil e do dorso da carcaça. Posteriormente retirou-se desta a seção HH segundo a metodologia descrita por Valadares Filho et al. (Valadares Filho, S.C.; Marcondes, M.I.; ChizzottI, M.L.; Paulino, P.V.R. Exigências nutricionais de zebuínos puros e cruzados-BR CORTE. 2nd ed. Viçosa-MG: Suprema Gráfica LTDA, 2010), para estimativa indireta da composição química da carcaça. Para estimar a composição física da carcaça foram utilizadas as equações propostas por Marcondes et al. (Marcondes, M.I.; Tedeschi, L.O.; Valadares Filho, S.C.; Chizzotti, M.L. Prediction of physical and chemical body compositions of purebred and crossbred Nellore cattle using the composition of a rib section. Journal of Animal Science, v. 90, n. 4, p. 1280-90, 2012).[0089] The left half-carcass was used to obtain the images. The carcasses were hung using the Tenderstretch method and images of the carcass profile and back were collected. Subsequently, the HH section was removed from it according to the methodology described by Valadares Filho et al. (Valadares Filho, SC; Marcondes, MI; ChizzottI, ML; Paulino, PVR Nutritional requirements of pure and crossed zebu cattle-BR CORTE. 2nd ed. Viçosa-MG: Suprema Gráfica LTDA, 2010), for indirect estimation of the chemical composition of the carcass . To estimate the physical composition of the carcass, the equations proposed by Marcondes et al. (Marcondes, MI; Tedeschi, LO; Valadares Filho, SC; Chizzotti, ML Prediction of physical and chemical body compositions of purebred and crossbred Nellore cattle using the composition of a rib section. Journal of Animal Science, v. 90, n. 4 , p. 1280-90, 2012).

[0090] Para obtenção das imagens foi utilizado o sensor Kinect® modelo 1473 da Microsoft. O sensor foi posicionado a uma altura de 1,50 metros em relação ao solo e a uma distância de 3,80 metros da carcaça. O sensor Kinect® foi sincronizado com o software MatLab. Deste modo, os tratamentos das imagens assim como todas as mensurações foram realizadas de forma automatizada com auxílio de ferramentas operacionais do software MatLab. Foram tomadas de cada carcaça imagens do plano dorsal do plano lateral das mesmas.[0090] Microsoft Kinect® model 1473 sensor was used to obtain the images. The sensor was positioned at a height of 1.50 meters from the ground and at a distance of 3.80 meters from the housing. The Kinect® sensor was synchronized with the MatLab software. In this way, the treatments of the images as well as all the measurements were carried out in an automated way with the aid of operational tools from the MatLab software. Images of the dorsal plane of the lateral plane were taken from each carcass.

[0091] Nas imagens coletadas foram avaliadas as seguintes variáveis biométricas: Área total, volume total, comprimento total, altura maior total e altura média total.[0091] In the images collected, the following biometric variables were evaluated: Total area, total volume, total length, total maximum height and total average height.

[0092] Entre as variáveis químicas, foram obtidas as quantidades em quilos de proteína bruta na carcaça (PB Kg) e extrato etéreo na carcaça (EE Kg). Entre as físicas foram obtidas as quantidades em quilos de músculo (músculo Kg) e gordura na carcaça (gordura Kg).[0092] Among the chemical variables, the quantities in crude protein in the carcass (PB Kg) and ether extract in the carcass (EE Kg) were obtained. Among the physics, the amounts in kilograms of muscle (Kg muscle) and carcass fat (Kg fat) were obtained.

[0093] Análises laboratoriais;[0093] Laboratory analysis;

[0094] As amostras de músculo, gordura e do tecido ósseo obtidas da seção HH, foram liofilizadas por 72 horas para quantificação da matéria seca parcial gordurosa (MSG). Posteriormente, estas amostras foram desengorduradas parcialmente através de lavagens sucessivas com éter de petróleo, segundo método número 920.39 da Association of Official Analysis Chemists. (Official methods of analysis. 15th ed. Arlington, 1990. 1094p). Após o desengorduramento parcial, as amostras foram moídas em moinho de bola para quantificação dos teores de matéria seca (método número 930.15), matéria mineral (método número 924.05), proteína bruta (método número 984.13) e extrato etéreo (método número 920.39). A gordura removida no desengorduramento parcial foi adicionada ao teor de EE para quantificação do teor total de gordura na carcaça.[0094] The muscle, fat and bone tissue samples obtained from the HH section, were lyophilized for 72 hours to quantify the partial fat dry matter (MSG). Subsequently, these samples were partially degreased through successive washes with petroleum ether, according to method number 920.39 of the Association of Official Analysis Chemists. (Official methods of analysis. 15th ed. Arlington, 1990. 1094p). After partial degreasing, the samples were ground in a ball mill to quantify the contents of dry matter (method number 930.15), mineral matter (method number 924.05), crude protein (method number 984.13) and ether extract (method number 920.39). The fat removed in partial degreasing was added to the EE content to quantify the total fat content in the carcass.

[0095] Análises estatísticas:[0095] Statistical analysis:

[0096] Todos os procedimentos estatísticos foram realizados utilizando softwares SAS 9.0 (Statistical Analysis System). Utilizou-se a regressão LASSO (Absorção Menor Absoluta e Operador de Seleção) (Tibshirani, R. 1996. Regression shrinkage and selection via the LASSO. J. Royal Stat. Soc. B 58, 267-288.) para selecionar as variáveis mais relevantes para predizer a composição física e química das carcaças. Este método foi implementado com o procedimento GLMSELECT do software SAS® assumindo inicialmente todas as variáveis biométricas obtidas nas imagens, AOL, EGS e peso. Posteriormente, o procedimento REG foi utilizado para identificar as variáveis significativas identificadas a partir do GLMSELECT.[0096] All statistical procedures were performed using SAS 9.0 (Statistical Analysis System) software. LASSO (Minor Absolute Absorption and Selection Operator) regression (Tibshirani, R. 1996. Regression shrinkage and selection via the LASSO. J. Royal Stat. Soc. B 58, 267-288.) Was used to select the most relevant to predict the physical and chemical composition of the carcasses. This method was implemented with the GLMSELECT procedure of the SAS® software, initially assuming all biometric variables obtained in the images, AOL, EGS and weight. Subsequently, the REG procedure was used to identify the significant variables identified from the GLMSELECT.

[0097] Resultados: A área de olho de lombo (AOL) e a espessura de gordura subcutânea (EGS) são os parâmetros tradicionalmente utilizados para predizer o rendimento cárneo após a desossa (Silva, S.L., Leme, P.R., Putrino, S.M., Lanna, D.P.D. Alterações nas características de carcaça de tourinhos Nelore, avaliados por ultrassom. Revista Brasileira de Zootecnia, v. 35, n. 2, p.607-612, 2006.). Para que estes parâmetros sejam obtidos é necessário que se seccione a carcaça entre a 12a e 13a costelas danificando músculos de alto valor comercial, o que prejudica a adoção deste sistema por parte de alguns frigoríficos, além de ser um método manual e laborioso.[0097] Results: The rib eye area (AOL) and the subcutaneous fat thickness (EGS) are the parameters traditionally used to predict meat yield after boning (Silva, SL, Leme, PR, Putrino, SM, Lanna , DPD Changes in carcass characteristics of Nellore bulls, evaluated by ultrasound (Revista Brasileira de Zootecnia, v. 35, n. 2, p.607-612, 2006.). For these parameters to be obtained, it is necessary to section the carcass between the 12th and 13th ribs, damaging muscles of high commercial value, which hampers the adoption of this system by some refrigerators, in addition to being a manual and laborious method.

[0098] Tabela 6: Coeficientes e significância de parâmetros da equação para predição de componentes físicos e químicos de carcaças bovinas considerando parâmetros tradicionais de avaliação de carcaças.

[0098] Table 6: Coefficients and significance of parameters of the equation for prediction of physical and chemical components of bovine carcasses considering traditional parameters of carcass evaluation.

[0099] Na Tabela 6 são apresentados os diferentes modelos para predizer os componentes de carcaças e seus respectivos coeficientes de determinação quando se considera as variáveis tradicionais.[0099] Table 6 presents the different models to predict the carcass components and their respective coefficients of determination when considering the traditional variables.

[00100] Ao contrário do esperado, a AOL não foi significativa em nenhum modelo de predição (Tabela 4). As variáveis peso de carcaça e EGS foram importantes (P<0,20) para a predição da quantidade de músculo, pois ao atingir o ponto de abate, provavelmente o animal já cessou o crescimento muscular e consequentemente a AOL também cessa o seu crescimento, assim a EGS passa a ter maior importância na determinação da quantidade de tecido muscular (Suguisawa, L., Mattos, W. R. S., Souza, A. A. D., Silveira, A. C., Oliveira, H. N. D., Arrigoni, M. D. B., Burini, D. C. M.. Prediction of carcass composition of steers using ultrasound measurements. Revista Brasileira de Zootecnia, 35(1), 177-185, 2006).[00100] Contrary to expectations, AOL was not significant in any prediction model (Table 4). The carcass weight and EGS variables were important (P <0.20) for the prediction of the amount of muscle, because when reaching the point of slaughter, the animal probably stopped the muscle growth and consequently the AOL also stops its growth, thus, EGS becomes more important in determining the amount of muscle tissue (Suguisawa, L., Mattos, WRS, Souza, AAD, Silveira, AC, Oliveira, HND, Arrigoni, MDB, Burini, DCM. Prediction of carcass composition of steers using ultrasound measurements, Revista Brasileira de Zootecnia, 35 (1), 177-185, 2006).

[00101] O resultado de nosso estudo, exemplifica que o os parâmetros tracionais têm um desempenho limitado para predizer corretamente a PB (Kg) das carcaças, embora seja relativamente alto o coeficiente de determinação (R2= 0,75). Os parâmetros tracionais apresentam boa correlação (R2= 0,99) com a proporção de músculos das carcaças, sendo este superior aos reportados por Suguisawa et al. (2006) ao trabalhar com Ultrassonografia para predição da composição da carcaça de bovinos jovens, que encontraram coeficientes de determinação de 86% a partir das mensurações nas carcaças.[00101] The result of our study, exemplifies that the traction parameters have a limited performance to correctly predict the CP (Kg) of the carcasses, although the coefficient of determination is relatively high (R2 = 0.75). The traction parameters show a good correlation (R2 = 0.99) with the proportion of carcass muscles, which is higher than those reported by Suguisawa et al. (2006) when working with Ultrasonography to predict the composition of the carcass of young cattle, who found a coefficient of determination of 86% from the measurements on the carcasses.

[00102] Na Tabela 7 são apresentados também os componentes das equações de regressão para predição das quantidades de gordura, onde as variáveis significativas foram o peso de carcaça e a EGS. Peso carc.: Peso Carc., Comp. Perfil: Comprimento perfil, Vol. Perfil Total: Volume perfil total, Alt. Maior Perfil: Altura maior perfil.

[00102] Table 7 also presents the components of the regression equations to predict the amounts of fat, where the significant variables were carcass weight and EGS. Carc .: Weight Carc., Comp. Profile: Profile length, Vol. Total profile: Volume total profile, Alt. Largest profile: Height greater profile.

[00103] Para predição da quantidade de gordura, a equação obteve um alto coeficientes de determinação (R2=0,98), sendo este superior aos reportados por Greiner et al. (Greiner, S.P.; Rouse, G.H.; Wilson, D.E. The relationship between ultrasound measurements and carcass fat thickness and longissimus muscle area in beef cattle, Journal of Animal Science, v.81, p.676-682, 2003.), que encontraram coeficiente de determinação para as estimativas de gordura de 0,89.Na Tabela 7 são apresentadas as variáveis de biometria significativas para predição da composição da carcaça. A relação entre medidas biométricas avaliadas em imagens na carcaça para predizer as características de acabamento e musculosidade foram superiores em precisão em relação à tradicionais (AOL e EGS) e podem ser avaliados comercialmente sem a necessidade de realizar cortes nas carcaças, permitindo a automação do processo de tipificação.[00103] To predict the amount of fat, the equation obtained a high coefficient of determination (R2 = 0.98), which is higher than those reported by Greiner et al. (Greiner, SP; Rouse, GH; Wilson, DE The relationship between ultrasound measurements and carcass fat thickness and longissimus muscle area in beef cattle, Journal of Animal Science, v.81, p.676-682, 2003.), which found determination coefficient for fat estimates of 0.89. Table 7 shows the biometric variables that are significant for predicting carcass composition. The relationship between biometric measurements evaluated in images in the carcass to predict the finishing and muscularity characteristics were superior in precision in relation to the traditional ones (AOL and EGS) and can be evaluated commercially without the need to make cuts in the carcasses, allowing the automation of the process of typification.

[00105] Tabela 5: Equações para predição de componentes físicos e químicos de carcaças bovinas considerando interação entre área e volume.[00105] Table 5: Equations for prediction of physical and chemical components of bovine carcasses considering interaction between area and volume.

[00106] A inclusão simultânea dos parâmetros de área e volume da carcaça mostrou ter um desempenho melhor em predizer a PB (kg) do que a AOL pois está relacionada ao total de músculo na carcaça, ao invés de uma área pontual como no caso da AOL.[00106] The simultaneous inclusion of carcass area and volume parameters has shown to have a better performance in predicting CP (kg) than AOL because it is related to the total muscle in the carcass, instead of a point area as in the case of AOL.

[00107] O uso de imagens representa uma alternativa promissora na tipificação e na classificação de carcaças bovinas.[00107] The use of images represents a promising alternative in the typification and classification of bovine carcasses.

Claims

System for monitoring animals and determining the finish and muscularity of the animal characterized by comprising:

The. A system capable of analyzing the biometrics of an automatically identified animal and determining body weight using daily one-dimensional, two-dimensional or three-dimensional images of the animal, taken voluntarily and images taken after slaughter, and with machine training from these images to make the conversion of the data in vivo to determine the meat weight, the muscularity, the fat content in the animal's carcass and the yield of meat cuts;
B. One or more sensors for recognizing animals such as electronic tags and images;
ç. At least one RGBD camera, with or without an infrared sensor to capture images of the live animal;
d. Device for associating animal recognition data to their images;
and. Means for inserting, automatically or not, animal data such as: phenotypic, genotypic, genealogical, age, sex, current and previous diet, farm of origin and climatic factors;
f. Upgradable system for pre-processing animal images and sending to the server in the clouds, [5] according to Figure 1;
g. Software installed on a cloud server to determine carcass characteristics such as: weight, carcass yield, fat thickness, rib eye area, throughout the animal's life, [14] according to Figure 1;
H. At least one RGBD camera, with or without an infrared sensor, installed at the slaughter place of the animal to capture images of each part of the carcass properly identified after cutting it immediately after slaughter;
i. At least one thermographic camera installed at the slaughter place of the animal to capture carcass properties immediately after slaughter and before entering the cold room;
j. Upgradable system for pre-processing the images of the carcasses and sending them to the server in the clouds, [20] according to Figure 1;
k. Means to reconstruct uni, bi, or three-dimensionally the animal's carcass by means of the images and to perform body measurements such as height, back area, volume, and to determine the body weight, the fat content and the muscularity of the carcass with the animal still alive;
l. Means for identifying the carcass of the animal after slaughter and the traceability of its parts and analyzing the measurements after slaughter and determining the fat content and muscularity, and identifying the existence and extent of lesions in the animal carcass, and comparing, calibrate and validate the estimated results with the animal still alive, with the data obtained from the carcass and parts of the animal's carcass after slaughter;
m. Artificial intelligence means to feed a continuous evolution algorithm to determine the composition and classification of the carcass based on the measurements of the animals still alive, [25] according to Figure 1;

System for monitoring animals and determining the finish and muscularity of the animal, according to claim 1, characterized by optionally comprising a weighing scale to record the live weight of the animals and assist in the calibration of the image evaluation system;

System for monitoring animals and determining the finish and muscularity of the animal, according to claim 1, characterized by the acquisition of images of the live animal to be made using at least one RGBD camera with or without an infrared sensor installed next to the feeding area or animal drinking fountain;

Animal monitoring system and determination of the animal's finish and muscularity, according to claim 1, characterized by maintaining the carcass traceability throughout the animal's slaughter process;

System for monitoring animals and determining the finish and muscularity of the animal, according to claim 1, characterized by allowing, using images taken after slaughter, to identify the presence of lesions in the carcass, to quantify the necessary injured area to be removed to avoid risk of contamination of the final product and to determine the actual weight of the meat sold, and to trace the origin of the injury, before or during the transport of the animal to the slaughter place;

System for monitoring animals and determining the finish and muscularity of the animal, according to claim 1, characterized by allowing to identify the properties of the carcass, finishing, fat content and muscularity and to classify the carcass and its cuts according to the Carcass classification adopted in consuming countries;

System for monitoring animals and determining the finish and muscularity of the animal, according to claim 1, characterized by allowing to feed a database with the data of each animal during its life and with the measured properties of its carcass after slaughter and cuts of meat, correlating them with the animal's history, to determine the profitability of each animal.