Resumo: O desenvolvimento de tecnologias possibilitou a captura de imagens digitais por sensores de profundidade afim de obter medidas morfométricas que podem ser utilizadas no desenvolvimento de modelos matemáticos para a predição do peso corporal em animais. Com isto, objetivou-se o desenvolvimento de modelos matemáticos para predizer o peso corporal em suínos cruzados a partir de medidas morfométricas obtidas com imagens digitais bidimensionais. A coleta de dados foi conduzida no setor de suinocultura do IF Goiano, campus Urutaí, em 52 suínos cruzados alojados na fase de terminação. Os animais foram pesados aleatoriamente e filmados pela câmera do sensor de profundidade Microsoft Kinect® v1 na visão dorsal. Posteriormente, os mesmos foram conduzidos para a mensuração das medidas morfométricas manuais, sem contenção, sendo elas o comprimento dorsal, circunferência peitoral e flanco, largura peitoral e flanco, altura peitoral e flanco e a profundidade. Posteriormente, foram capturadas as imagens laterais dos animais pelo telefone móvel. Seguindo os critérios de qualidade de imagem, selecionou-se apenas 1 frame por animal e, juntamente com as imagens laterais, totalizando-se 52 imagens laterais e 52 imagens dorsais. As medidas morfométricas mensuradas a partir das imagens laterais foram o comprimento lateral, altura peitoral e flanco, profundidade, área e perímetro lateral. Já as medidas morfométricas a partir das imagens dorsais foram o comprimento dorsal, largura peitoral, flanco e abdominal, área e perímetro dorsal. Foi estimada a correlação de Pearson entre o PC e as medidadas morfométricas. Os modelos matemáticos foram elaborados pelas metodologias da regressão linear múltipla (RLM) e suporte de vetor de regressão (SRV) para a predição do peso corporal. Após a identificação dos modelos mais adequados para predizer o peso corporal, foi estimado o peso médio predito por cada uma das equações selecionadas pelo método RLM e SVR e validado com o peso médio real. Todas as correlações de Pearson entre o peso corporal real e as medidas morfométricas reais e preditas pelas imagens digitais foram positivas de magnitude moderada à alta e estatisticamente significativas (P<0,05). A diferença entre o peso corporal real e o predito pelo SVR e RLM por meio das mensurações reais foi de -400 g e -1,95 kg, respectivamente. O melhor modelo a partir da análise RLM e mais próximo ao real foi o obtido pelas medidas morfométricas das imagens dorsais, sendo que estas explicam 91% da variância do PC predito e com 3,83 kg acima do real. Quanto à análise por SVR, o melhor modelo de predição do peso corporal foi o combinado de imagens dorsais e laterais, com coeficiente de determinação de 98%. Os modelos matemáticos desenvolvidos a partir das medidas morfométricas preditas pelas imagens digitais provaram ter potencial para estimar o peso corporal de suínos cruzados utilizando-se medidas morfométricas como o comprimento dorsal, profundidade e largura peitoral. O método SVR se mostrou mais eficiente na predição do peso corporal por meio das medidas morfométricas de comprimento e área dorsal, altura e largura peitoral.

Abstract: The technologies development made it possible to estimate morphometric measurements by digital images captured by depth sensors, that can be used in the development of mathematical models for the prediction of body weight in animals. The objective of the present work was to develop mathematical models to predict body weight in crossbred pigs from morphometric measurements obtained with two-dimensional digital images. The data collection was carried out in the swine sector of IF Goiano, Urutai campus, in 52 crossbred pigs housed in the growing-finishing phase. The animals were randomly weighed and filmed by the Microsoft Kinect® v1 depth sensor camera in the dorsal view. Subsequently, they were conducted for the measurement of manual morphometric traits, without restraint, being the dorsal length, heart girth and flank circumference, heart girth and flank width, heart girth and flank height and depth. And, finally, the lateral images of the animals were captured by the mobile phone. Following the image quality criteria, only one frame per animal was selected and, together with the lateral images, a total of 52lateral images and 52 dorsal images were selected. The morphometric traits measured from the lateral images were the lateral length, heart and flank height, depth, lateral area, and perimeter. The morphometric measurements from the dorsal images were the dorsal length, heart, flank, abdominal width, the dorsal area, and perimeter. Pearson's correlations between morphometric variables and body weight and mathematical models were developed using Multiple Linear Regression (MLR) and Support Vector Regression (SVR) methodologies for bodyweight prediction. After identifying the most suitable models to predict body weight, the average weight predicted by each of the equations selected by the MLR and SVR method was estimated and validated with the real average body weight. All Pearson correlations between real bodyweight and real and predicted morphometric measurements by digital images were moderate to high magnitude positive and statistically significant. The difference between the real bodyweight and predicted by the SVR and MLR through the real measurements was -400 g and -1.95 kg, respectively. The best model from the MLR analysis and closest to the real one was the one obtained by the morphometric measurements of the dorsal images, which explain 91% of the variance of the predicted body weight and with 3.83 kg above the real one. As for the analysis by SVR, the best model for predicting body weight presented 98% of the determination coefficient. The mathematical models developed from the morphometric measurements predicted by the digital images proved to have the potential to estimate the bodyweight of crossbred pigs from measurements such as dorsal length, depth, and heart width. The SVR method proved to be more efficient in predicting body weight through morphometric measurements of length and dorsal area, height, and heart girth width.

Acesse o trabalho