TRADE-OFF ENTRE PRECISÃO, QUALIDADE VISUAL E CUSTO COMPUTACIONAL NA SEGMENTAÇÃO DE BOVINOS: UMA AVALIAÇÃO DE MASK R-CNN, POINTREND E U-NET

A avaliação precisa do Escore de Condição Corporal (ECC) é essencial para a pecuária de precisão, mas os métodos tradicionais são subjetivos. Este trabalho comparou três arquiteturas de aprendizado profundo (Mask R-CNN, Mask R-CNN com PointRend e U-Net) para segmentar contornos de bovinos em um frigorífico, utilizando 130 imagens anotadas manualmente. A avaliação concentrou-se nas métricas no nível de pixel e no custo computacional. Os resultados mostraram que o PointRend obteve o melhor desempenho global pixel a pixel, além de apresentar a melhor qualidade visual das máscaras e maior aderência à silhueta real. Já a U-Net, embora tenha atingido resultados idênticos ao Mask R-CNN, pode apresentar limitações severas, como fusão de instâncias adjacentes, fragmentação de máscaras e tempo de treinamento expressivamente superior. A escolha do modelo deve considerar o trade-off entre precisão quantitativa, qualidade de contorno, robustez em ambientes ruidosos e custo computacional para aplicações em frigoríficos.