Los primeros análisis de imágenes posteriores al destete muestran un vínculo entre la ubicación de los lechones en el corral y su estado de salud. El trabajo del Instituto francés Ifip de la estación experimental Romillé así lo demuestra.

Las posibilidades que ofrece el análisis de las imágenes son sumamente prometedoras, según los primeros resultados de las pruebas realizadas sobre la detección precoz de patologías.

Muestran en particular un importante vínculo entre la ubicación de los animales en el corral y su estado de salud. De hecho, se sabe desde hace mucho tiempo que el cerdo es un animal que compartimenta su zona de vida en 3 partes: zona de defecación, zona de alimentación y zona de descanso.

El análisis del comportamiento de los lechones post-destete muestra que los animales sanos respetan estos límites mientras que los enfermos defecan en todo el corral.

UNA PRUEBA EN CONDICIONES REALES

Fue en una empresa canadiense la cual ya distribuye diversas soluciones mediante análisis de imagen en granjas, a través de la cual Ifip realizó sus primeras pruebas reales para obtener estos primeros resultados.

A través del protocolo experimental, se colocaron cámaras sobre 6 corrales de 17 lechones para monitorear sus movimientos continuamente. Cada 10 segundos, los animales se localizan mediante un procedimiento de análisis de imágenes automatizado. Una vez ubicados los lechones en el corral, se mide su distribución en los 3 espacios habitables (alimentación, defecación, descanso). Al mismo tiempo, técnicos experimentados registran la salud de los animales 3 veces por semana, de acuerdo con una tabla de puntuación estandarizada. Por tanto, el objetivo es determinar si la presencia o no de animales en cada una de las áreas es indicativa de trastornos patológicos.

Los resultados de la primera banda monitoreada son extremadamente alentadores para el resto del proyecto. De hecho, el algoritmo utilizado consigue detectar hasta el 85,76% de los lechones en los corrales al final de la prueba. En el peor de los casos, solo se detecta el 44,37% de los animales, esta baja efectividad se explica por la agrupación de lechones por calor, que impide que el algoritmo los localice correctamente.

Para mejorar este aspecto, es necesario trabajar en condiciones de buena iluminación en los patios, de hecho, la proporción de animales detectados es del 77,9% durante el día, pero del 66% por la noche. La adición de lámparas de infrarrojos lo eleva al 80,4%. A pesar de posibles mejoras, los datos iniciales son buenos y las detecciones en las diferentes áreas del corral permiten seguir la distribución de los animales en las 3 áreas de habitabilidad

Esta distribución parece íntimamente ligada al estado de salud de los animales, con menor frecuentación de la zona de defecación por animales enfermos. La hipótesis adoptada es que los lechones con diarrea (92% de las observaciones) defecan en todo el corral y no en el área inicialmente dedicada.

RESULTADOS PROMETEDORES

Estos resultados iniciales se están consolidando con nuevas bandas actualmente en estudio. Se trabaja en el algoritmo utilizado para mejorar el seguimiento de los lechones. Por ejemplo, uno de los principales problemas está relacionado con el comportamiento de agrupación de los lechones al inicio del post-destete.

Cuando se apilan uno encima del otro, la detección y el conteo individual son imposibles. Para solucionar el problema de la falta de luz que limita la detección de lechones, se plantean 2 soluciones, ordenador o hardware. La 1ª es utilizar el procesamiento de imágenes para limitar el impacto de los cambios en la luz antes del análisis para la localización. La 2ª solución es agregar lámparas infrarrojas cerca de las cámaras. Estas 2 soluciones pueden ser complementarias.

Esta información de ubicación es muy útil y valiosa, ya que completan el registro con otros datos automatizados, como puede ser el consumo de pienso, agua y pesajes. Toda esta información se recopila en una base de datos y luego se analiza mediante el método de aprendizaje automático para caracterizar el comportamiento de animales enfermos. Los resultados obtenidos solo con el agua, la alimentación y el peso de los lechones ya eran prometedores, los datos de ubicación deberían mejorarlos aún más.

Las primeras pruebas alcanzaron una precisión del 62,5% con el método de redes neuronales, pero una especificidad demasiado baja (32,35%) imposibilita el despliegue en el campo. El objetivo es obtener un sistema de alerta capaz de detectar enfermos sin enviar información falsa al productor.

Vista del corral desde la cámara. Los puntos representan los centros de los cerdos detectados. Los rectángulos identifican la zona de defecación (azul) y la zona de alimentación (naranja)

¿Que son las redes neuronales?, son uno de los métodos de aprendizaje automático, cuyo funcionamiento es una imitación del cerebro humano. Los datos son recibidos y luego analizados por una primera capa de neuronas. Al salir de esta capa, todos los datos se envían a cada una de las neuronas de la siguiente capa. Esta operación se repite según el número de capas elegidas, luego el último grupo de neuronas produce los resultados de los datos anteriores.

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.