Resumo Executivo

Sergio Luis de Castro Junior; Renato Máximo Sátiro

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O presente estudo investiga a viabilidade do uso de machine learning para comparar métodos automáticos de extração da transluscência da casca de ovos com a avaliação visual tradicional, e para identificar se características não intrusivas podem inferir medições destrutivas. A qualidade dos ovos é um pilar na avicultura de postura, influenciando a aceitação pelo consumidor, a segurança alimentar e a viabilidade econômica. A integridade da casca é determinante para o valor comercial, atuando como barreira contra contaminações (Roberts, 2004). Manter padrões de qualidade elevados é essencial para mitigar perdas econômicas decorrentes de ovos com defeitos estruturais, que são frequentemente rejeitados na cadeia de suprimentos (Ledvinka et al., 2012).

A indústria avícola utiliza diversos parâmetros para aferir a qualidade do ovo. A espessura da casca, um indicador de resistência (Yan et al., 2014), é tipicamente medida por métodos intrusivos que exigem a quebra do ovo, tornando-o inviável para comercialização. Esta prática gera perdas e limita a amostragem em larga escala, tornando o controle de qualidade dispendioso e ineficiente (Ketta e Tumová, 2018). Consequentemente, a busca por métodos não intrusivos que permitam a coleta de dados precisos sem comprometer a integridade do produto tornou-se uma prioridade.

Neste contexto, a transluscência da casca surge como uma variável promissora. Esta característica, ligada à microestrutura e composição da casca, reflete a uniformidade da deposição de cálcio e a presença de deformações que podem comprometer a resistência mecânica (Shi et al., 2023; Xuan e Zheng, 2024). A avaliação convencional da transluscência é realizada por inspeção visual sob iluminação controlada, um método funcional, porém subjetivo, dependente da experiência do avaliador e propenso a inconsistências, o que limita sua padronização e escalabilidade (Orellana et al., 2023; Neto et al., 2024). A subjetividade e o tempo demandado representam gargalos para a indústria, que necessita de processos de avaliação rápidos e objetivos.

O avanço de tecnologias como visão computacional e inteligência artificial oferece uma solução para superar as limitações dos métodos tradicionais. A combinação de processamento de imagem com algoritmos de machine learning permite a extração e análise de características da casca de forma automatizada e objetiva (Aragua e Mabayo, 2018; Abd Aziz et al., 2020). Essas tecnologias já demonstraram potencial para medir dimensões, estimar peso e identificar defeitos em ovos, consolidando-se como alternativas aos métodos manuais e destrutivos (Yang et al., 2023; Çevik et al., 2022). O aprendizado de máquina, em particular, é uma ferramenta poderosa para processar grandes volumes de dados e identificar padrões sutis (Bischof et al., 2024).

Estudos recentes exploraram o potencial do machine learning na avaliação da qualidade de ovos. Pesquisas como a de Sehirli e Arslan (2022) aplicaram algoritmos para classificar ovos com base na unidade Haugh. De forma análoga, de Oliveira-Boreli et al. (2023) validaram o uso do Shape Index, obtido por análise de imagem, como método não destrutivo para classificar a qualidade de ovos. Estes trabalhos reforçam o potencial da integração entre análise de imagem e aprendizado de máquina. O presente estudo se insere nesta vanguarda, buscando validar um método automatizado para a medição da transluscência e explorar sua capacidade, em conjunto com outras variáveis não intrusivas, de predizer parâmetros de qualidade obtidos de forma destrutiva.

A mensuração das variáveis seguiu protocolos precisos. O peso total do ovo e o peso da casca foram medidos com balança eletrônica (0,01 g). As dimensões (comprimento e largura) foram aferidas com paquímetro digital. Para a espessura da casca, as amostras foram lavadas, secas por 48 horas e medidas em três pontos com um micrômetro digital, utilizando-se a média. A avaliação da transluscência convencional seguiu a metodologia de Orellana et al. (2023), baseada na inspeção visual sob iluminação padronizada. A transluscência automática foi calculada por um algoritmo de processamento de imagem que segmenta a imagem com base na intensidade luminosa e calcula a razão entre a área translúcida e a área total do ovo.

A análise de dados foi conduzida em R e dividida em duas etapas. A primeira focou na automação da quantificação da transluscência, comparando a classificação manual (A, B, C) com os valores numéricos obtidos automaticamente. Foram empregados três algoritmos de classificação: Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Naive Bayes. Os dados foram padronizados e divididos em conjuntos de treinamento (75%) e teste (25%), com validação cruzada estratificada de 10 folds. O desempenho dos modelos foi avaliado por matrizes de confusão e métricas como acurácia, precisão, recall e F1-score (Tan et al., 2016). A escolha dos modelos baseia-se na sua eficácia em problemas de classificação em domínios biológicos (Lin et al., 2010; Dong et al., 2020).

A segunda etapa investigou a substituição de variáveis intrusivas (peso e espessura da casca) por preditores não intrusivos. Uma matriz de correlação de Spearman foi construída para identificar associações. Em seguida, foram desenvolvidos modelos de regressão com os algoritmos Random Forest e SVM para prever o peso e a espessura da casca a partir de variáveis como peso total, dimensões e transluscência automática. O desempenho foi quantificado por R², erro médio (EM) e raiz quadrada do erro médio (RQEM). Para interpretar a contribuição de cada preditor, foi utilizada a análise de valores SHAP (SHapley Additive exPlanations), que atribui a importância de cada variável para previsões individuais (Mangalathu et al., 2020).

A análise descritiva revelou correspondência entre a classificação manual da transluscência e a medição automática. Houve um aumento progressivo da transluscência média percentual do grupo A para o C. Para ovos de casca branca, as médias foram 3,21% (A), 5,69% (B) e 10,14% (C); para os de casca vermelha, 2,99% (A), 5,83% (B) e 12,21% (C). Ovos de casca vermelha apresentaram maior variabilidade, especialmente no grupo C (desvio padrão de 4,51%, valor máximo de 25,52%), sugerindo que a pigmentação pode interagir com a microestrutura. A distribuição dos dados confirmou o padrão crescente das medianas de A para C e a maior dispersão no grupo C, reforçando a concordância entre os métodos.

Em relação às características físicas, ovos de casca branca apresentaram valores médios ligeiramente superiores de peso total (58,35 g vs. 56,65 g), comprimento (56,58 mm vs. 56,05 mm) e largura (43,47 mm vs. 43,13 mm), com menor dispersão. O peso médio da casca foi similar (8,09 g para brancos e 8,02 g para vermelhos), mas a espessura média da casca foi maior nos ovos brancos (0,44 mm) do que nos vermelhos (0,39 mm). A variabilidade da espessura foi maior nos ovos brancos (desvio padrão de 0,10 mm), em contraste com a maior variabilidade da transluscência nos ovos vermelhos. Este achado sugere que espessura e transluscência não estão associadas de forma linear.

Na classificação automatizada da transluscência, os modelos SVM, KNN e Naive Bayes demonstraram desempenho robusto, com acurácias gerais superiores a 90%. SVM e KNN alcançaram acurácia idêntica de 91,55%, com precisão, recall e F1-score elevados (acima de 0,900) para as classes A e B. O Naive Bayes apresentou acurácia de 90,14%. O desafio comum foi a identificação da classe C, que apresentou um F1-score inferior, de 0,778. As matrizes de confusão confirmaram que a maioria dos erros ocorreu na distinção entre as classes B e C, indicando uma sobreposição nos valores de transluscência que dificulta a separação.

A dificuldade em discriminar a classe C sugere que a fronteira entre transluscência moderada e alta é sutil. O alto desempenho geral valida a abordagem automatizada como um substituto viável para a inspeção visual. A escolha entre os modelos pode ser orientada por critérios secundários, dado seu desempenho similar. Para aprimorar a sensibilidade na classe C, estratégias futuras poderiam incluir a engenharia de novos atributos de imagem que capturem texturas ou padrões espaciais de transluscência, além de técnicas de balanceamento de classes.

A análise de correlação de Spearman revelou associações fracas entre a transluscência e as demais variáveis. A maior correlação foi com a espessura da casca (r = 0,258), seguida pelo peso da casca (r = 0,192). As correlações com variáveis morfométricas foram insignificantes (r < 0,07). Este resultado indicou que a transluscência, por si só, possui poder preditivo limitado para inferir propriedades estruturais da casca. As fortes correlações entre as próprias variáveis morfométricas, como peso total e largura (r = 0,883), eram esperadas.

Os modelos de regressão confirmaram os desafios. Para a predição da espessura da casca, tanto o Random Forest quanto o SVM apresentaram baixo poder explicativo, com R² de aproximadamente 0,13. Os modelos foram incapazes de capturar a variabilidade da espessura, sugerindo que esta é determinada por fatores biológicos complexos não representados pelas variáveis utilizadas. Portanto, a substituição da medição direta da espessura por modelos preditivos baseados nestes dados não se mostrou viável.

Em contraste, a predição do peso da casca revelou uma diferença entre os modelos. O SVM demonstrou desempenho moderado, alcançando um R² de 0,358, explicando cerca de 36% da variabilidade do peso da casca com preditores não intrusivos. O modelo Random Forest falhou, apresentando um R² negativo. A análise SHAP revelou que, para o modelo SVM, o peso total do ovo foi o preditor mais influente, superando as contribuições da altura, largura e transluscência. Este achado é intuitivo, dada a relação alométrica esperada entre o peso total do ovo e o de seus componentes.

As limitações preditivas decorrem da natureza multifatorial da qualidade da casca; variáveis como linhagem genética, idade e nutrição das aves, não controladas neste estudo, exercem forte influência (Abdelqader et al., 2013; Santos et al., 2024). A ausência desses preditores limita o poder explicativo dos modelos. Além disso, a ampliação do conjunto de dados e a inclusão de maior variabilidade biológica poderiam melhorar a generalização. A aplicação de engenharia de atributos mais sofisticada, como a extração de características texturais da imagem, poderia fornecer preditores mais informativos.

Em conclusão, este estudo demonstrou que a combinação de visão computacional e machine learning permite a classificação automatizada da transluscência da casca de ovos com alta acurácia, concordando com a avaliação manual. Os modelos SVM, KNN e Naive Bayes alcançaram acurácias superiores a 90%, validando a abordagem como uma ferramenta objetiva. A principal limitação foi a menor precisão na classificação da categoria de maior transluscência. Na tentativa de substituir medições intrusivas, os resultados foram mistos: a predição da espessura da casca mostrou-se inviável, mas o modelo SVM apresentou potencial moderado para estimar o peso da casca a partir de características não destrutivas, principalmente o peso total do ovo.

As implicações práticas são significativas, apontando para um futuro onde a avaliação da qualidade dos ovos pode ser automatizada, reduzindo custos e eliminando a subjetividade. No entanto, a substituição completa de medições destrutivas ainda requer avanços, especialmente na engenharia de atributos e na incorporação de uma gama mais ampla de variáveis preditoras. Conclui-se que o objetivo foi atingido: demonstrou-se a viabilidade do uso de técnicas de machine learning para

Referências:
Abd Aziz, N. S. N.; Daud, S. M.; Dziyauddin, R. A.; Adam, M. Z.; Azizan, A. 2020. A review on computer vision technology for monitoring poultry farm —application, hardware, and software. IEEE Access 9: 12431-12445.
Abdelqader, A.; Al-Fataftah, A. R.; Daş, G. 2013. Effects of dietary Bacillus subtilis and inulin supplementation on performance, eggshell quality, intestinal morphology and microflora composition of laying hens in the late phase of production. Animal Feed Science and Technology, 179(1-4), 103-111.
Almeida, G. R. D., Mendonça, M. D. O., Weitzel, L. C. D. C., Bittencourt, T. M., Matos, A. S. D., Valentim, J. K., … & Oliveira, A. Q. C. D. 2021. Physical quality of eggs of four strains of poultry. Acta Scientiarum. Animal Sciences, 43, e52738.
Aragua, A.; Mabayo, V.İ. 2018. A cost-effective approach for chicken egg weight estimation through computer vision. International Journal of Agriculture Environment and Food Sciences 2(3): 82-87.
Bischof, G.; Januschewski, E.; Juadjur, A. 2024. Authentication of laying hen housing systems based on egg yolk using 1H NMR spectroscopy and machine learning. Foods 13(7): 1098.
Çevik, K. K.; Koçer, H. E.; Boğa, M. 2022. Deep learning based egg fertility detection. Veterinary Sciences 9(10): 574.
de Oliveira-Boreli, F. P.; Pereira, D. F.; Gonçalves, J. A.; da Silva, V. Z.; Alencar Nääs, I. 2023. Non-destructive assessment of hens’ eggs quality using image analysis and machine learning. Smart Agricultural Technology 4: 100161.
Diantoro, A.; Santoso, I. B. 2017. Classification of egg fertility on the image of Kampong chicken egg using the frequency distribution feature and Naive Bayes classifier algorithm’s. In: International Conference on Green Technology, 2017, Yogyakarta, Indonesia. Proceedings… p. 446-453.
Dong, J.; Dong, X.; Li, Y.; Zhang, B.; Zhao, L.; Chao, K.; Tang, X. 2020. Prediction of infertile chicken eggs before hatching by the Naïve-Bayes method combined with visible near infrared transmission spectroscopy. Spectroscopy Letters 53(5): 327-336.
Garg, S. 2021. Drug recommendation system based on sentiment analysis of drug reviews using machine learning. In 2021 11th International Conference on Cloud Computing, Data Science & Engineering

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}