A Gaussian Process Model of 3D Udder Point Clouds for Teat Length Phenotyping in Dairy Cows

Resumo Técnico: Um Modelo de Processo Gaussiano de Nuvens de Pontos 3D de Úberes para Fenotipagem de Comprimento de Tetos em Vacas Leiteiras

Definição do Problema
A fenotipagem precisa de características de conformação do úbere, especificamente o comprimento do teto, é crítica para o melhoramento genético, gestão de saúde e seleção de equipamentos de ordenha em bovinos leiteiros. Embora as tecnologias de imagem 3D permitam a coleta de dados em larga escala, os pipelines totalmente automatizados permanecem dificultados pela necessidade de anotação manual de marcos anatômicos e tempos de execução computacional excessivos. Os métodos automatizados existentes, como aqueles que dependem de cortes baseados em gradientes rígidos ou limiares fixos, têm dificuldade com a significativa heterogeneidade morfológica dos úberes das vacas. Especificamente, eles frequentemente falham em distinguir com precisão a base do teto do assoalho do úbere em casos de tetos angulados, dados ausentes ou formas de úbere irregulares, levando a medições inconsistentes. Além disso, abordagens estatísticas padrão para modelagem de nuvens de pontos costem sofrer de uma complexidade computacional proibitiva ($O(n^3)$), tornando-as inviáveis para os grandes conjuntos de dados ($n \approx 15.000$ pontos por quarto) gerados pelas câmeras de profundidade modernas.

Metodologia
Os autores propõem um novo framework para estimar o comprimento do teto a partir de nuvens de pontos 3D de úberes usando Processos Gaussianos (GP) combinados com técnicas de aproximação de baixo posto. A metodologia procede através de quatro estágios principais:

1. Aquisição e Pré-processamento de Dados:
   Utilizando um pipeline desenvolvido anteriormente por Montes et al. (2026), imagens estéreo de profundidade bruta do úbere são processadas para gerar nuvens de pontos 3D. Isso envolve classificação baseada em CNN para selecionar imagens não ocluídas, segmentação de instância para isolar o úbere, detecção de pontos-chave para localizar os tetos e transformadas de Watershed para segmentar o úbere em quatro quartos. As nuvens de pontos resultantes são limpas de outliers e rotacionadas para uma orientação padrão.

2. Modelagem por Processo Gaussiano:
   A inovação central é modelar a coordenada vertical $y(x)$ da superfície do úbere como a soma de dois componentes:
   $$y(x) = f(x) + t(x)$$
   Onde $f(x)$ representa o assoalho suave do úbere e $t(x)$ representa o teto. O modelo assume que $f(x)$ é um Processo Gaussiano de média zero com uma função de covariância Matérn caracterizada por um parâmetro de alcance grande (suavidade), enquanto $t(x)$ é uma função desconhecida que representa a estrutura do teto, mais aguda e localizada. Como o assoalho do úbere varia em uma escala de comprimento muito maior que o teto, os dois componentes podem ser separados matematicamente.

3. Aceleração Computacional (Aproximação Cruzada Adaptativa):
   Para abordar o gargalo computacional de inverter ou decompor a matriz de covariância $n \times n$ $\Sigma$ (que tipicamente escala como $O(n^3)$), os autores empregam a Aproximação Cruzada Adaptativa (ACA) com pivoteamento parcial. Este algoritmo constrói uma aproximação de baixo posto da matriz de covariância ($\Sigma \approx UV^T$) em tempo $O(n)$. Ao truncar a decomposição de autovalores de $\Sigma$ para o seu espaço coluna não degenerado, o método isola eficientemente o componente suave do assoalho do úbere. O sinal do teto é então estimado como o resíduo: $\hat{t} = (I - Q_r Q_r^T)y$, onde $Q_r$ abrange a aproximação de baixo posto do assoalho.

4. Pós-processamento Trigonométrico:
   Uma vez que o componente do teto $\hat{t}$ é isolado, um algoritmo heurístico estima o comprimento do teto. O método identifica a ponta do teto (mínimo de $\hat{t}$) e define um eixo do teto baseado na posição horizontal mediana dos pontos próximos à ponta em uma fração vertical específica da altura da ponta. O comprimento final é calculado como a hipotenusa ao longo deste eixo, contabilizando a inclinação do teto em relação ao assoalho do úbere.

5. Otimização de Parâmetros:
   Os parâmetros de alcance ($\rho$) e suavidade ($\nu$) da kernel Matérn são otimizados minimizando o erro quadrático entre as estimativas do modelo e as anotações manuais de um conjunto de treinamento de 8 vacas (32 quartos).

Principais Contribuições

• Modelo de Separação Inovador: O artigo introduz um modelo estatístico que separa o assoalho do úbere do teto com base em diferenças de escala de comprimento, em vez de limiares geométricos rígidos, permitindo flexibilidade entre diversas morfologias de úbere.
• Computação Escalável: Ao integrar a Aproximação Cruzada Adaptativa, os autores reduzem a complexidade computacional da estimativa do comprimento do teto de $O(n^3)$ para $O(n)$, permitindo o processamento de grandes nuvens de pontos em hardware padrão.
• Robustez à Variabilidade Morfológica: O método é especificamente projetado para lidar com casos desafiadores, como tetos altamente angulados e oclusões parciais, onde métodos baseados em gradiente tipicamente falham.

Resultados
O método de Processo Gaussiano proposto foi avaliado contra anotações manuais e dois métodos automatizados existentes (Montes et al., 2026; Shorten, 2021) usando um conjunto de teste de 16 quartos de 4 vacas.

• Precisão: O método de Processo Gaussiano alcançou um Erro Quadrático Médio (RMSE) de 7,48 mm no conjunto de teste, superando significativamente Montes et al. (16,32 mm) e Shorten (14,77 mm).
• Eficiência: O tempo de execução por quarto foi reduzido para 12 segundos, comparado aos 312 segundos de Montes et al. e 172 segundos de Shorten.
• Robustez: O método demonstrou desempenho superior em quartos com tetos angulados ou dados ausentes. Por exemplo, em casos onde outros métodos subestimaram o comprimento ou produziram grandes desvios devido a dados ausentes, o método GP manteve a precisão ao confiar na interpolação suave do assoalho do úbere para inferir a base do teto.

Significância e Alegações
Os autores alegam que este trabalho fornece uma solução mais rápida e precisa para a fenotipagem automatizada de tetos, tornando a coleta de dados em larga escala viável. A principal significância reside na capacidade de lidar com a "heterogeneidade morfológica" dos úberes das vacas sem depender de limiares codificados rigidamente que falham em generalizar. Ao reduzir os custos computacionais, o método permite a aplicação de modelos estatísticos sofisticados a grandes conjuntos de dados mesmo em hardware de baixa potência.

O artigo nota modestamente as limitações: os parâmetros do modelo são otimizados para estimativa de comprimento, não para localização precisa de marcos, e o conjunto de dados é limitado a um único rebanho, podendo perder padrões de oclusão extrema ou morfologias. Adicionalmente, embora o GP forneça uma base de posto reduzido, o framework atual não quantifica diretamente a incerteza dos estimadores de comprimento, particularmente em relação ao ponto de corte onde o gradiente do úbere é considerado como o início do teto. Sugere-se como trabalho futuro refinar a função objetivo para identificação de marcos e desenvolver métodos de quantificação de incerteza.