Padronização da termografia infravermelha para diagnóstico da mastite subclínica bovina em sistema de ordenha robótica

Abstract

A mastite é uma das principais enfermidades de vacas leiteiras, acarreta prejuízos econômicos, compromete o bem-estar animal e apresenta relevância para a saúde pública. A forma subclínica da doença reduz a produção e compromete a qualidade nutricional do leite. O uso de tecnologias para seu diagnóstico precoce, como a termografia infravermelha (TIV), pode gerar grandes quantidades de dados capazes de fornecer informações valiosas quando analisados por técnicas de aprendizado de máquina. Diante disso, este trabalho teve como objetivo avaliar e aprimorar o uso da TIV no diagnóstico da mastite subclínica bovina, por meio do desenvolvimento de estratégias de análise de imagens térmicas apoiadas em algoritmos de Inteligência Artificial. Noventa e sete vacas leiteiras foram utilizadas. Elas foram ordenhadas em sistema automático de ordenha (AMS) e submetidas à TIV. O estado de saúde da glândula mamária foi determinado com o uso de um valor de triagem para a contagem de células somáticas do leite de 200.000 células/mL. Primeiramente, dados e variáveis de 1.035 unidades amostrais foram analisados com algoritmo Extreme Gradient Boosting (XGBoost). Avaliou-se 18 variáveis relacionadas ao ambiente, às características físico-químicas do leite, ao animal, à forma de agrupamento dos patógenos isolados e à termografia. As variáveis mais relevantes para a classificação do estado de saúde foram identificadas e selecionadas para a construção do modelo final de predição. Curvas ROC foram construídas e os melhores resultados para a área sob a curva (0,843) e especificidade diagnóstica (93,3%) foram obtidos com o modelo que considerou todas as variáveis termográficas. O ponto mais frio da região de interesse foi considerado o atributo termográfico mais importante no diagnóstico da mastite subclínica, e o modelo final criado pode ser utilizado para confirmação da doença. Em seguida, avaliou-se o desempenho da integração da TIV com modelos de visão computacional. Foram utilizados 514 termogramas de quartos mamários saudáveis e com mastite subclínica, analisados com o algoritmo You Only Look Once (YOLO), versões 8 e 11, com e sem técnicas de aumento de imagens. Todos os modelos apresentaram melhor desempenho na identificação de glândulas mamárias saudáveis, com destaque para o YOLOv8, configurado com a ativação de técnicas de aumento de imagens em seus valores padrão (precisão média — AP = 84,2%). O uso de imagens artificiais (mAP50 de 64,3% com o YOLOv8 e 60,4% com o YOLO11) melhorou o desempenho dos modelos, demonstrando capacidade de generalização na fase de teste, com destaque para o YOLO11 (83,3% de precisão, 55,6% de sensibilidade, 85,7% de especificidade e 68,8% de acurácia). O algoritmo YOLO mostrou-se promissor na avaliação da saúde da glândula mamária bovina com base em termogramas, especialmente com a inclusão de imagens sintéticas. O presente trabalho evidenciou o potencial de sinergia entre a TIV e os algoritmos de Inteligência Artificial no diagnóstico da mastite subclínica bovina. Enquanto o uso do XGBoost demonstrou que a análise conjunta de variáveis ambientais, produtivas e termográficas pode elevar a acurácia diagnóstica, a aplicação do YOLO reforçou o papel da visão computacional na detecção automática de padrões térmicos.

Mastitis is one of the most significant diseases affecting dairy cows, leading to economic losses, compromising animal welfare, and posing public health concerns. The subclinical form of the disease reduces milk yield and impairs its nutritional quality. Technologies aimed at the early diagnosis of this condition, such as infrared thermography (IRT), can generate large amounts of data that provide valuable insights when subsequently analyzed through machine learning techniques. Therefore, this study aimed to evaluate and improve the use of IRT in the diagnosis of bovine subclinical mastitis by developing thermal image analysis strategies supported by artificial intelligence algorithms. Ninety-seven dairy cows, milked in an automatic milking system (AMS), were subjected to IRT evaluation. Mammary gland health status was determined based on a screening threshold of 200,000 somatic cells/mL of milk. Initially, data and variables from 1,035 sampling units were analyzed using the Extreme Gradient Boosting (XGBoost) algorithm. Eighteen variables related to the environment, milk physicochemical characteristics, animal features, pathogen grouping, and thermography were assessed. The most relevant variables for health status classification were identified and selected for constructing the final predictive model. Receiver Operating Characteristic (ROC) curves were generated, and the best results for the area under the curve (AUC = 0.843) and diagnostic specificity (93.3%) were obtained with the model that included all thermographic variables. The coldest point in the region of interest was considered the most important thermographic attribute for subclinical mastitis diagnosis, and the final model developed can be used as a confirmatory diagnostic tool. Subsequently, the integration of IRT with computer vision models was evaluated. A total of 514 thermograms of healthy and subclinically mastitic udder quarters were analyzed using the You Only Look Once (YOLO) algorithm (versions 8 and 11), with and without image augmentation techniques. All models performed better at identifying healthy mammary glands, with YOLOv8 standing out when configured with default image augmentation settings (average precision – AP = 84.2%). The use of synthetic images improved model performance (mAP50 = 64.3% with YOLOv8 and 60.4% with YOLO11), demonstrating generalization capability in the test phase, particularly with YOLO11 (precision 83.3%, sensitivity 55.6%, specificity 85.7%, and accuracy 68.8%). The YOLO algorithm proved promising for evaluating bovine mammary gland health based on thermograms, especially when synthetic images were incorporated. This study highlighted the synergistic potential between IRT and artificial intelligence algorithms for diagnosing bovine subclinical mastitis. While the use of XGBoost demonstrated that the combined analysis of environmental, productive, and thermographic variables can enhance diagnostic accuracy, the application of YOLO reinforced the role of computer vision in the automatic detection of thermal patterns.