03893nam a2200325 a 450000100080000000500110000800800410001910000220006024501120008226001100019450001020030452028360040665000150324265000200325765000090327765000140328665000190330065000210331965000160334065000130335665000120336965000090338165300150339065300360340565300180344165300280345965300270348765300280351465300250354221387282022-01-04       2021    bl uuuu  m   00u1 u    #d1 aSANTOS, E. F. dos  aAvaliação da cobertura de gordura de novilhas e vacas usando visão computacional.h[electronic resource]  a2021. 46 f. Dissertação (Mestrado em Zootecnia) - Universidade Federal do Mato Grosso, Sinop, MT.c2021  aOrientador: Luciano Bastos Lopes, CPAMT; Co-Orientadora: Laurimar Gonçalves Vendrusculo, CNPTIA.  aResumo: Embora haja procura por carne magra, essa não se sobrepõe à importância da cobertura de gordura em sua função de preservar as características organolépticas da carne durante o processo de resfriamento. Mudanças estruturais e processos bioquímicos que acontecem nas primeiras 24h post morte impactam diretamente a qualidade da carne, e a cobertura de gordura subcutânea minimiza esse impacto, agregando valor ao produto final. Porém, os métodos de avaliação classificam as carcaças de acordo a qualidade de acabamento, não quanto ao percentual da carcaça protegida pela cobertura de gordura. O objetivo deste estudo foi avaliar métodos de visão computacional para estimar a cobertura de gordura em carcaças bovinas, além de verificar a relação da cobertura de gordura com o sistema de classificação SEUROP. Uma rotina de processamento de vídeo em tempo real foi proposta para calcular o percentual de cobertura de gordura subcutânea. O método conseguiu mapear as regiões da carcaça coberta com gordura com 98% de precisão. As classificações apresentaram baixa correlação com o percentual de cobertura de gordura (𝑅 2 = 0,3 para o sistema do frigorífico e 𝑅 2 = 0,6 sistema SEUROP), também houve baixa concordância entre as avaliações dos quatros especialistas (Kappa &lt 0,3). Por fim, foi proposto um modelo de deep learning para realizar a classificação do frigorífico, modelo apresentou 82% de acurácia. | Abstract: Although there is a demand for lean meat, this does not outweigh the importance of fat coverage in its function of preserving the organoleptic characteristics of the meat during the cooling process. Structural changes and biochemical processes that take place in the first 24 hours after death directly impact meat quality, and subcutaneous fat coverage minimizes this impact, adding value to the final product. However, the evaluation methods classify the carcasses according to the quality of finish, not the percentage of the carcass protected by the fat coating. The aim of this study was to evaluate computer vision methods to estimate fat coverage in bovine carcasses, in addition to verifying the relationship of fat coverage with the SEUROP classification system. A real-time video processing routine was proposed to calculate the percentage of subcutaneous fat coverage. The method was able to map the regions of the carcass covered with fat with 98% accuracy. The ratings showed low correlation with the percentage of fat coverage (𝑅 2 = 0.3 for the refrigerator system and 𝑅 2 = 0.6 SEUROP system), there was also low agreement between the assessments of the four experts (Kappa &lt 0.3). Finally, a deep learning model was proposed to carry out the classification of the slaughterhouse, a model showing 82% accuracy.  aAutomation  aComputer vision  aCows  aFinishing  aImage analysis  aImage processors  aAutomação  aCarcaça  aNovilho  aVaca  aAcabamento  aClassificação computadorizada  aCow finishing  aProcessamento de imagem  aProcessamento de video  aSegmentação de imagem  aVisão computacional