A lightweight visual system for determining the gender of poultry based on artificial intelligence

No movimentado mundo da avicultura moderna, um simples fato biológico impulsiona decisões econômicas complexas: pintinhos machos e fêmeas requerem dietas diferentes para prosperar. Os machos crescem melhor com alimentos de alta energia para ganhar peso, enquanto as fêmeas precisam de refeições ricas em proteínas para maximizar a produção de ovos. Por décadas, os produtores confiaram em duas formas principais de distinguir os sexos após o nascimento dos pintinhos. Um método envolve trabalhadores qualificados inspecionando manualmente a pequena cloaca, uma tarefa que é rápida, mas propensa ao erro humano e à fadiga. O outro utiliza máquinas especializadas que são precisas, mas proibitivamente caras e lentas para operações de grande escala. Ambas as abordagens lutam para acompanhar as demandas das granjas modernas e eficientes, deixando uma lacuna para uma solução que seja ao mesmo tempo acessível e precisa.

Este desafio levou pesquisadores a explorar a inteligência artificial, especificamente usando a visão computacional para "enxergar" as diferenças entre pintinhos machos e fêmeas. Embora algumas tentativas anteriores tenham tentado analisar o som do piar ou a textura das penas, esses métodos frequentemente falham no ambiente barulhento e imprevisível de um incubatório real. O som é facilmente abafado pelo maquinário, e as penas podem obscurecer as sutis diferenças físicas necessárias para a identificação. Para resolver isso, uma equipe de pesquisadores desenvolveu um novo sistema visual que se concentra diretamente nas gônadas do pintinho, os órgãos internos que determinam o sexo. Ao combinar o reconhecimento de imagem avançado com uma configuração de câmera especializada, eles criaram uma ferramenta que pode identificar o gênero de um pintinho com alta precisão, oferecendo um caminho potencial para uma agricultura mais humana e eficiente.

Os pesquisadores começaram enfrentando o obstáculo mais fundamental: os dados. Para ensinar um computador a distinguir entre um pintinho macho e uma fêmea, eles precisavam de uma vasta biblioteca de imagens claras mostrando os traços físicos específicos de cada um. Eles coletaram mais de 1.200 fotografias de alta resolução de pintinhos amarelos de corte de um dia de vida. Em um processo cuidadoso e não invasivo, especialistas expuseram gentilmente a região cloacal de cada pintinho para capturar as gônadas. As imagens revelaram uma diferença distinta: os pintinhos machos exibem uma pequena protuberância circular, enquanto as fêmeas parecem relativamente planas. No entanto, capturar essas imagens é difícil porque os órgãos estão escondidos sob as penas macias de penugem, e o processo frequentemente envolve dedos humanos segurando o pintinho, ambos os quais podem bloquear a visão ou criar sombras confusas. Para superar isso, a equipe construiu o primeiro conjunto de dados padronizado deste tipo na China, rotulando meticulosamente cada imagem como macho ou fêmea, criando uma base para seu sistema de inteligência artificial.

Com os dados em mãos, a equipe construiu um sistema de duas partes projetado para imitar a maneira como um especialista humano abordaria a tarefa, mas com a velocidade e consistência de uma máquina. A primeira parte atua como um localizador. Usando uma tecnologia de detecção de objetos bem conhecida, o sistema escaneia uma imagem de um pintinho e encontra instantaneamente o local exato onde as gônadas estão localizadas, ignorando o resto da ave, as penas e os dedos humanos que a seguram. Ele então recorta apenas essa pequena área, redimensionando-a para um formato padrão. Esta etapa é crucial porque remove a poluição visual que frequentemente confunde outros sistemas, garantindo que o computador olhe apenas para as características biológicas relevantes.

A segunda parte do sistema é o classificador, o "cérebro" que toma a decisão final. Este componente utiliza uma rede neural especializada, um tipo de programa de computador modelado após o cérebro humano, para analisar a imagem recortada. Os pesquisadores projetaram esta rede para prestar atenção a duas coisas específicas: a forma geral da área e os detalhes específicos dentro dela. Eles integraram um mecanismo que permite ao sistema focar nas partes mais importantes da imagem enquanto ignora o ruído, de forma muito semelhante a como um humano poderia apertar os olhos para focar em um detalhe específico enquanto bloqueia o fundo. Ao combinar camadas profundas de extração de características com esse foco duplo, o sistema aprende a reconhecer o pequeno calombo circular do macho ou a superfície plana da fêmea, mesmo quando a imagem está ligeiramente imperfeita.

Quando testado, o sistema apresentou um desempenho de precisão notável. Em experimentos controlados, o novo sistema identificou corretamente o gênero de um pintinho em mais de 91 por cento dos casos. Isso representou uma melhoria significativa em relação ao uso de um modelo de detecção padrão sozinho, que teve dificuldade com uma precisão de apenas 55 por cento, destacando o quão essencial foi o design especializado para lidar com a realidade desordenada das imagens do mundo real. Os pesquisadores também compararam seu sistema com vários outros modelos populares de inteligência artificial, incluindo aqueles baseados em arquiteturas complexas de transformadores e redes convolucionais clássicas. Seu sistema não apenas alcançou a maior precisão, mas também o fez com menos recursos computacionais, tornando-o mais rápido e adequado para o hardware limitado frequentemente encontrado em fazendas menores.

Para garantir que o sistema não estivesse apenas adivinhando, mas realmente aprendendo as características biológicas corretas, os pesquisadores usaram uma técnica para visualizar onde o computador estava "olhando" quando tomava uma decisão. Os resultados mostraram que o sistema focava nitidamente na região gonadal, especificamente na protuberância ou na área plana, enquanto outros modelos frequentemente se distraíam com as penas circundantes ou os dedos humanos. Isso confirmou que o sistema estava se baseando nas mesmas pistas anatômicas que os especialistas humanos utilizam, em vez de encontrar padrões acidentais no fundo. Em um teste de campo real configurado em uma incubadora comercial, o sistema funcionou continuamente por seis horas em um hardware modesto e acessível, processando cerca de 11 a 12 pintinhos a cada segundo, com precisão consistente, independentemente de mudanças na iluminação ou de quem estava manuseando as aves.

O estudo conclui que este sistema visual leve oferece uma alternativa viável e de baixo custo para a indústria avícola. Ao automatizar o processo de identificação de gênero com alta precisão, ele promete reduzir a dependência de mão de obra manual e maquinário caro, potencialmente baixando custos e melhorando o bem-estar animal. Os pesquisadores disponibilizaram publicamente seu conjunto de dados e o código-fonte de seu sistema, convidando outros a construir sobre este trabalho. Embora o sistema atual tenha sido testado em uma única raça de pintinho sob condições específicas, o sucesso desta abordagem sugere um caminho claro para o desenvolvimento de ferramentas robustas e automatizadas que possam se adaptar aos ambientes diversos e exigentes da agricultura moderna.