An AI-enabled radiometric ocular thermography framework for monitoring heat vulnerability and welfare in poultry

O calor é um adversário silencioso, mas implacável, no mundo da avicultura. Quando os frangos são submetidos a temperaturas elevadas prolongadas, seus corpos lutam para lidar com a situação, levando à redução do crescimento, menor produção de ovos e, em casos graves, à morte. Para os produtores, o desafio reside em detectar esse estresse precocemente, muitas vezes antes que as aves apresentem sinais óbvios de doença. Os olhos oferecem uma pista crucial. Como a temperatura do olho se correlaciona estreitamente com a temperatura corporal central de uma ave, o monitoramento dos olhos pode servir como um sistema de alerta precoce para o estresse térmico. No entanto, verificar a temperatura de aves individuais em um galpão lotado é uma tarefa árdua. Fazer isso manualmente exige interromper o lote, manipular cada ave e realizar uma leitura, um processo que é lento, estressante para os animais e impossível de ser escalonado para milhares de aves.

Para resolver isso, pesquisadores recorreram a uma combinação de imagem térmica e inteligência artificial. Câmeras térmicas podem ver o calor irradiado da pele de um animal sem nunca tocá-lo, criando uma imagem onde as áreas mais quentes aparecem mais brilhantes. No entanto, uma câmera sozinha não consegue distinguir qual parte de uma ave é o olho, nem pode calcular automaticamente a temperatura desse ponto específico a partir de uma cena caótica repleta de aves em movimento. É aqui que entra a inteligência artificial, atuando como um assistente digital que pode aprender a reconhecer partes específicas do corpo e extrair dados precisos de imagens complexas. O objetivo é criar um sistema que permita aos produtores simplesmente caminhar por um galpão, capturar imagens e receber instantaneamente um relatório sobre a saúde térmica de seu lote.

Em um estudo recente conduzido na Índia, um pesquisador independente desenvolveu e testou tal sistema especificamente para a avicultura. O trabalho concentrou-se na criação de uma estrutura completa que pudesse encontrar automaticamente os olhos dos frangos em imagens térmicas e medir sua temperatura, tudo isso rodando em um dispositivo móvel. O estudo ocorreu durante um mês quente de verão em duas casas de avicultura em Odisha. Uma casa abrigava aves adultas, com aproximadamente vinte e seis semanas de idade, enquanto a casa adjacente abrigava aves jovens/juvenis, com cerca de treze semanas de idade. O pesquisador percorreu os galpões com uma câmera térmica portátil conectada a um smartphone, capturando imagens das aves enquanto elas se movimentavam. A câmera registrou tanto uma foto padrão de luz visível quanto uma imagem térmica bruta, que contém os dados reais de temperatura para cada pixel do quadro.

O núcleo do projeto envolveu ensinar um programa de computador a reconhecer e isolar os olhos dos frangos. O pesquisador primeiro marcou manualmente os olhos em uma seleção de imagens usando softwares especializados, criando um conjunto de exemplos para o computador aprender. Esses exemplos foram usados para treinar um tipo de modelo de inteligência artificial conhecido como rede de segmentação. Diferente de um modelo que simplesmente desenha uma caixa ao redor de uma ave, este sistema foi treinado para desenhar um contorno preciso apenas ao redor do olho, separando-o do restante da cabeça da ave e do ambiente circundante. Os pesquisadores treinaram duas versões separadas deste modelo: uma especificamente para aves adultas e outra para os juvenis mais jovens, pois o tamanho e a aparência dos olhos diferem entre os dois grupos de idade.

Uma vez treinados, os modelos foram postos à prova nas centas de imagens capturadas nos galpões. O sistema identificou e delineou com sucesso os olhos de 123 aves adultas e 128 aves juvenis. Para cada olho identificado, o software extraiu os dados de temperatura da área correspondente na imagem térmica. A análise revelou uma diferença clara e significativa entre os dois grupos. A temperatura média ocular das aves juvenis foi 0,741°C superior à das aves adultas. Essa descoberta sugere que as aves mais jovens estão enfrentando maior estresse térmico ou são menos eficientes em se resfriar em comparação com as aves mais velhas e maduras. A análise estatística confirmou que essa diferença não foi uma flutuação aleatória, mas sim um padrão consistente observado em todos os dados.

Para garantir que esses resultados fossem confiáveis, o pesquisador submeteu as descobertas a testes rigorosos. Eles realizaram milhares de testes de reamostragem simulados para ver se a diferença de temperatura se sustentava quando os dados eram embaralhados e reanalisados. Na grande maioria desses testes, as aves mais jovens mostraram consistentemente temperaturas mais altas. O estudo também abordou a dificuldade da tarefa, observando que o modelo treinado para as aves mais jovens foi ligeiramente menos preciso do que o de adultos, provavelmente porque as características menores e menos distintas dos olhos juvenis tornam mais difícil para um computador localizá-los em um lote lotado e em movimento. Apesar desse desafio, o sistema processou os dados com sucesso e forneceu um perfil térmico claro para as aves.

A culminação desta pesquisa é uma ferramenta prática para os produtores. O pesquisador construiu um aplicativo web móvel que permite ao usuário carregar uma imagem térmica de um frango, selecionar se é adulto ou juvenil e receber uma estimativa imediata da temperatura ocular da ave. O aplicativo também fornece uma classificação de severidade, ajudando o usuário a entender se a temperatura indica um estado saudável ou um sinal de alerta de estresse térmico. Esta abordagem oferece uma maneira de monitorar o bem-estar de um lote sem perturbar os animais ou exigir equipamentos estacionários caros. Ao automatizar a detecção do estresse térmico, o sistema capacita os produtores a intervir precocemente, potencialmente salvando as aves das consequências mais sérias do superaquecimento.

Embora o estudo apresente uma solução promissora, o pesquisador reconhece certas limitações. Os dados foram coletados de duas casas separadas, o que significa que fatores além da idade, como pequenas diferenças na ventilação ou microclimas entre os dois edifícios, poderiam ter influenciado as leituras de temperatura. Além disso, a natureza lotada dos galpões significava que algumas aves estavam parcialmente escondidas, o que pode introduzir desafios para qualquer sistema de imagem. O pesquisador sugere que, embora a imagem térmica ocular seja uma ferramenta poderosa, ela funciona melhor quando combinada com outras observações, como a ingestão de água ou a postura geral das aves, para formar um quadro completo da saúde do lote.

Em última análise, este trabalho demonstra que é possível usar a inteligência artificial para transformar uma simples foto térmica em um relatório detalhado de saúde. O estudo confirma que as aves mais jovens são, de fato, mais vulneráveis ao calor do verão do que suas contrapartes mais velhas, um fato que agora pode ser monitorado de forma automática e contínua. Ao tornar esta tecnologia acessível através de uma plataforma móvel, a pesquisa abre caminho para um novo padrão no manejo de animais, onde o bem-estar do lote é rastreado com precisão e cuidado, garantindo que o estresse térmico seja detectado e tratado antes que se torne uma crise.