Métodos de detecção do estro e aplicações da Inteligência Artificial no monitoramento reprodutivo de animais de produção: revisão
DOI:
https://doi.org/10.34188/bjaerv9n3-054Palavras-chave:
pecuária, estro, Inteligência ArtificialResumo
A detecção eficiente do estro é um componente decisivo para o sucesso do manejo reprodutivo em animais de produção, pois influencia diretamente o momento da inseminação artificial, a taxa de prenhez, o intervalo entre partos e a eficiência econômica dos sistemas produtivos. Nesse contexto, esta revisão teve como objetivo abordar os principais métodos de detecção do estro e analisar o uso da inteligência artificial no monitoramento reprodutivo de animais de produção, com ênfase em suas aplicações, benefícios, limitações e perspectivas futuras. A literatura analisada demonstra que métodos baseados em sensores, acelerômetros, pedômetros, colares, brincos eletrônicos, monitoramento de atividade, ruminação, temperatura corporal, localização e visão computacional permitem uma avaliação mais contínua e objetiva dos eventos reprodutivos. Além disso, modelos de aprendizado de máquina, redes neurais, deep learning e sistemas de fusão de dados multissensoriais têm ampliado a capacidade de identificar padrões comportamentais e fisiológicos associados ao estro, reduzindo a dependência exclusiva da observação humana. Apesar dos avanços, a adoção dessas tecnologias ainda enfrenta desafios relacionados ao custo de implantação, qualidade dos dados, conectividade, padronização dos registros, ocorrência de falsos alertas e necessidade de validação em condições comerciais. Conclui-se que a integração entre métodos convencionais, sensores e inteligência artificial representa uma estratégia promissora para aprimorar o monitoramento reprodutivo, melhorar a precisão da detecção do estro e fortalecer a eficiência produtiva e econômica dos sistemas de produção animal.
Referências
ARSHAD, M. F. et al. The groundbreaking impact of digitalization and artificial intelligence in sheep farming. Research in Veterinary Science, v. 170, 2024.
https://doi.org/10.1016/j.rvsc.2024.105197
ABDELRAHMAN, M. et al. Production performance predicting model for the Egyptian dairy buffalo using deep learning. International Journal of Dairy Technology, v. 78, n. 3, 2025.
https://doi.org/10.1111/1471-0307.70046
BALL, P. J. H.; PETERS, A. R. Reproduction in cattle. 3. ed. Oxford: Blackwell Publishing, 2004.
BERCKMANS, D. General introduction to precision livestock farming. Animal Frontiers, v. 7, n. 1, p. 6–11, 2017.https://doi.org/10.2527/af.2017.0102
BONATO, G. L.; CUNHA, M. O.; SANTOS, R. M.; CARNEIRO, L. C. Eficiência do Estrotect® na identificação de estros em vacas leiteiras mestiças. Brazilian Journal of Veterinary Research and Animal Science, v. 49, n. 1, p. 19–23, 2012.
CAETANO, G. A. O.; CAETANO JÚNIOR, M. B. Métodos de detecção de estro e falhas relacionadas. Pubvet, v. 9, n. 8, p. 381–393, 2015.https://doi.org/10.22256/pubvet.v9n8.381-393
CAVALLINI, D. et al. Two years of precision livestock management: harnessing ear tag device behavioral data for pregnancy detection in free-range dairy cattle on silage/hay-mix ration. Frontiers in Animal Science, v. 6, 2025.https://doi.org/10.3389/fanim.2025.1547395
DISKIN, M. G.; SREENAN, J. M. Expression and detection of oestrus in cattle. Reproduction Nutrition Development, v. 40, n. 5, p. 481–491, 2000.https://doi.org/10.1051/rnd:2000123
FREITAS CURTI, P. et al. Applications of livestock monitoring devices and machine learning algorithms in animal production and reproduction: an overview. Animal Reproduction, v. 20, n. 2, 2023.https://doi.org/10.1590/1984-3143-AR2023-0077
GIORDANO, J. O.; LAPLACETTE, A. L. An examination of the factors that influence consumer intention to purchase higher welfare meat and milk. Animal Frontiers, 2026.
https://doi.org/10.1093/af/vfag007
GONÇALVES, P. et al. Exploring the potential of machine learning algorithms associated with the use of inertial sensors for goat kidding detection. Animals, v. 14, n. 6, 2024.
https://doi.org/10.3390/ani14060938
LIAKOS, K. G. et al. Machine learning in agriculture: A review. Sensors, v. 18, n. 8, p. 2674, 2018.https://doi.org/10.3390/s18082674
LI, D. et al. Cow-YOLO: automatic cow mounting detection based on non-local CSPDarknet53 and multiscale neck. International Journal of Agricultural and Biological Engineering, v. 17, n. 3, p. 193–202, 2024.https://doi.org/10.25165/j.ijabe.20241703.8153
LOPEZ, H.; SATTER, L. D.; WILTBANK, M. C. Relationship between level of milk production and estrous behavior of lactating dairy cows. Animal Reproduction Science, v. 81, n. 3–4, p. 209–223, 2004. https://doi.org/10.1016/S0378-4320(03)00108-3
LUCY, M. C. Reproductive loss in high-producing dairy cattle: where will it end? Journal of Dairy Science, v. 84, n. 6, p. 1277–1293, 2001.https://doi.org/10.3168/jds.S0022-0302(01)70139-0
MADKAR, A. R.; BORO, P.; ABDULLAH, M. Estrus detection methods in dairy animals – advances and prospects: a review. Agricultural Reviews, 2021.
MAYO, L. M. et al. Automated estrous detection using multiple commercial precision dairy monitoring technologies in synchronized dairy cows. Journal of Dairy Science, v. 102, n. 3, p. 2645–2656, 2019. https://doi.org/10.3168/jds.2018-14738
MERKELYTĖ, I. et al. The role of sensor technologies in estrus detection in beef cattle: a review of current applications. Animals, v. 15, 2025.https://doi.org/10.3390/ani15152313
MICHELENA, Á. et al. A review and future trends of precision livestock over dairy and beef cattle with artificial intelligence. Logic Journal of the IGPL, v. 33, n. 4, 2025.
https://doi.org/10.1093/jigpal/jzae111
MOTTRAM, T. Precision livestock farming for dairy cows with a focus on oestrus detection. Animal, v. 10, n. 10, p. 1575–1584, 2016.https://doi.org/10.1017/S1751731115002517
NEETHIRAJAN, S. Recent advances in wearable sensors for animal health management. Sensors, v. 17, n. 6, p. 1235, 2017.https://doi.org/10.3390/s17061235
PEREZ MARQUEZ, H. J. et al. Behavioral changes to detect estrus using ear-sensor accelerometer compared to in-line milk progesterone in a commercial dairy herd. Frontiers in Animal Science, 2023.https://doi.org/10.3389/fanim.2023.1149085
PICHLBAUER, B. et al. Evaluation of different sensor systems for classifying the behavior of dairy cows on pasture. Sensors, v. 24, n. 23, 2024.https://doi.org/10.3390/s24237739
REITH, S.; HOY, S. Behavioral signs of estrus and the potential of fully automated systems for detection of estrus in dairy cattle. Animal, v. 12, n. 2, p. 398–407, 2018.https://doi.org/10.1017/S1751731117001647
REZENDE, E. A.; SANTOS, E. S. dos; RODRIGUES, A. S.; CARNEIRO, R. L.; BARBOSA, E. N. R.; SILVA, N. D. dos S.; QUIRINO, É. F. da S.; BRANDÃO, T. O. Avaliação da expressão de estro e taxa de concepção em multíparas Nelore submetidas à protocolos de IATF associados ou não ao uso do GnRH. Brazilian Journal of Animal and Environmental Research, v. 8, n. 3, p. 1–17, 2025. https://doi.org/10.34188/bjaerv8n3-027
ROELOFS, J. B. et al. Pedometer readings for estrous detection and as predictor for time of ovulation in dairy cattle. Theriogenology, v. 64, n. 8, p. 1690–1703, 2005.
https://doi.org/10.1016/j.theriogenology.2005.04.002
RUTTEN, C. J. et al. Invited review: sensors to support health management on dairy farms. Journal of Dairy Science, v. 96, n. 4, p. 1928–1952, 2013. https://doi.org/10.3168/jds.2012-6107
SAINT-DIZIER, M.; CHASTANT-MAILLARD, S. Methods and on-farm devices to predict calving time in cattle. Veterinary Journal, v. 205, n. 3, p. 349–356, 2015. https://doi.org/10.1016/j.tvjl.2015.04.022
SANTOS, C. A. et al. Automated systems for estrous and calving detection in dairy cattle. AgriEngineering, v. 4, n. 2, p. 475–482, 2022. https://doi.org/10.3390/agriengineering4020031
SENGER, P. L. The estrus detection problem: new concepts, technologies, and possibilities. Journal of Dairy Science, v. 77, n. 9, p. 2745–2753, 1994. https://doi.org/10.3168/jds.S0022-0302(94)77217-9
SCHWEINZER, V. et al. Evaluation of an ear-attached accelerometer for detecting estrus events in indoor housed dairy cows. Theriogenology, v. 130, p. 19–25, 2019. https://doi.org/10.1016/j.theriogenology.2019.02.038
SCHWEINZER, V. et al. Comparison of behavioral patterns of dairy cows with natural estrus and induced ovulation detected by an ear-tag based accelerometer. Theriogenology, v. 157, p. 33–41, 2020.https://doi.org/10.1016/j.theriogenology.2020.05.050
TULLO, E.; FINZI, A.; GUARINO, M. Review: environmental impact of livestock farming and precision livestock farming as a mitigation strategy. Science of the Total Environment, v. 650, p. 2751–2760, 2019. https://doi.org/10.1016/j.scitotenv.2018.09.320
VAN VLIET, J. H.; VAN EERDENBURG, F. J. C. M. Sexual activities and oestrus detection in lactating Holstein cows. Theriogenology, 1996.
WANG, J. et al. Machine-learning techniques can enhance dairy cow estrus detection using location and acceleration data. Animals, v. 10, n. 7, p. 1160, 2020. https://doi.org/10.3390/ani10071160
WANG, J. et al. Using machine-learning technique for estrus onset detection in dairy cows from acceleration and location data acquired by a neck-tag. Biosystems Engineering, v. 214, p. 193–206, 2022. https://doi.org/10.1016/j.biosystemseng.2021.12.025
WANG, R. et al. Estrus detection in dairy cows using advanced object tracking and behavioral analysis technologies. Computers and Electronics in Agriculture, v. 235, 2025.https://doi.org/10.1016/j.compag.2025.110331
Downloads
Publicado
Como Citar
Edição
Seção
Licença
- O conteúdo dos artigos é de responsabilidade exclusiva dos autores.
- É permitida a reprodução total ou parcial do conteúdo dos artigos, desde que citada a fonte.
- Artigos com plágio serão recusados, e o autor do plágio perderá o direito de publicar nesta revista.
- Os nomes e endereços informados nesta revista serão utilizados exclusivamente para os serviços prestados por esta publicação e não estão disponíveis para outros fins ou a terceiros.
- Depois de enviar os artigos, os autores cedem os direitos autorais de seus artigos ao BJAER. Se você se arrepender da submissão, o autor tem o direito de solicitar ao BJAER que não publique seu artigo. Porém, essa solicitação deve ocorrer até dois meses antes da divulgação do número que o artigo será publicado.
- O BJAER usa a licença Creative Commons CC BY. Informações sobre esta licença podem ser encontradas em: https://creativecommons.org/licenses/by/3.0/br/
Brazilian Journal of Animal and Environmental Research (BJAER) se reserva o direito de efetuar nos originais alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores. Os trabalhos finais não serão enviadas aos autores.
