⚡ electrical engineering

From Manual Observation to Automated Monitoring: Space Allowance Effects on Play Behaviour in Group-Housed Dairy Calves

Este estudo demonstra que o comportamento de brincadeira em bezerras criadas em grupo atinge o pico com uma área de 8–10 m² por animal e pode ser monitorado de forma eficaz em escala utilizando um pipeline de visão computacional automatizado e altamente preciso, oferecendo uma ferramenta prática para otimizar o bem-estar dos animais e a viabilidade econômica.

Autores originais: Haiyu Yang, Heidi Lesscher, Enhong Liu, Miel Hostens

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Haiyu Yang, Heidi Lesscher, Enhong Liu, Miel Hostens

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um grupo de bezerros jovens como crianças pequenas e enérgicas em uma creche. Assim como as crianças, eles têm um desejo natural de correr, pular, lutar e brincar. No mundo da pecuária leiteira, esse "tempo de brincadeira" é um código secreto: se os bezerros estão brincando, eles estão felizes e saudáveis. Se estiverem entediados ou doentes, eles param de brincar.

Por muito tempo, fazendeiros e cientistas discutiram sobre quanto espaço de piso cada bezerro precisa para ser feliz. As regras atuais dizem que uma quantidade minúscula de espaço é suficiente, mas especialistas em bem-estar animal sugerem que eles precisam de muito mais. O problema? Ninguém sabia realmente qual era o "ponto ideal", e observar bezerros o dia todo para ver se eles estão brincando é como tentar contar cada grão de areia em uma praia à mão — leva uma eternidade e é fácil errar.

Este estudo abordou duas grandes questões: Quanto espaço os bezerros realmente precisam para brincar? e Podemos usar computadores para vigiá-los por nós?

1. A Zona "Goldilocks" para o Espaço

Os pesquisadores foram a 14 fazendas diferentes na Holanda e observaram bezerros vivendo em cercados de todos os tamanhos diferentes, desde muito apertados (cerca do tamanho de um banheiro pequeno) até muito espaçosos (como uma sala de estar grande).

Eles descobriram que a relação entre espaço e brincadeira não é uma linha reta onde "mais espaço = mais brincadeira". É mais como uma montanha-russa:

Muito Pequeno: Quando os bezerros estavam muito aglomerados, eles não brincavam muito.
Na Medida Certa: Os bezerros mais felizes e brincalhões estavam em cercados com 8 a 10 metros quadrados de espaço por bezerro. Nesses cercados, os bezerros brincavam por cerca de 16 minutos por dia.
Muito Grande (ou apenas estranho): Surpreendentemente, quando os cercados ficavam ainda maiores (12–14 metros quadrados), o tempo de brincadeira na verdade diminuía. O tempo subiu ligeiramente nos cercados maiores, mas nunca ficou melhor do que a zona "Goldilocks" (o ponto ideal).

A Analogia: Pense nisso como uma pista de dança. Se a sala for muito pequena, todos esbarram uns nos outros e não conseguem dançar. Se a sala for enorme e vazia, as pessoas se sentem estranhas e ficam paradas. Mas se a sala tiver o tamanho certo, todos se sentem confortáveis o suficiente para se soltarem e dançar. Para os bezerros, essa pista de dança perfeita é de 8 a 10 metros quadrados.

2. O "Observador Robô" (Visão Computacional)

Observar 64 bezerros durante 17 horas por dia é um trabalho massivo. Fazer isso manualmente é lento e propenso ao erro humano. Por isso, a equipe construiu um cérebro de computador para fazer a observação.

Eles usaram um "pipeline" de ferramentas inteligentes (como uma equipe de robôs especializados):

Os Olhos (YOLOv12): Esta ferramenta detecta os bezerros no vídeo, como um segurança avistando pessoas em uma multidão.
O Rastreador (SAM2): Uma vez que detecta um bezerro, esta ferramenta coloca uma "aura" digital ao redor dele e o segue conforme ele se move, garantindo que saiba qual bezerro é qual, mesmo que corram por trás de uma cerca.
O Cérebro (DinoV2): Esta é a parte superinteligente. Ela observa o movimento e decide: "Isso é um movimento de brincadeira (como um chute ou um pulo) ou apenas um movimento normal (como caminhar para comer)?"

O Resultado: O computador foi incrivelmente preciso. Ele acertou 97,6% das vezes. Melhor ainda, ele capturou 99,4% dos momentos reais de brincadeira. Foi tão bom que conseguiu aprender com uma pequena quantidade de notas feitas por humanos e, em seguida, aplicar esse conhecimento para observar milhares de horas de vídeo automaticamente.

3. O que Eles Descobriram Sobre a Brincadeira

O Social é o Rei: O tipo mais comum de brincadeira foi o social — bezerros empurrando uns aos outros ou perseguindo uns aos outros. Eles adoravam brincar juntos.
A Natureza de "Explosão": Os bezerros não brincavam por horas seguidas. Eles tinham curtos surtos de energia, como um momento de "zoomies" de uma criança, correndo e pulando por alguns segundos e depois parando.
Teste de Saúde: O estudo confirmou que a brincadeira é um ótimo termômetro de saúde. Bezerros doentes ou estressados simplesmente não brincam.

A Conclusão

Este artigo não apenas diz que os bezerros precisam de espaço; ele nos dá um número específico: 8 a 10 metros quadrados por bezerro parece ser o alvo prático para maximizar sua felicidade sem quebrar o orçamento.

Ele também prova que não precisamos de exércitos de pessoas para observar os animais mais. Com as câmeras e o software inteligentes certos, podemos transformar um pequeno e caro projeto de pesquisa em um sistema que pode monitorar o bem-estar animal continuamente, 24 horas por dia, 7 dias por semana, em fazendas de qualquer tamanho.

Em resumo: Dê aos bezerros uma sala de tamanho médio (nem muito pequena, nem muito grande) e eles irão dançar. E agora, temos um robô que pode observá-los dançar e dizer se eles estão se divertindo.

Resumo Técnico: Da Observação Manual ao Monitoramento Automatizado do Comportamento de Brincar em Bezerros de Leite Criados em Grupo

Problema

O bem-estar animal na produção leiteira moderna é cada vez mais definido pela capacidade de facilitar estados emocionais positivos e comportamentos típicos da espécie, como o brincar. Embora o brincar sirva como um indicador robusto de bem-estar positivo, sua relação com a área disponível sob condições comerciais permanece mal caracterizada, particularmente em densidades intermediárias a altas (6–20 m² por bezerro). A legislação atual da União Europeia exige um mínimo de 1,5–1,8 m², enquanto recomendações recentes da EFSA sugerem 20 m² para a expressão plena do brincar locomotor; no entanto, dados empíricos que preencham essa lacuna são escassos. O monitoramento sistemático do brincar em fazendas comerciais é dificultado pela intensidade de mão de obra, viés do observador e falta de escalabilidade inerentes à análise de vídeo manual. As abordagens existentes baseadas em sensores (ex: acelerômetros) carecem da especificidade para distinguir o brincar de outras atividades e não fornecem contexto espacial.

Metodologia

Desenho do Estudo e Coleta de Dados

O estudo investigou 60 bezerros de leite criados em grupo em 14 fazendas comerciais na Holanda. As áreas disponíveis variaram de 2,66 a 17,98 m² por bezerro. A coleta de dados ocorreu em períodos de uma semana por fazenda (junho de 2024–maio de 2025), envolvendo gravação contínua de vídeo (06:00–23:00) via câmeras Bascom montadas no teto ou na lateral.

Criação do Ground Truth (Verdade de Campo): Sete observadores treinados anotaram manualmente as filmagens usando o software Observer XT. Um etograma detalhado categorizou o brincar em locomotor, social, com objetos e com palha. As observações foram registrídas com resolução de 0,1 segundo, focando no segundo dia de cada visita para minimizar o efeito do observador.
Covariáveis: Os dados incluíram demografia dos bezerros (idade, peso, raça), estado de saúde (categorizado por severidade de sintomas), ingestão de leite, tamanho do grupo e qualidade da cama. Bezerros com doenças graves foram excluídos.

Desenvolvimento do Pipeline de Visão Computacional

Para permitir o monitoramento escalável, foi desenvolvido um pipeline integrando três modelos de fundação de última geração:

Detecção de Objetos: YOLOv12 (pré-treinado no COCO) detectou caixas delimitadoras (bounding boxes) dos bezerros.
Segmentação e Rastreamento: O SAM2 gerou máscaras de segmentação e rastreou indivíduos através de quadros usando memória de vídeo.
Extração de Características: O DinoV2 (um transformador de visão pré-treinado via aprendizado autossupervisionado em 142 milhões de imagens) extraiu embeddings visuais de 1024 dimensões a partir de recortes das imagens dos bezerros.
Integração de Metadados: As anotações manuais foram alinhadas temporalmente com os quadros de vídeo usando Reconhecimento Óptico de Caracteres (OCR) para extrair carimbos de tempo (timestamps) das sobreposições na tela.
Classificação: Um classificador de Perceptron Multicamadas (MLP) foi treinado nos embeddings do DinoV2 para prever classes de comportamento (Brincar Ativo, Brincar Não-Ativo, Não Brincando). O conjunto de dados foi estratificado para lidar com o desequilíbrio de classes, resultando em um conjunto de treinamento equilibrado de aproximadamente 22.800 amostras.

Análise Estatística

Modelos lineares mistos foram empregados para analisar a relação entre a área disponível e a duração do brincar (expressa como porcentagem do período de observação, %OP), com a fazenda incluída como efeito aleatório. Modelos multivariáveis controlaram idade, saúde, ingestão de leite, tamanho do grupo e qualidade da cama.

Principais Resultados

Área Disponível e Comportamento de Brincar

Brincar Geral: Os bezerros passaram, em média, 1,0% do período de observação brincando (aprox. 10 minutos por dia de 17 horas). O brincar social constituiu a maioria (55% do tempo total de brincar), seguido pelo locomotor (26%), com objetos (15%) e com palha (2%).
Relação Não Linear: Foi encontrada uma relação significativa e não linear entre a área disponível e a duração total do brincar ( $P < 0,01$ $P < 0, 01$ ).
- Desempenho de Pico: Os níveis mais altos de brincar ocorreram em 8–10 m² por bezerro (1,59% OP, ~16 minutos/dia).
- Pontos Baixos: O brincar foi menor em 6–8 m² e 12–14 m² (<0,6% OP).
- Platô: Em 16–18 m², os níveis de brincar (1,29% OP) não excederam significativamente os de 8–10 m², sugerindo um efeito de platô em vez de um aumento linear.
Especificidade de Subtipos: A área disponível previu significativamente a duração do brincar social ( $P < 0,05$ ), com picos em 8–10 m² e 16–18 m². Nenhum efeito significativo foi encontrado para o brincar com objetos, e o efeito no brincar locomotor foi menos pronunciado do que no brincar total.

Desempenho do Monitoramento Automatizado

Acurácia de Classificação: O classificador MLP alcançou 97,6% de acurácia geral no conjunto de teste reservado.
Recall para Brincar Ativo: O modelo demonstrou 99,4% de recall para detecção de brincar ativo, indicando uma taxa muito baixa de falsos negativos, o que é crítico para o monitoramento do bem-estar.
Precisão: A precisão para o brincar ativo foi de 0,96.
Eficiência do Pipeline: O processamento de 90.000 quadros (5 horas de vídeo) exigiu aproximadamente 35 horas de tempo de computação em um cluster Databricks (razão de processamento-vídeo de 7:1). O sistema processou com sucesso 108 horas de filmagens de 6 fazendas para treinamento.

Desafios Técnicos Identificados

O estudo destacou desafios específicos de implementação em ambientes comerciais:

Ângulos de Câmera: Câmeras aéreas forneceram maior estabilidade de rastreamento (100% de sucesso de quadro), mas sofreram de baixas taxas iniciais de detecção (25%) devido ao desvio de domínio (domain shift) em relação aos dados de treinamento ao nível dos olhos. Câmeras laterais tiveram maiores taxas de detecção, mas menor estabilidade de rastreamento devido a oclusões.
Alucinação de Objeto Branco: O SAM2 exibiu "alucinação de objeto branco", onde bezerros brancos sobre a cama de palha branca causaram vazamento das máscaras de segmentação para o fundo, levando a falhas de rastreamento.
Alinhamento Temporal: As taxas de sucesso do OCR para extração de carimbo de tempo variaram amplamente (3% a 99,8%) dependendo do contraste da fonte e da qualidade da renderização, afetando o alinhamento do ground truth com os quadros do vídeo.

Principais Contribuições e Significância

1. Evidência Empírica para Padrões de Espaço:
O estudo fornece a primeira caracterização abrangente da relação espaço-brincar através de um amplo gradiente (2,7–18 m²) sob condições comerciais. Ele desafia a suposição de que mais espaço equivale linearmente a mais brincar, identificando 8–10 m² por bezerro como um alvo prático que maximiza o comportamento de brincar. Este achado sugere que os mínimos atuais da UE (1,5–1,8 m²) são inadequados, enquanto a recomendação da EFSA de 20 m² pode exceder o limiar onde o espaço é o principal fator limitante para o brincar.

2. Monitoramento Automatizado Escalável:
A pesquisa demonstra como pipelines de visão computacional utilizando modelos de fundação (YOLOv12, SAM2, DinoV2) podem escalar pequenos projetos de anotação manual (108 horas) em sistemas de avaliação de bem-estar contínuos e objetivos. O sistema alcança alta fidelidade (97,6% de acurácia) com treinamento mínimo específico para a tarefa, superando as limitações de escalabilidade da observação manual.

3. Diretrizes Práticas de Implementação:
O artigo oferece recomendações baseadas em evidências para o uso de monitoramento automatizado, enfatizando as trocas (trade-offs) entre ângulos de montagem de câmera (aérea para estabilidade vs. lateral para detecção) e a necessidade de sobreposições de carimbo de tempo de alto contraste para o alinhamento temporal.

4. Alegações Modestas sobre Causalidade:
Os autores reconhecem explicitamente a natureza observacional do estudo, observando que, embora os modelos estatísticos tenham controlado variáveis de confusão medidas, fatores de nível de fazenda não medidos (ex: estilo de manejo, enriquecimento) podem influenciar os resultados. O estudo não pretende provar causalidade, mas fornece dados de alta validade ecológica para informar padrões de bem-estar e futuros ensaios randomizados.

Em resumo, este trabalho une a ciência do comportamento animal à inovação tecnológica, oferecendo um método validado para monitorar indicadores de bem-estar positivo em escala e fornecendo orientação baseada em dados para otimizar o espaço de alojamento para melhorar o bem-estar dos bezerros.