Skip to main content
European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary

Article Category

Contenido archivado el 2023-04-17

Article available in the following languages:

Detección automatizada del comportamiento alimentario porcino basada en el aprendizaje profundo para criar un ganado más sano

Dígale adiós al seguimiento porcino tradicional, los sensores adicionales y el marcado individual. Un sistema de aprendizaje profundo rápido y preciso, basado en cámaras 2D, reconoce automáticamente el comportamiento alimentario del cerdo, lo que hace posible la detección temprana de problemas de salud y bienestar.

Economía digital icon Economía digital
Alimentos y recursos naturales icon Alimentos y recursos naturales

En la crianza de ganado, la alimentación y los comportamientos asociados deben cuantificarse con precisión para identificar cualquier problema de salud y bienestar en una fase temprana. Los cambios en los comportamientos alimentarios son una señal de dichos problemas, e incluso sutiles diferencias en la forma en la que un animal se alimenta podrían ayudar a detectar problemas de salud y bienestar en el ganado. Unos investigadores con el apoyo de los proyectos HealthyLivestock y Feed-a-Gene, financiados con fondos europeos, han desarrollado un nuevo método prometedor para vigilar la alimentación y la búsqueda de alimento del cerdo, que podría favorecer la detección temprana de estos problemas. El método de detección automatizado, descrito en un artículo científico publicado en la revista «Biosystems Engineering», se puede utilizar en diferentes situaciones de ganadería y gestión. Basado en redes neuronales convolucionales, el método de aprendizaje profundo con cámaras 2D detecta automáticamente el comportamiento alimentario del cerdo sin el uso de sensores adicionales o marcado individual. Según el estudio, «el sistema funciona con imágenes de vídeo en escala de grises y está capacitado para gestionar las condiciones de la granja que cambian de manera constante, por ejemplo, las condiciones lumínicas, los problemas de oclusión causados por otros cerdos y los insectos que tapan la imagen de la cámara». Los comportamientos alimentarios no se calculan con los métodos tradicionales de seguimiento porcino. En su lugar, los investigadores utilizaron «arquitecturas similares a las de GoogLeNet para vigilar un área predefinida más pequeña de la caseta para cerdos que abarca dos comederos y un área simple y claramente definida frente a esos comederos. De esta manera, el sistema propuesto evita las cuestiones relacionadas con el seguimiento de identificación corta, que pueden distorsionar continuamente el proceso acumulativo de reconocimiento del comportamiento alimentario».

Detectar cambios sutiles en el comportamiento

La detección del comportamiento alimentario es rápida (0,02 segundos por imagen) y precisa (99,4 %). A diferencia del seguimiento porcino tradicional, el sistema no sobrestima el tiempo real dedicado a la alimentación. Esto se debe a que puede distinguir entre las visitas no nutritivas (NNV, por sus siglas en inglés) al área de alimentación (cuando dentro del comedero están los pies, pero no la cabeza) y la alimentación (con la cabeza también dentro del comedero). El estudio revela que: «Como nuestro sistema se enfoca solo en un subconjunto de comederos disponibles dentro de un contexto comercial, demostramos que se puede recopilar suficiente información a partir de este subconjunto para identificar cambios asociados en los comportamientos alimentarios a nivel grupal». El método se validó por primera vez utilizando imágenes de vídeo de una explotación porcina comercial en diferentes entornos. A continuación, durante un período planificado de restricción alimentaria en el que los cerdos recibieron el 80 % de su comida diaria durante cuatro días consecutivos, el equipo probó la capacidad del método para identificar cambios en los comportamientos alimentarios y de NNV. Los investigadores afirmaron: «Descubrimos que el método fue capaz de cuantificar automáticamente los cambios esperados tanto en los comportamientos alimentarios como en los de NNV». Mediante el fomento de los objetivos de HealthyLivestock (Tackling Antimicrobial Resistance through improved livestock Health and Welfare) y Feed-a-Gene (Adapting the feed, the animal and the feeding techniques to improve the efficiency and sustainability of monogastric livestock production systems), el método podría ayudar en la detección temprana de problemas de salud y bienestar de los cerdos destinados al mercado. Feed-a-Gene terminó a principios de 2020, mientras que el proyecto HealthyLivestock de cuatro años concluirá en 2022. Para más información, consulte: Proyecto HealthyLivestock Sitio web del proyecto Feed-a-Gene

Palabras clave

HealthyLivestock, Feed-a-Gene, porcino, comportamiento alimentario, ganado

Artículos conexos