Detecção de claudicação em bovinos usando imagem de profundidade e aprendizado profundo

Por que patas doloridas em vacas nos interessam a todos

Vacass que andam com dor podem parecer um problema restrito à fazenda, mas a claudicação em rebanhos leiteiros aumenta silenciosamente o custo do leite, encurta a vida dos animais e levanta sérias questões de bem‑estar. Tradicionalmente, identificar uma vaca manca dependia de um olho humano atento e de muito tempo no curral — algo que muitas fazendas ocupadas não conseguem oferecer diariamente. Este artigo descreve um sistema baseado em câmera que observa as vacas automaticamente ao saírem da sala de ordenha, usando imagens de profundidade e inteligência artificial para sinalizar sinais precoces de problema 24 horas por dia.

De currais lotados a vigilância constante e discreta

A claudicação afeta cerca de uma em cada cinco vacas leiteiras no mundo e pode atingir níveis muito mais altos em alguns rebanhos. Ela reduz a produção de leite, prejudica a fertilidade e pode forçar o produtor a abater animais mais cedo, custando centenas de dólares por vaca a cada ano. Ainda assim, a ciência sobre claudicação está muito à frente do que realmente ocorre na maioria das fazendas: os produtores frequentemente subestimam quantas vacas estão doloridas, e a avaliação por especialistas é demorada e subjetiva. Gerações anteriores de tecnologia tentaram ajudar colocando placas de força em passagens ou prendendo sensores de movimento aos animais, mas essas soluções podem ser caras, intrusivas e difíceis de ampliar. Os autores, em vez disso, recorrem à “pecuária de precisão” com uma câmera de profundidade montada no teto, sem contato, que vê a forma tridimensional de cada vaca enquanto ela caminha naturalmente por uma pista.

Como um olho no teto lê o dorso da vaca

Em duas fazendas leiteiras comerciais no Japão, uma única câmera de tempo de voo foi montada sobre a passagem estreita que as vacas usam ao retornar da ordenha. À medida que cada animal passa por baixo, a câmera grava uma imagem de profundidade de cima para baixo: essencialmente um mapa de alturas que mostra o contorno do dorso da vaca. O sistema primeiro isola cada vaca do fundo usando um modelo avançado de “segmentação por instância”. Após testar várias opções, os pesquisadores descobriram que um modelo moderno baseado em YOLO ofereceu tanto altíssima precisão quanto processamento rápido, detectando e contornando corretamente as vacas em mais de 99% dos quadros enquanto processava dezenas de imagens por segundo — rápido o suficiente para uso em tempo real em um curral movimentado.

Acompanhando cada vaca e transformando postura em sinal de dor

Detectar as vacas é apenas o começo; o sistema também precisa acompanhar quem é quem à medida que múltiplos animais fluem pela pista. Para isso, os autores desenvolveram uma série de algoritmos personalizados de rastreamento multi‑objeto que melhoraram progressivamente a manutenção da identidade de cada vaca ao longo do tempo. A versão final usa não apenas a sobreposição entre caixas, mas também há quanto tempo a vaca vem sendo rastreada e se ela está se movendo da esquerda para a direita ou da direita para a esquerda. Esse uso simples, porém inteligente, da direção praticamente eliminou trocas de identidade, alcançando cerca de 99,9% de precisão de rastreamento em dias não vistos e em ambas as fazendas.

Ensinando o computador a reconhecer “rigidez e dor”

O cerne da detecção de claudicação reside na forma e no movimento do dorso da vaca. A dor nos cascos ou nas pernas frequentemente leva a uma coluna mais arqueada ou irregular, à medida que o animal tenta aliviar a pressão. Em vez de selecionar manualmente algumas medidas geométricas, a equipe converte a imagem de profundidade de cada vaca em um mapa de alturas normalizado do dorso e então alimenta curtas sequências desses mapas em um modelo de aprendizado profundo. Uma rede moderna de imagens (EfficientNet) aprende padrões espaciais em cada quadro, enquanto uma rede de Long Short‑Term Memory (LSTM) captura como a postura evolui ao longo de vários passos. Usando rótulos de especialistas em uma escala de quatro pontos — do saudável ao gravemente manco — a melhor configuração, EfficientNet‑B7 mais LSTM em sequências de cinco quadros, classificou corretamente os escores de claudicação em vacas não vistas com cerca de 96% de acurácia e F1‑score, apesar de desafios do mundo real como desequilíbrio de classes e velocidades de caminhada variadas.

O que isso significa para vacas, produtores e seu copo de leite

No conjunto, a câmera de profundidade, a detecção, o rastreamento e o modelo de pontuação de marcha formam um sistema de monitoramento de ponta a ponta, 24/7, que pode observar toda vaca que passa por baixo, sem cabrestos, etiquetas ou pisos especiais. Os autores argumentam que uma ferramenta objetiva e contínua assim pode ajudar a encurtar a lacuna de longa data entre o que os pesquisadores sabem sobre claudicação e o que é rotineiramente praticado nas fazendas. Ao sinalizar vacas em risco mais cedo e com mais consistência do que o olho humano sozinho, essa tecnologia pode reduzir a dor, cortar custos de tratamento e abate e apoiar uma produção de leite mais humana e sustentável. Embora sejam necessários testes mais amplos em mais fazendas, o estudo mostra que uma única câmera de profundidade montada no teto, combinada com aprendizado profundo cuidadosamente projetado, pode transformar uma tarefa manual difícil em uma salvaguarda automatizada para o bem‑estar animal.

Citação: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Palavras-chave: claudicação em bovinos, imagens de profundidade, pecuária de precisão, visão computacional, monitoramento do bem‑estar animal