Embed Size (px)
Citation preview
Revista Brasileira de Computação Aplicada, Novembro, 2019
DOI: 10.5335/rbca.v11i3.9210Vol. 11, No 3, pp. 133–145Homepage: seer.upf.br/index.php/rbca/index
ART I GO OR I G INAL
Reconhecimento da ceratoconjuntivite infecciosa bovinautilizando imagens termográ�cas e redes neurais convolucionais
Recognition of bovine infectious keratoconjunctivitis usingthermographic imaging and convolutional neural networks
Dhyonatan Santos de Freitas ,1,3, Sandro da Silva Camargo ,1,3, HelenaBrocardo Comin ,2, Robert Domingues ,3, Emanuelle Baldo Gaspar ,3,
Fernando Flores Cardoso1,31Programa de Pós-Graduação em Computação Aplicada (Unipampa), 2Programa de Pós-Graduação em Zootecnia
(UFPel), 3Embrapa Pecuária [email protected]; [email protected]; [email protected];[email protected]; [email protected]; [email protected]
Recebido: 18/03/2019. Revisado: 03/09/2019. Aceito: 16/10/2019.
ResumoA Ceratoconjuntivite Infecciosa Bovina (CIB) é considerada a doença ocular de maior importância na criaçãode bovinos, causando perdas signi�cativas tanto no rebanho afetado quanto para o produtor. Por se tratar deuma doença infectocontagiosa é necessário que as formas de diagnóstico sejam aprimoradas. Atualmente, odiagnóstico para CIB é realizado por meio da avaliação dos sinais clínicos por um especialista e con�rmados porexames laboratoriais, o que geralmente é uma tarefa custosa e demorada. Neste trabalho, é avaliada a utilização datermogra�a infravermelha para aquisição de imagens da região ocular bovina de animais sadios e infectados pelaCIB e, a partir disso utilizar essa base de imagens no treinamento e validação de um conjunto de redes neuraisconvolucionais (RNC), com o intuito de identi�car se o animal está ou não infectado em novas amostras. Foramutilizadas 4.938 imagens termográ�cas da região ocular bovina no processo de treinamento e validação de cincoarquiteturas distintas de RNC, as quais foram avaliadas utilizando validação cruzada. Os melhores resultadosobtidos neste trabalho indicam que as RNC são capazes de classi�car corretamente os sinais clínicos da CIB emimagens termográ�cas com uma taxa de acurácia próxima de 80%.Palavras-Chave: Análise de imagens digitais; Classi�cação; Doença ocular bovina; Reconhecimento de padrões.AbstractInfectious Bovine Keratoconjunctivitis (IBK) is considered the most important ocular disease in cattle rearing,causing signi�cant losses in both the a�ected herd and as for producer. Because it is an infectious disease, theforms of diagnosis need to be improved. Currently, the diagnosis for IBK is performed through the evaluation ofclinical signs by a specialist and con�rmed by laboratory tests, which is usually a costly and time-consumingtask. In this work, the use of infrared thermography for the acquisition of images of the bovine ocular region ofhealthy and infected animals by the IBK is evaluated, using this image base in the training and validation of aset of convolutional neural networks (CNN) with the aim of identifying whether or not the animal is infected innew samples. A total of 4.938 thermographic images of the bovine ocular region were used in the training andvalidation process of �ve di�erent architectures of CNN, which were evaluated using cross-validation. The bestresults obtained in this study indicate that CNNs are able to correctly classify IBK clinical signs in thermographicimages with an accuracy rate close to 80%.Keywords: Analysis of digital images; Bovine ocular disease; Classi�cation; Pattern Recognition.
134 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
1 Introdução
A Ceratoconjuntivite Infecciosa Bovina (CIB), tambémdenominada pinkeye ou “doença do olho branco”, éconsiderada a doença ocular de maior importância nacriação de bovinos responsável por perdas econômicas eprodutivas consideráveis em rebanhos de todo o mundo(Alexander, 2010, Postma et al., 2008).A CIB é uma doença contagiosa causada pela bactéria
Moraxella bovis. Os animais acometidos apresentamma-nifestações clínicas que iniciam com lacrimejamento,fotofobia, edema e opacidade de córnea, podendo evo-luir para úlcera de córnea e, nos casos mais graves,cegueira irreversível (Chandler et al., 1979). A CIB podeapresentar curso agudo, subagudo ou crônico, atin-gindo apenas um ou ambos os olhos do animal (Punchet al., 1985). Embora não seja uma doença geralmentefatal, tem altas taxas de morbidade, principalmenteem animais jovens (até 2 anos), chegando a afetar 80%do rebanho após três a quatro semanas do início dosurto (Postma et al., 2008), ocasionando diminuiçãodo ganho de peso e da produção de leite dos animaisinfectados, além de elevados custos com o tratamento.As lesões características da CIB, que se originam daárea central da córnea e progridem de forma centrí-fuga, facilitam o diagnóstico pelo especialista. Porém,o diagnóstico conclusivo depende do isolamento e iden-ti�cação da Moraxella bovis em laboratório por meio dacoleta do líquido conjuntival de animais em fase inicialda doença (Angelos et al., 2007). Por vezes, o surto deinfecção já se encontra em curso quando identi�cadopelo produtor e, muitas vezes, não há disponibilidadeimediata dos meios de diagnóstico adequados.Tecnologias inovadoras e biotecnologias contribuemsigni�cativamente para o avanço em pesquisa animal,atuando principalmente na identi�cação da variabili-dade animal e seu bem-estar. Métodos não destrutivosnem invasivos podem ser úteis para obtenção de dadoscon�áveis sem interferir diretamente com os organis-mos, evitando reações de estresse. Neste sentido, atermogra�a infravermelha se torna um método ade-quado para alcançar esse objetivo, principalmente emrelação à coleta de dados para subsidiar o diagnóstico.Possibilitando a detecção de alterações locais e sistê-micas de temperatura expressas na superfície da pelecom a vantagem de identi�cá-las precocemente, antesdo aparecimento dos primeiros sinais clínicos (Rekantet al., 2016).Tendo em vista que a evolução da doença é rápida econtagiosa, o tempo de reação contra o surto de CIB édeterminante para o controle da infecção. Nesse sen-tido, o desenvolvimento de uma ferramenta capaz deauxiliar o produtor rural no diagnóstico preliminar daCIB pode reduzir o tempo de reação clínica e tornar otratamento mais e�caz. A utilização da termogra�ainfravermelha como ferramenta de obtenção de dadospossibilita a identi�cação dos sintomas de maneira ágil.Com esta percepção, este trabalho tem como objetivodesenvolver um método computacional capaz de identi-�car automaticamente os sinais clínicos da CIB em ima-gens termográ�cas da região ocular bovina utilizandoredes neurais convolucionais, fornecendo o diagnóstico
de maneira auxiliar ao trabalho do especialista.O trabalho está estruturado da seguinte forma: naSeção 2 é apresentada uma revisão bibliográ�ca so-bre os conceitos abordados neste estudo; na Seção 3são apresentados os materiais e os métodos utiliza-dos durante o desenvolvimento; na Seção 4 é discutidoos resultados alcançados; e na Seção 5 é abordada asconclusões e a idealização de trabalhos futuros.
2 Revisão Bibliográ�caNesta seção, serão descritos alguns conceitos sobre atermogra�a infravermelha e redes neurais arti�ciais,bem como suas aplicações na medicina veterinária.2.1 Termogra�a Infravermelha
O princípio da termogra�a infravermelha é fundamen-tado nas bases de que todos os corpos formados dematéria, ou massa, que possuam temperatura acimade zero emitem radiação infravermelha que pode sermensurada e correlacionada com a temperatura corpo-ral (Knížková et al., 2007). A radiação é uma forma deperda de calor por raios infravermelhos, envolvendoa transferência de calor de um objeto para outro semcontato físico. A emissividade da pele é um fator impor-tante na determinação da sua temperatura e, através daavaliação da temperatura super�cial, é possível avaliaro estado físico e saudável dos seres vivos (Chiu et al.,2005, Bouzida et al., 2009).As câmeras térmicas captam a radiação infraverme-lha emitida pela superfície, convertem-na em sinaisradiométricos e criam uma imagem térmica que re-presenta a distribuição de temperatura super�cial docorpo (Incropera et al., 2000). No termograma, cadacor expressa a faixa de temperatura especí�ca, relacio-nada à uma escala de�nida, por exemplo graus célsius(Ludwig et al., 2010). Os dados obtidos por digitaliza-ção são processados por computador, proporcionandoanálise detalhada da temperatura do objeto em estudo.2.1.1 Termogra�a infravermelha na medicina veteriná-
riaCom a importância que o bem-estar animal tem assu-mido nos mais diversos campos da medicina veterináriae também em pesquisas cientí�cas da área, tornou-seimprescindível a utilização de técnicas e equipamen-tos não invasivos que preservem o conforto do animal,destacando-se assim a termogra�a infravermelha. Deacordo com Stewart et al. (2005), ela vem sendo indi-cada como ferramenta útil em estudos de bem-estaranimal, uma vez que podemedir a temperatura corporaldos animais de forma rápida, precisa e não invasiva.Segundo Waldsmith and Oltmann (1994), as emis-sões infravermelhas do animal estão diretamente rela-cionadas à perfusão e metabolismo dos tecidos, sendoas variações de temperatura da superfície resultado demudanças na circulação da área avaliada. Calor e edemasão sinais de in�amação e, antes mesmo que os sinaisclínicos apareçam no paciente é possível observar osindícios do processo in�amatório por intermédio desse
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 135
método (Gavrila, 1999). O equipamento de imageminfravermelha é importante para o médico veterináriopor ser capaz de detectar temperaturas a partir 0,05°Cenquanto a mão humana percebe variações de tempe-ratura a partir que 4°C (Davis, 2004).Em termos de pesquisa, a termogra�a infraverme-lha tem recebido maior atenção no desenvolvimentode pesquisas nas áreas de: mastite bovina (Colak et al.,2008, Hovinen et al., 2008, Polat et al., 2010), doençarespiratória em bezerros (Schaefer et al., 2007, 2012),diagnóstico de febre aftosa (Rainwater-Lovett et al.,2009), avaliação de comportamento e bem-estar ani-mal (Kotrba et al., 2007, McCa�erty et al., 2011)), pro-dução de gás metano por vacas leiteiras e identi�caçãode animais com melhor e�ciência alimentar (Monta-nholi et al., 2008).2.2 Redes Neurais Arti�ciais
A pesquisa exploratória utilizando redes neurais arti-�ciais em outras áreas do conhecimento tem crescidonas últimas décadas, isso se deve à evolução da capa-cidade de processamento, interpretação e análise degrandes volumes de dados. Com isso, estima-se que autilização desta tecnologia para detecção e prevençãode doenças oculares em bovinos baseada na interpreta-ção de imagens digitais é uma alternativa com grandeschances de sucesso.Redes Neurais Arti�ciais (RNAs) são processadoresparalelos constituídos de neurônios arti�ciais inspira-dos no funcionamento do cérebro humano Haykin et al.(2009). A função primordial de uma RNA é a classi�ca-ção de instâncias com base em um modelo que é geradoa partir do treinamento da rede. Os neurônios de umaRNA são dispostos em camadas, onde cada neurônio éresponsável por computar o resultado do produto deum vetor de parâmetros com os valores das entradas.Este valor é então passado a uma função de ativação,que restringe a amplitude do sinal de saída. Uma ar-quitetura padrão simpli�cada de uma RNA é mostradana Fig. 1.
Figura 1: Arquitetura simpli�cada de uma RNA.Adaptado de Haykin et al. (2009)Uma RNA pode ter diferentes arquiteturas, variandoo número de camadas e como estas estão conectadas. As
arquiteturas mais comuns são Single-Layer Feedforward,Multilayer Feedforward e as chamadas RNAs recorrentes.O processo de aprendizagem de uma RNA pode ocorrerde duas maneiras: i) supervisionada, onde a classi�ca-ção de cada exemplo é conhecida, neste caso o ajustedos pesos ocorre de forma interativa entre todos osneurônios e, usualmente, utiliza-se o algoritmo back-propagation para essa tarefa; ii) não-supervisionada,onde não existe conhecimento sobre os exemplos, ouseja, a rede precisa identi�car relações, padrões, re-gularidades ou categorias nos dados apresentados ecodi�cá-los nas saídas (Haykin et al., 2009).Diversas tarefas de aprendizado podem ser utiliza-das para inúmeros �ns. Porém, neste trabalho o focoé o reconhecimento de padrões e classi�cação de ima-gens, sendo este primeiro formalmente de�nido comoo processo onde um padrão é atribuído para uma classeprede�nida ou esperada. No processo de aprendizagemsupervisionado, por exemplo, uma RNA executa o re-conhecimento de padrões por meio de uma sessão detreinamento onde as entradas são exemplos com iden-ti�cação das suas respectivas classes. Após treinada,a rede é utilizada para classi�car padrões ainda nãovistos, mas que pertencem a uma classe da populaçãode exemplos utilizada para treino.A qualidade no reconhecimento de padrões em ima-gens, classi�cação e detecção de objetos está cada vezmelhor devido ao aprimoramento das redes neuraisconvolucionais, usualmente chamadas de RNC ou, doinglês, CNN Convolutional Neural Network. A maior partedo progresso se dá apenas por hardware melhor, basesde dados ou modelos maiores, mas uma consequênciade novas ideias, algoritmos e arquiteturas das redes(Szegedy et al., 2015).2.2.1 Redes Neurais ConvolucionaisRNCs são um tipo de RNA especializado para o proces-samento de dados de entrada que possuem um formatode matriz, usualmente utilizadas para o processamentode informações visuais. O que caracteriza esse tipo derede é ser composta basicamente de camadas convolu-tivas, que processam as entradas considerando camposreceptivos locais. Em outras palavras, as RNCs sãouma espécie de extrator de características automáticoque antecede uma RNA do tipo Multilayer Feedforwardpara classi�cação do resultado em classes distintas. Aarquitetura de uma RNC é apresentada na Fig. 2.2.2.1.1 Camada de entrada. A camada de entrada é res-ponsável por receber os padrões que serão apresentadospara a RNC processar, seja na fase de treinamento, sejana fase de classi�cação.2.2.1.2 Camada convolucional. Na camada convolucional,cada neurônio é utilizado como um �ltro aplicado a umaimagem de entrada. Esse �ltro é constituído por umamatriz de pesos. Assim, cada neurônio irá processar aimagem e produzir uma transformação dessa imagempor meio de uma combinação linear utilizando os pixelsvizinhos (Ponti and da Costa, 2018). Cada representa-ção gerada pelos neurônios da camada convolucional éconhecido como mapa de características, os quais são
136 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
Figura 2: Arquitetura de uma RNC. Adapdata de Araújo et al. (2017)
utilizados como entrada para a próxima camada da rede.RNCs são complexas pelo ponto de vista operacional.Portanto uma forma de reduzir o custo computacionalé utilizar o procedimento de pooling durante as cama-das convolutivas de uma RNC – pooling é uma formade reduzir a dimensionalidade espacial dos mapas decaracterística gerados pela rede.Em outras palavras, cada neurônio da camada con-volucional é responsável por coletar uma amostra daimagem de entrada e, a partir de um conjunto de pixels,gerar um único pixel de saída, evidenciando as caracte-rísticas do conjunto inicial. Na arquitetura de uma RNC,o número de camadas convolutivas pode ser variadoconforme o problema que desejamos resolver. As ar-quiteturas mais comuns de RNCs utilizam entre três ecinco camadas convolutivas para obter bons resultados(Rocha, 2015, Krizhevsky et al., 2012).
2.2.1.3 Camada densa. É uma camada oculta assim comoa utilizada em redes do tipo Multilayer Feedforward.Nesta etapa, cada neurônio da camada densa possuium peso associado a cada elemento do vetor de entrada.A transição entre uma camada convolucional e a ca-mada densa exige que o mapa de característica geradopelas camadas convolutivas seja transformado em umvetor, o qual é utilizado como peso de entrada para acamada densa.Como pode ser observado na Fig. 1, uma rede dotipo Multilayer Feedforward utiliza em seu processo umafunção de ativação responsável por pequenas correçõesnos pesos da rede a�m de aprimorar o funcionamentoda camada de saída. Segundo Ponti and da Costa (2018),arquiteturas mais recentes de RNCs tem utilizado afunção de ativação ReLU para as camadas ocultas e paraa camada de saída (classi�cador), a função Softmax.
2.2.1.4 Camada de saída. Ao �nal do processamento daRNC, a camada de saída é responsável por receber osestímulos das camadas intermediárias e construir opadrão que constituirá a resposta �nal.2.2.1.5 Arquitetura de uma RNC e seus parâmetros. A ar-quitetura de uma RNC é constituída pela camada deentrada juntamente com a combinação de blocos de ca-
madas convolucionais seguidas de funções de ativaçãoque geram mapas de características. Esses mapas decaracterísticas são processados por uma operação de po-oling. Por �m, um conjunto de camadas completamenteconectadas (camada densa), também acompanhadaspor funções de ativação, são responsáveis por gerar oresultado �nal.A con�guração de uma RNC passa pela de�nição detrês hiperparâmetros principais:i. número de camadas convolucionais, onde paracada camada deve-se de�nir o número de �ltros,seu tamanho e o tamanho do passo dado durante aconvolução;ii. número de camadas de pooling, onde é de�nido otamanho da redução da dimensionalidade;iii. número de camadas totalmente conectadas (ca-mada densa), onde é de�nido o número de neurônioscontidos em cada camada.Uma RNC pode ter uma arquitetura simples, compoucos parâmetros de entrada. Porém, se a arquiteturaé expandida, o número de parâmetros a serem apren-didos cresce consideravelmente e a complexidade darede também.
2.2.2 Redes Neurais na medicina veterináriaNa pecuária, RNAs têm sido amplamente utilizadasna identi�cação e prevenção de doenças, classi�caçãode imagens, apoio à decisão e predições baseadas emacontecimentos conhecidos.Na prevenção de doenças, os autores Cavero et al.(2008) e Heald et al. (2000) utilizaram RNAs para iden-ti�car precocemente a mastite bovina. Nos trabalhos,sistemas de diagnóstico foram desenvolvidos com baseem dados de monitoramento diário, os quais eram co-letados durante as ordenhas e armazenados em umabase de dados. Esses dados serviam como entrada paraa rede neural detectar com antecedência o surgimentoda doença.RNAs são comumente utilizadas para realizar pre-dições de acontecimento futuros. A partir dessa ideia,Mendes et al. (2009) aplicaram com sucesso redes neu-rais do tipo perceptron multicamadas nas predições
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 137
do peso ao sobreano em bovinos de corte, auxiliandono apoio à decisão dos produtores. Neves (2007) tam-bém utilizou RNAs do tipo perceptron multicamadaspara predição dos valores genéticos em característicasrelacionadas à produção em gado de leite.
3 Materiais e MétodosNesta seção serão descritos osmateriais utilizados nestetrabalho (base de dados, linguagem de programação ebibliotecas), além da metodologia adotada para iden-ti�car sintomas da CIB em imagens termográ�cas daregião ocular bovina utilizando redes neurais convolu-cionais.3.1 Materiais
3.1.1 Base de DadosA base de imagens utilizada neste trabalho foi desen-volvida pela Embrapa Pecuária Sul perante uma inves-tigação onde os pesquisadores induziram experimen-talmente a doença em 11 animais da raça Hereford paraacompanhar o desenvolvimento da CeratoconjuntiviteInfecciosa Bovina (CIB)1. Os registros termográ�cos fo-ram realizados em cinco dias (dia 0, 2, 4, 6 e 8), sendoque no dia zero os animais foram observados sadiose no dia 8 quando atingiram o pico máximo da infec-ção. Além disso, somente o olho direito foi infectado,permanecendo o olho esquerdo como controle negativo.A base de imagens é composta por 186 imagens ter-mográ�cas da região ocular bovina compactadas noformato JPEG com dimensões de 320×240 pixels e trêscanais do espaço de cores RGB, produzidas utilizandouma câmera térmica FLIR® T300.Um exemplo de imagem térmica da região ocularbovina que compõe a base de imagens é apresentadana Fig. 3.
Figura 3: Imagem térmica da região ocular bovina.As avaliações do progresso da doença foram reali-zadas por especialistas da Embrapa Pecuária Sul na
1Procedimento aprovado pela CEUA/CPPSul nº 10/2016.
modalidade de scores (de 0 a 4) Gaspar et al. (2016). NaTabela 1, é apresentada a classi�cação de cada score deacordo com o sinal clínico do animal no momento daavaliação.Tabela 1: Classi�cação dos scores de acordo com o sinalclínico apresentado pelo animal no momento daavaliação.Score Sinal Clínico0 Nenhum sinal clínico1 Lacrimejamento (ausência de lesão na córnea)2 Úlceras na córnea (até 4mm de diâmetro)3 Úlceras na córnea maiores que 4mm (pode ha-ver opacidade da córnea)4 Ruptura corneal (rompimento da úlcera)
Após as avaliações dos especialistas as informaçõesforam armazenadas em uma planilha eletrônica, con-tendo a identi�cação do animal, o score atribuído e o IDda imagem para cada olho do animal.3.1.2 FerramentasPara a construção dos métodos foram utilizadas as bi-bliotecas de código aberto para aprendizado de máquinaTensor�ow2 (versão 1.5) e Keras3 (versão 2.2.4), ambasda linguagem de programação Python4. O computadorutilizado na construção e validação dos métodos foium computador com processador Intel® Xeon® OctaCore de 2.10Ghz, com 8Gb de memória RAM e portandouma GPU NVIDIA® Tesla C1060. O sistema operacionalutilizado é o Linux Ubuntu na versão 18.04 LTS 64 bits.3.2 Métodos
A metodologia utilizada na realização deste trabalho foidividida em três momentos:i. pré-processamento dos dados;ii. construção das redes neurais convolucionais;iii. de�nição das métricas de avaliação.
3.2.1 Pré-processamento dos dadosInicialmente, com base nas informações contidas naplanilha de avaliação dos especialistas, as imagens fo-ram separadas em duas classes. A primeira classe con-tém as imagens identi�cadas com presença dos sinaisclínicos da CIB, classi�cadas pelos scores de 1 a 4. Asegunda classe contém as imagens identi�cadas comausência dos sinais clínicos da CIB, classi�cadas como score 0. Desta forma, a primeira classe (imagens deolhos infectados) dispõe de 41 imagens originais, jáa segunda classe (olhos não infectados) dispõe de 62imagens originais.Como as imagens são oriundas de um experimentorealizado pela Embrapa, sua maioria continha análi-2Mais detalhes em https://www.tensorflow.org3Mais detalhes em https://keras.io/4Mais detalhes em https://www.python.org/
138 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
ses de temperatura manuais em seu conteúdo. Comisso, o segundo passo do pré-processamento foi re-mover essas análises de temperaturas, as quais nãosão interessantes para este trabalho, podendo atrapa-lhar a extração de características pelas RNCs. Assim,utilizando o próprio software disponibilizado pela fa-bricante da câmera, o FLIR Tools®, essas análises detemperaturas foram removidas das imagens originais.Na Fig. 4(a) é apresentada uma imagem com análise detemperatura manual e na Fig. 4(b) é apresentada umaimagem com a análise de temperatura removida.
(a) Imagem com análise de temperatura manual.
(b) Imagem com a análise de temperatura remo-vida.Figura 4: Imagem termográ�ca com análise detemperatura e imagem com a análise removida.Redes neurais são amplamente utilizadas para re-conhecimento de padrões em imagens digitais, porémnecessitam de grandes volumes de dados para efetuarum treinamento e�ciente, para então, posteriormente,reconhecer ou classi�car novas amostras de forma maisassertiva (Haykin, 2007, Goodfellow et al., 2016). Comonossa base de imagens possui poucas amostrar paracada classe, foi necessário realizar um procedimentopara, a partir dessas imagens, construir um conjuntomaior de amostras.Assim, a próxima etapa na preparação dos dados,foi aplicar uma técnica conhecida como “aumento dedados” (do inglês, augmentation data), a qual tem sido
utilizada em diversos trabalhos de reconhecimento deimagens utilizando deep learning (Perez andWang, 2017,Han et al., 2018). Neste processo, foi utilizada a bi-blioteca Keras programada na linguagem Python. Oprocesso de aumento de dados consiste em, a partirde uma imagem original, gerar outras imagens apli-cando técnicas morfológicas sem perder as principaiscaracterísticas da imagem original. Usualmente são uti-lizados rotações e deslocamentos na imagem principalpara gerar novas imagens, ou seja, neste processo porexemplo, a imagem original após a aplicação de umarotação de 10º em sentido horário é considerada umanova imagem. Um exemplo do processo de aumentode dados, utilizando a biblioteca Keras, é apresentadana Fig. 5, onde a partir de uma imagem são geradas 16novas imagens.Desta forma, utilizando o processo de aumento dedados, uma nova base de imagens foi gerada. A novabase de imagens possuí 4938 imagens termográ�cas daregião ocular bovina divididas em duas classes, sendo3500 imagens de treinamento, 978 imagens de teste e460 imagens de validação. A base de imagens gerada apartir do processo de aumento de dados é apresentadana Tabela 2.Tabela 2: Base de dados gerada após o processo deaumento de dados.
Imagens deolhos infectados
Imagens deolhos sadios
Total de imagens 2464 2474Conjunto de treinamento 1750 1750Conjunto de teste 484 494Conjunto de validação 230 230
3.2.2 Desenvolvimento das Redes Neurais Convolucio-nais
O processo de desenvolvimento de uma rede neuralpara a interpretação e solução de novos problemas éum desa�o constante, principalmente no que tangea busca pela arquitetura com melhor capacidade deabstração e generalização dos dados.Os autores acreditam que o desenvolvimento do mo-delo que melhor se adapte ao dados é um processoexploratório e não de�nitivo. Nesse sentido, buscou-se neste trabalho desenvolver cinco modelos de RNCe avaliar sua capacidade de identi�car os sintomas daCIB em imagens termográ�cas da região ocular bovina.Essas arquiteturas foram criadas utilizando a lingua-gem de programação Python e as biblioteca Keras eTensor�ow. A arquitetura de cada um dos modelos deRNC desenvolvidos é apresentada na Fig. 6.Os modelos desenvolvidos foram baseados no padrãoconvencional de uma RNC, conforme apresentado ante-riormente na Subseção 2.2.1 (Fig. 2). Neste caso, algunsparâmetros de entrada entre a etapa de convolução ea etapa densa foram variados na tentativa de obter omodelo que melhor se adapte ao problema em questão.A variação dos parâmetros observou a profundidade ecomplexidade da RNC onde, o Modelo 1 apresenta a RNCcom a arquitetura mais simples, enquanto o Modelo 5
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 139
augmentation_data.pyaugmentation_data.py
Figura 5: Processo de aumento de dados a partir de uma imagem utilizando a biblioteca Keras.
Entrada Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5
Convolution Convolution Convolution Convolution Convolution(64, 2x2) (64, 2x2) (64, 2x2) (128, 2x2) (128, 2x2)Activation Activation Activation Activation Activation
(ReLU) (ReLU) (ReLU) (ReLU) (ReLU)MaxPooling MaxPooling MaxPooling MaxPooling MaxPooling
(2x2) (2x2) (2x2) (2x2) (2x2)Convolution Convolution Convolution Convolution Convolution
(32, 2x2) (32, 2x2) (32, 2x2) (64, 2x2) (64, 2x2)Activation Activation Activation Activation Activation
(ReLU) (ReLU) (ReLU) (ReLU) (ReLU)MaxPooling MaxPooling MaxPooling MaxPooling MaxPooling
(2x2) (2x2) (2x2) (2x2) (2x2)Convolution Convolution Convolution Convolution Convolution
(16, 2x2) (16, 2x2) (16, 2x2) (32, 2x2) (32, 2x2)Activation Activation Activation Activation Activation
(ReLU) (ReLU) (ReLU) (ReLU) (ReLU)MaxPooling MaxPooling MaxPooling MaxPooling MaxPooling
(2x2) (2x2) (2x2) (2x2) (2x2)Dense Dense Dense Convolution Convolution
(64) (256) (256) (32, 2x2) (16, 2x2)Activation Activation Activation Activation Activation(Sigmoid) (Sigmoid) (Sigmoid) (ReLU) (ReLU)
Dense Dense Dense MaxPooling MaxPooling(1) (1) (256) (2x2) (2x2)
Activation Activation Activation Dense Dense(Sigmoid) (Sigmoid) (Sigmoid) (256) (256)
Dense Activation Activation(1) (Sigmoid) (Sigmoid)
Activation Dense Dense(Sigmoid) (128) (128)
Activation Activation(Sigmoid) (Sigmoid)
Dense Dense(1) (64)
Activation Activation(Sigmoid) (Sigmoid)
Dense(1)
Activation(Sigmoid)
Saída
Figura 6: Arquitetura dos modelos de RNC desenvolvidas. Adaptada de da Silva and Raeder (2018).
apresenta uma arquitetura mais complexa e profunda.Além disso, optou-se por utilizar kernel de convo-
lução com tamanho 2 × 2 em todos os modelos. Autilização de kernels pequenos torna a extração de ca-
140 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
racterísticas mais re�nada, uma vez que a cada passodo processo convolucional um novo pixel é gerado apartir de um conjunto menor de pixels.3.2.3 Métricas de avaliaçãoTécnicas de aprendizado de máquina utilizadas princi-palmente em tarefas de classi�cação de diagnósticosmédicos necessitam de uma avaliação severa dos re-sultados e, para isso, algumas métricas são utilizadas.Segundo Sokolova et al. (2006), medidas que avaliam aqualidade de uma tarefa de classi�cação são construídasa partir de uma matriz de confusão, a qual contabilizaexemplos reconhecidos corretamente e incorretamentepara cada classe. Geralmente, em classi�cações biná-rias essas matrizes são estruturas compostas por quatrocategorias de resultados: Verdadeiros Positivos (VP);Falsos Positivos (FP); Verdadeiros Negativos (VN); Fal-sos Negativos (FN). O modelo de matriz de confusão éapresentado na Tabela 3.Tabela 3: Resultados obtidos pelos modelos de RNC naetapa de validação.
Classe EsperadaPositivo Negativo
ClassePrevista
Positivo VP FPNegativo FN VN
As métricas de avaliação de classi�cadores geral-mente têm como base para cálculo os resultados ge-rados a partir dessa matriz de confusão. Segundo osautores Sokolova et al. (2006), as métricas mais utiliza-das para avaliar algoritmos de aprendizado de máquinatêm sido a taxa de acurácia e a taxa de erro, as quaissão de�nidas pelas Eqs. (1) e (2). Porém, a�rmam tam-bém que a avaliação utilizando apenas essas métricasé frágil, pois as mesmas não atendem plenamente àsnecessidades de problemas de aprendizagem nos quaisas classes são igualmente importantes.
Acuracia = VP + VNVP + FP + VN + FN (1)
Erro = 1 – Acuracia (2)Por outro lado, duas medidas que estimam separa-damente o desempenho de um classi�cador em dife-rentes classes são sensibilidade e especi�cidade. Essasmedidas geralmente são utilizadas em aplicações deaprendizado de máquina e visão computacional pararesolver problemas médicos, biomédicos e em estudosque envolvem dados visuais (Davis and Goadrich, 2006).A sensibilidade explica a capacidade do sistema em pre-dizer corretamente a condição para casos que realmentea possui e a especi�cidade explica a capacidade do sis-tema em predizer corretamente a ausência da condiçãopara casos que realmente não a possui (Kohavi, 1998).A sensibilidade e a especi�cidade são de�nidas pelasEqs. (3) e (4).
Sensibilidade = VPVP + FN (3)
Especi�cidade = VNVN + FP (4)
Em posse dos valores de sensibilidade e especi�ci-dade, também é possível calcular a e�ciência dos mo-delos por meio da sua média aritmética, de�nida pelaEq. (5). Na prática, a sensibilidade e a especi�cidadevariam em direções opostas, isto é, quando um métodoé muito sensível a positivos, tende a gerar muitos falso-positivos e vice-versa. Assim, um método de decisãoperfeito (100% de sensibilidade e 100% especi�cidade)raramente é alcançado e um equilíbrio entre ambosdeve ser atingido (Kohavi, 1998).
E�ciencia = Sensibilidade + Especi�cidade2 (5)Neste trabalho, as métricas citadas serão utilizadaspara avaliar os modelos de RNC em dois momentos: i)na etapa de treinamento das RNC, utilizando a acuráciae a taxa de erro; ii) na etapa de validação, utilizandotodas as métricas.A divisão da base de imagens nesses dois momentosfoi baseada na técnica da validação cruzada utilizando ométodo holdout. A validação cruzada é uma técnica paraavaliar a capacidade de generalização de um modelo apartir do particionamento do conjunto de dados (Kohaviet al., 1995). Esta técnica é amplamente empregadaem problemas onde o objetivo é a predição de novasamostras. O método holdout garante a exclusividade dosdados que serão empregados no modelo, ou seja, partedos dados são utilizados para treinamento (usualmente70% das amostras) e o restante para teste e validação.
4 Resultados e DiscussãoApós o pré-processamento dos dados e o desenvolvi-mento dos modelos de redes neurais convolucionais,os resultados das etapas de treinamento e validaçãodestes foram computados.4.1 Treinamento dos modelos
De acordo com a Tabela 2, o conjunto de imagens uti-lizado na etapa de treinamento é composto por doisagrupamentos, o primeiro contendo imagens de treinoe o segundo contendo imagens de teste. O conjunto detreino é utilizado pela RNC para avaliar o desempenhodo modelo durante seu treinamento, sendo a acuráciautilizada como métrica de avaliação. O conjunto deteste é utilizado pela RNC para avaliar o desempenhodo modelo quando novas amostras são apresentadas,neste momento a taxa de erro é utilizada como métricade avaliação. Em geral, a acurácia veri�ca a precisão
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 141
do modelo enquanto que a taxa de erro penaliza o mo-delo quando este comete um erro no processamentode novas amostras. Nesta etapa, o melhor modelo seráaquele que obtiver a maior taxa de acurácia juntamentecom a menor taxa de erro, considerando uma escala de0 a 1.As imagens de treinamento foram divididas em duasclasses, uma delas contendo imagens de olhos infecta-dos pela CIB e outra com imagens de olhos sadios. Adivisão das imagens dentro de cada classe ocorreu deacordo com a identi�cação e descrição das imagens combase na avaliação dos especialistas a campo (retratadona Subseção 3.1.1).Em seguida, os cinco modelos de RNC desenvolvi-dos foram submetidos a uma rotina de treinamentode 50 épocas cada. O número de épocas é determi-nado como uma condição de parada para o algoritmode treinamento. Esse número pode sofrer variação, po-rém, os autores decidiram manter a mesma condiçãopara todos os modelos para �ns de comparação. Alémdisso, percebeu-se durante a etapa de treinamento quea curva de aprendizagem se mantém estável após per-corridas 40 épocas de treinamento, após isso a variaçãode aprendizagem é muito pequena e o risco de ocorrerover�tting é acentuado. Over�tting é um termo usadopara descrever quando um modelo se ajusta muito bemao conjunto de dados anteriormente observado, mas semostra ine�caz para prever novos resultados (Srivas-tava et al., 2014).Os resultados da acurácia e taxa de erro obtidos porcada modelo na etapa de treinamento são apresentadosna Fig. 7 e na Fig. 8, respectivamente.
Época
Acur
ácia
0,6
0,7
0,8
0,9
1
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5
Figura 7: Resultados da etapa de treinamento dosmodelos de RNC em termos da Acurácia.Os modelos foram desenvolvidos observando a com-plexidade de uma RNC. Dessa forma, temos que quantomais profundo for o modelo mais complexa é sua arqui-tetura. Os resultados da etapa de treinamento indicamque todos os modelos tiveram uma acurácia acima de80%. No entanto, algumas peculiaridades podem sãodiscutidas:i. o desempenho dos modelos nesta etapa �ca evi-
Época
Taxa
de
erro
0,00
0,25
0,50
0,75
1,00
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5
Figura 8: Resultados da etapa de treinamento dosmodelos de RNC em termos da Taxa de erro.
denciado por sua profundidade e complexidade, ondeaqueles com arquiteturas mais simples tiveram re-sultados inferiores àqueles com arquiteturas maiscomplexas. No entanto, o interessante foi que o Mo-delo 2, mesmo possuindo uma camada densa commaior número de neurônios em relação ao Modelo 1,obteve um resultado inferior;ii. a arquitetura do Modelo 3 foi a mais acurada naetapa de treinamento. Observando sua curva deaprendizagem, podemos perceber que é o modeloque tem uma ascensão constante, chegando ao �-nal das 50 épocas de treinamento com uma precisãopróxima a 92%, juntamente com a menor taxa deerro. Sua principal diferença para os modelo 1 e 2é o acréscimo de mais uma camada densa com 256neurônios. Neste caso, o aumento no número decamadas totalmente conectadas, subsidiadas comuma extração de características consistente, garantemelhor performance do modelo;iii. o aumento de camadas convolutivas dentro da ar-quitetura de um modelo de RNC não garante melhorperformance. Isso �ca evidente quando observamosa arquitetura dos modelos 4 e 5, os quais possuemmaior número de camadas convolutivas em relaçãoaos demais, não sendo os mais efetivos nesta etapa.Pode-se perceber ainda que o modelo 4 possui umaevolução de treinamento próximo do modelo 3, con-tudo, decresce nas últimas épocas e a taxa de erro émaior.
De modo geral, os resultados alcançados na etapa detreinamento demonstram e�ciência, embora tenha sidoutilizada uma base de imagens com poucas amostras,o que é uma realidade em termos de diagnóstico porimagens de doenças em bovinos. A construção de basesde dados mais robustas para este �m é desejável parao aprimoramento de técnicas de reconhecimento depadrões, mas um desa�o.
142 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
Tabela 4: Resultados obtidos pelos modelos de RNCs na etapa de validação.Métricas Modelos de RNCs
1 2 3 4 5VP 161 204 141 144 170FP 89 113 68 25 34VN 141 117 162 205 196FN 69 26 89 86 60Acurácia 0,6565 0,6978 0,6587 0,7587 0,7957Taxa de erro 0,3435 0,3022 0,3413 0,2413 0,2043Sensibilidade 0,7000 0,8870 0,6130 0,6261 0,7391Especi�cidade 0,6130 0,5087 0,7043 0,8913 0,8522E�ciência 0,6565 0,6978 0,6587 0,7587 0,7957
4.2 Validação dos modelos
Após a etapa de treinamento é necessário avaliar osmodelos desenvolvidos em relação à sua capacidade degeneralização. Para isso, utilizamos uma parte do con-junto de imagens totalmente desconhecidas pelos mo-delos de RNC, exclusivamente destinadas a esta etapa.Desta forma, foram utilizadas 460 imagens térmicasda região ocular bovina, sendo 230 de olhos infectadospela CIB e 230 de olhos sadios, conforme mostrado naTabela 2.Os cinco modelos de RNC foram submetidos a análiseda base de imagens citada e os resultados computadosem uma matriz de confusão (Tabela 3) onde os valoresde VP, FP, FN e VN foram obtidos para cada nova pre-dição. Os resultados obtidos por cada modelo de RNCsão apresentados na Tabela 4.Segundo Sokolova et al. (2006), os valores de acurá-cia e taxa de erro são comumente utilizados para avaliaraplicações de aprendizado de máquina, sendo conside-rado bons resultados aqueles que obtêm uma acuráciaalta e uma taxa de erro baixa, isso caracteriza o poderde generalização de cada modelo. Deste modo, utili-zando as métricas apresentadas na Subseção 3.2.3 e osvalores obtidos por meio da matriz de confusão, foramcomputadas o valor da acurácia, taxa de erro, sensibili-dade, especi�cidade e e�ciência para cada modelo deRNC, os quais são apresentados na Tabela 4.Na etapa de validação, osmodelos de RNC desenvolvi-dos tiveram resultados similares àqueles apresentadosdurante a etapa de treinamento, salvo o Modelo 3, queteve destaque na etapa de treinamento. Contudo, seudesempenho nessa etapa foi inferior a outros mode-los, indicando baixo poder de generalização para novasamostras.O Modelo 5 foi o que obteve a maior taxa de acuráciaconcomitantemente com menor taxa de erro dentre to-dos os modelos, assegurando que RNCs mais profundasconseguem predizer novos resultados com maior pre-cisão neste caso. Além disso, os resultados atingidospor este modelo em relação à sensibilidade e especi�-dade não foram os melhores quando comparados ao de-sempenho de outros modelos, mas demonstram ótimacapacidade de generalização entre as classes, ou seja,possuem baixos índices de FP e FN, o que é extrema-mente indicado em casos que a aplicação deseja realizarpredições de doenças com altos índices de acurácia.Um fator que possivelmente in�uenciou, tanto nosresultados da etapa de treinamento, tanto na etapa de
validação é o fato das imagens representarem o estadofísico do animal em termos da temperatura corporal.Redes Neurais Convolucionais são reconhecidas pelasua alta capacidade de extração de características dosobjetos que compõem a imagem e, o fato das imagensusadas neste trabalho estarem em uma escala reduzidade cores, a diferença entre o animal sadio e o infec-tado é bastante confusa em alguns casos, embora essasimagens estejam alocadas em classes diferentes.Além disso, outro fator que certamente exerce in-�uência na precisão desta etapa é a quantidade de da-dos utilizados durante a etapa de treinamento. Estudoscom altas taxas de acurácia (maiores que 98%) utilizamgrandes bases de dados, tais como a CIFAR10 (60.000imagens), MNIST (70.000 imagens) e ImageNet 2012(1.2 milhões de imagens) (CireşAn et al., 2012, Serma-net et al., 2013), demonstrando a necessidade de seter uma quantidade maior de dados quando se desejaaumentar a precisão dos modelos.Uma observação importante é que os resultados ob-tidos demonstraram que o uso de RNCs para detectarsintomas da CIB em imagens termográ�cas da regiãoocular do animal é uma alternativa viável e promis-sora, tendo em vista que existe grande margem paraajuste dos modelos desenvolvidos e o desenvolvimentode novas arquiteturas mais complexas e profundas.
5 Conclusão
A CIB é uma das doenças mais graves que acomete ogado de corte e de leite no mundo. Atualmente, existemduas formas de diagnosticar um surto de CIB: a reali-zada pelo especialista a campo e a laboratorial. Porém,por vezes, o pecuarista não tem essa disponibilidadeem tempo hábil e o surto contagioso acaba afetandomais animais, intensi�cando o problema. Neste con-texto, este trabalho teve como objetivo explorar umanova forma de diagnosticar a CIB aplicando tecnologiasmodernas. Para isso, foram utilizadas a termogra�ainfravermelha como forma de aquisição de imagense redes neurais convolucionais como um classi�cadorautomático inteligente.Os melhores resultados obtidos indicam que as RNCssão capazes de classi�car corretamente os sinais clíni-cos da CIB em imagens termográ�cas da região ocularbovina com uma taxa de acurácia próxima a 80%. Alémdisso, percebe-se que modelos de RNC mais profun-dos, com maior número de camadas convolucionais e
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 143
camadas densas, possuem vantagem em relação a mo-delos mais simples, proporcionando maior equilíbriona capacidade de detectar animais doentes e sadios.Apesar da limitação do número de imagens na basede dados, este trabalho proporcionou um avanço noque tange a forma de diagnosticar a CIB. A utilizaçãode imagens termográ�cas é uma forma não invasiva decoletar dados dos animais e, por meio das redes neuraisconvolucionais, a interpretação desses dados se tornauma ferramenta poderosa capaz de agilizar o processode identi�cação da doença e apoiar o médico veterináriono momento de seu diagnóstico de�nitivo.Como trabalhos futuros, os autores pretendem tes-tar outras arquiteturas de redes neurais convolucionaissobre a mesma base de dados, variando alguns hiper-parâmetros e comparar os resultados com os obtidosneste trabalho.Além disso, almeja-se a coleta de dadosem decorrência de novos casos de CIB de maneira apromover o desenvolvimento de um repositório de ima-gens que venha a colaborar com o aprimoramento dastécnicas e, consequentemente, melhores resultados.
AgradecimentosOs autores agradecem a Fundação de Amparo à Pes-quisa do Estado do Rio Grande do Sul pela bolsa demestrado, a Embrapa-SEG pelo �nanciamento número02.13.02.13.10.002 e a Profª. Concepta Margaret Mc-Manus Pimentel pelo fornecimento do equipamento determogra�a.
ReferênciasAlexander, D. (2010). Infectious bovine keratocon-junctivitis: a review of cases in clinical practice, Ve-terinary Clinics: Food Animal Practice 26(3): 487–503.https://doi.org/10.1016/j.cvfa.2010.09.006.
Angelos, J. A., Spinks, P. Q., Ball, L. M. and George,L. W. (2007). Moraxella bovoculi sp. nov., isolatedfrom calves with infectious bovine keratoconjunc-tivitis, International journal of systematic and evolutio-nary microbiology 57(4): 789–795. https://doi.org/10.1099/ijs.0.64333-0.
Araújo, F. H., Carneiro, A. C., Silva, R. R., MEDEIROS, F.and USHIZIMA, D. (2017). Redes neurais convolucio-nais com tensor�ow: Teoria e prática, Sociedade Bra-sileira de Computação. III Escola Regional de Informáticado Piauí. Livro Anais-Artigos e Minicursos 1: 382–406.
Bouzida, N., Bendada, A. and Maldague, X. P. (2009).Visualization of body thermoregulation by infraredimaging, Journal of Thermal Biology 34(3): 120–126.https://doi.org/10.1016/j.jtherbio.2008.11.008.
Cavero, D., Tölle, K.-H., Henze, C., Buxadé, C. andKrieter, J. (2008). Mastitis detection in dairy cowsby application of neural networks, Livestock Sci-ence 114(2-3): 280–286. https://doi.org/10.1016/j.livsci.2007.05.012.
Chandler, R., Baptista, P. and Turfrey, B. (1979). Stu-dies on the pathogenicity of moraxella bovis in rela-tion to infectious bovine keratoconjunctivitis, Jour-nal of comparative pathology 89(3): 441–448. https://doi.org/10.1016/0021-9975(79)90035-5.
Chiu, W., Lin, P., Chiou, H., Lee, W., Lee, C., Yang,Y., Lee, H., Hsieh, M., Hu, C., Ho, Y. et al. (2005).Infrared thermography to mass-screen suspectedsars patients with fever, Asia Paci�c Journal of Pu-blic Health 17(1): 26–28. https://doi.org/10.1177/101053950501700107.
CireşAn, D., Meier, U., Masci, J. and Schmidhuber, J.(2012). Multi-column deep neural network for traf-�c sign classi�cation, Neural networks 32: 333–338.https://doi.org/10.1016/j.neunet.2012.02.023.
Colak, A., Polat, B., Okumus, Z., Kaya, M., Yanmaz, L.and Hayirli, A. (2008). Early detection of mastitisusing infrared thermography in dairy cows, Journalof Dairy Science 91(11): 4244–4248. https://doi.org/10.3168/jds.2008-1258.
da Silva, W. F. and Raeder, M. (2018). Melampus: ummodelo deep learning para triagem psicológica infan-til, Revista Brasileira de Computação Aplicada 10(3): 21–33. https://doi.org/10.5335/rbca.v10i3.8471.Davis, J. and Goadrich, M. (2006). The relationshipbetween precision-recall and roc curves, Proceedingsof the 23rd international conference on Machine learning,ACM, pp. 233–240. https://doi.org/10.1145/1143844.1143874.
Davis, J.; Silva, V. (2004). Subtração para detecçãode pessoa em imagens térmicas., Medicine & Biology88: 79–88.
Gaspar, E., Cardoso, F., Gil de los Santos, J., Minho,A. and Domingues, R. (2016). Guia de coleta de da-dos de ceratoconjutivite bovina infecciosa (cbi)., Em-brapa Pecuária Sul-Documentos (INFOTECA-E) . Dis-ponível em http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1035380.
Gavrila, D. (1999). A análise visual do movimento hu-mano: pesquisa, visão computacional and compreen-são de imagem, Artigos de Ciência Veterinária 13: 82–98.Goodfellow, I., Bengio, Y., Courville, A. and Bengio, Y.(2016). Deep learning, Vol. 1, MIT press Cambridge.
http://dx.doi.org/10.4258/hir.2016.22.4.351.Han, D., Liu, Q. and Fan, W. (2018). A new image classi-�cation method using cnn transfer learning and webdata augmentation, Expert Systems with Applications95: 43–56. https://doi.org/10.1016/j.eswa.2017.11.028.
Haykin, S. (2007). Redes neurais: princípios e prática,Bookman Editora.Haykin, S. S., Haykin, S. S., Haykin, S. S. and Haykin,S. S. (2009). Neural networks and learning machines,Vol. 3, Pearson Upper Saddle River.
144 D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145
Heald, C., Kim, T., Sischo, W., Cooper, J. and Wolfgang,D. (2000). A computerized mastitis decision aid usingfarm-based records: An arti�cial neural network ap-proach, Journal of Dairy Science 83(4): 711–720. https://doi.org/10.3168/jds.s0022-0302(00)74933-2.
Hovinen, M., Siivonen, J., Taponen, S., Hänninen, L.,Pastell, M., Aisla, A.-M. and Pyörälä, S. (2008). De-tection of clinical mastitis with the help of a thermalcamera, Journal of Dairy Science 91(12): 4592–4598.https://doi.org/10.3168/jds.2008-1218.
Incropera, F. P., DeWitt, D. P. and Bergman, T. L.(2000). Fundamentos de Transferência de Calor e deMassa., Grupo Gen-LTC.
Knížková, I., Kunc, P., Gürdil, G. A. K., Pinar, Y. andSelvi, K. (2007). Applications of infrared thermo-graphy in animal production, Journal of the Faculty ofAgriculture 22(3): 329–336. https://doi.org/10.7161/anajas.2007.22.3.329-336.
Kohavi, R. (1998). Glossary of terms, Specialissue on applications of machine learning andthe knowledge discovery process 30(271): 127–132. Disponível em http://deeplearning.lipingyang.org/wp-content/uploads/2016/12/Glossary-of-Terms-Journal-of-Machine-Learning.pdf.
Kohavi, R. et al. (1995). A study of cross-validationand bootstrap for accuracy estimation and modelselection, Ijcai, Vol. 14, Montreal, Canada, pp. 1137–1145. Disponível em https://www.researchgate.net/profile/Ron_Kohavi/publication/2352264_A_Study_of_Cross-Validation_and_Bootstrap_for_Accuracy_Estimation_and_Model_Selection.
Kotrba, R., Knížková, I., Kunc, P. and Bartoš, L. (2007).Comparison between the coat temperature of the eleand dairy cattle by infrared thermography, Journal ofThermal Biology 32(6): 355–359. https://doi.org/10.1016/j.jtherbio.2007.05.006.
Krizhevsky, A., Sutskever, I. and Hinton, G. E.(2012). Imagenet classi�cation with deep con-volutional neural networks, Advances in neuralinformation processing systems, pp. 1097–1105.Disponível em http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf.
Ludwig, N., Gargano, M., Luzi, F., Carenzi, C. andVerga, M. (2010). Applicability of infrared thermo-graphy as a non invasive measurements of stress inrabbit., World Rabbit Science 15(4): 199–206. https://doi.org/10.4995/wrs.2007.588.
McCa�erty, D., Gilbert, C., Paterson, W., Pomeroy, P.,Thompson, D., Currie, J. and Ancel, A. (2011). Esti-mating metabolic heat loss in birds and mammalsby combining infrared thermography with biophysi-cal modelling, Comparative Biochemistry and PhysiologyPart A: Molecular & Integrative Physiology 158(3): 337–345. https://doi.org/10.1016/j.cbpa.2010.09.012.
Mendes, R. A., Bertazzo, R. P., SILVA, D. et al. (2009).Sistemas especialistas na predição do fenótipo pesoao sobreano em bovinos da raça brahman, SimpósioInternacional de Iniciação Cientí�ca da USP (SIICUSP) .
Montanholi, Y. R., Odongo, N., e Swanson, K. C.,Schenkel, F. S., McBride, B. W. and Miller, S. P.(2008). Application of infrared thermography asan indicator of heat and methane production andits use in the study of skin temperature in res-ponse to physiological events in dairy cattle (bostaurus), Journal of Thermal Biology 33(8): 468–475.https://doi.org/10.1016/j.jtherbio.2008.09.001.
Neves, A. (2007). Aplicação de redes neurais arti�ci-ais na predição de valores genéticos em bovinos de leiteda raça Pardo-Suiça. 2007, PhD thesis, Dissertacao(Mestrado)-Instituto de Tecnologia, Universidade Fe-deral do Pará, Belém, PA.
Perez, L. and Wang, J. (2017). The e�ectiveness ofdata augmentation in image classi�cation using deeplearning, arXiv preprint arXiv:1712.04621 . Disponívelem https://arxiv.org/abs/1712.04621.Polat, B., Colak, A., Cengiz, M., Yanmaz, L., Oral, H.,Bastan, A., Kaya, S. and Hayirli, A. (2010). Sensitivityand speci�city of infrared thermography in detectionof subclinical mastitis in dairy cows, Journal of DairyScience 93(8): 3525–3532. https://doi.org/10.3168/jds.2009-2807.
Ponti, M. A. and da Costa, G. B. P. (2018). Como funci-ona o deep learning, arXiv preprint arXiv:1806.07908 .Disponível em https://arxiv.org/abs/1806.07908.Postma, G. C., Carfagnini, J. C. and Minatel, L. (2008).Moraxella bovis pathogenicity: an update, Compara-tive immunology, microbiology and infectious diseases31(6): 449–458. https://doi.org/10.1016/j.cimid.2008.04.001.
Punch, P., Costa, N., Chambers, E., Slatter, D. andWilcox, G. (1985). Plasma and tear concentrationsof antibiotics administered parenterally to cattle.,Research in veterinary science 39(2): 179–187. https://doi.org/10.1016/s0034-5288(18)31742-9.
Rainwater-Lovett, K., Pacheco, J. M., Packer, C. andRodriguez, L. L. (2009). Detection of foot-e-mouthdisease virus infected cattle using infrared ther-mography, The Veterinary Journal 180(3): 317–324.https://doi.org/10.1016/j.tvjl.2008.01.003.
Rekant, S. I., Lyons, M. A., Pacheco, J. M., Arzt, J.and Rodriguez, L. L. (2016). Veterinary applicationsof infrared thermography, American journal of veteri-nary research 77(1): 98–107. https://doi.org/10.2460/ajvr.77.1.98.
Rocha, R. H. S. (2015). Reconhecimento de Objetos porRedes Neurais Convolutivas, PhD thesis, PUC–Rio.
Schaefer, A., Cook, N., Bench, C., Chabot, J., Colyn,J., Liu, T., Okine, E., Stewart, M. and Webster, J.(2012). The non-invasive and automated detection
D.S. Freitas et al. | Revista Brasileira de Computação Aplicada (2019), v.11, n.3, pp.133–145 145
of bovine respiratory disease onset in receiver calvesusing infrared thermography, Research in veterinaryscience 93(2): 928–935. https://doi.org/10.1016/j.rvsc.2011.09.021.
Schaefer, A., Cook, N., Church, J., Basarab, J., Perry, B.,Miller, C. and Tong, A. (2007). The use of infraredthermography as an early indicator of bovine respira-tory disease complex in calves, Research in VeterinaryScience 83(3): 376–384. https://doi.org/10.1016/j.rvsc.2007.01.008.
Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fer-gus, R. and LeCun, Y. (2013). Overfeat: Integratedrecognition, localization and detection using con-volutional networks, arXiv preprint arXiv:1312.6229 .Disponível em https://arxiv.org/abs/1312.6229.Sokolova, M., Japkowicz, N. and Szpakowicz, S. (2006).Beyond accuracy, f-score and roc: a family of discri-minant measures for performance evaluation, Austra-lasian joint conference on arti�cial intelligence, Springer,pp. 1015–1021. https://doi.org/10.1007/11941439_114.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever,I. and Salakhutdinov, R. (2014). Dropout: a simpleway to prevent neural networks from over�tting, TheJournal of Machine Learning Research 15(1): 1929–1958.Disponível em http://www.jmlr.org/papers/volume15/srivastava14a/srivastava14a.pdf.
Stewart, M., Webster, J., Schaefer, A., Cook, N.and Scott, S. (2005). Infrared thermographyas a non-invasive tool to study animal wel-fare, Animal Welfare 14(4): 319–325. Dispo-nível em https://www.ingentaconnect.com/content/ufaw/aw/2005/00000014/00000004/art00007.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S.,Anguelov, D., Erhan, D., Vanhoucke, V. and Rabi-novich, e. (2015). Going deeper with convolutions,Proceedings of the IEEE conference on computer vision andpattern recognition, pp. 1–9. https://doi.org/10.1109/cvpr.2015.7298594.
Waldsmith, J. and Oltmann, J. I. (1994). Thermo-graphy: subclinical in�ammation, diagnosis, rehabi-litation, and athletic evaluation, Journal of Equine Ve-terinary Science 14(1): 8–10. https://doi.org/10.1016/s0737-0806(07)80302-9.
