Nei paesi in via di sviluppo, il consumo di carne suina aumenta del 5% all'anno. Garantire la sicurezza alimentare nell'ambito di standard etici di produzione di carne è una domanda crescente dei consumatori...
Lo scopo dello studio era di sviluppare un modello per prevedere lo stress nei suinetti basato sulla temperatura cutanea misurata a infrarossi (IST infrared skin temperature) utilizzando l'apprendimento automatico e la logica paraconsistente. Un totale di 72 suinetti (32 maschi e 40 femmine), dal 1° al 52° giorno di vita, sono stati registrati con la temperatura della pelle a infrarossi durante il parto e lo svezzamento in diverse condizioni di stress (dolore, freddo / caldo, fame e sete). La valutazione delle immagini termiche è stata effettuata utilizzando una termocamera ad infrarossi. I termogrammi sono stati prelevati a temperature ambiente da 24 a 30° C. La temperatura minima della pelle a infrarossi (ISTmin), la temperatura massima della pelle a infrarossi (ISTmax) e il sesso dei suinetti sono stati utilizzati come variabili per trovare le condizioni di stress (target). Le variabili considerate nell'analisi sono state classificate utilizzando il metodo di data mining. La tecnica di imaging è soggetta a certe contraddizioni e incertezze che richiedono modelli matematici. La logica paraconsistente (paraconsistent logic) è stata applicata per estrarre la contraddizione dai dati.
La condizione di stress con la massima precisione di rilevazione è stata prevista dal freddo (100%) con ISTmin e ISTmin insieme al sesso del suinetto e dalla sete (91%) con ISTmax e ISTmax insieme al sesso del suinetto. La più alta previsione di fame è stata trovata usando ISTmin (86%). Sebbene il modello fosse accurato per rilevare questi tipi di stress, le altre condizioni stressanti nei suinetti, come il dolore, avevano un'accuratezza pari o inferiore al 50%.
I risultati indicano una promettente valutazione delle condizioni di stress nei suinetti utilizzando la temperatura della pelle a infrarossi. Si propone l'inclusione di altre variabili nel processo di apprendimento automatico per amplificare l'uso del modello...
Felipe Napolitano da Fonseca, Jair Minoro Abe, Irenilza de Alencar Nääs, Alexandra Ferreira da Silva Cordeiro, Fábio Vieira do Amaral, Henry Costa Ungaro, Automatic prediction of stress in piglets (Sus Scrofa) using infrared skin temperature, Computers and Electronics in Agriculture, Volume 168, 2020 https://doi.org/10.1016/j.compag.2019.105148.