Álvaro García
Según las estimaciones, la población mundial alcanzará los 9.500 millones de personas en 2050, con el consiguiente incremento de la demanda de carne, lo que ha dado lugar a un aumento en la exportación de carne desde los Estados Unidos. Según Uffer (2023), sólo en 2021 las exportaciones de carne de EE. UU., destinadas principalmente a los mercados de Asia Oriental, ascendieron a unos 54.300 millones de dólares, lo cual representa un importante incremento en el ritmo de crecimiento de la industria. Las exportaciones de carne de vacuno estadounidense alcanzaron la cifra récord de 11.680 millones de dólares en 2022, lo que supone un notable aumento del 10% respecto al año anterior (USMEF, 2023). Sin embargo, este aumento de la demanda plantea importantes desafíos para el sector de la producción ganadera, entre ellos la falta de mano de obra, el control de las enfermedades y el monitoreo individual de los animales.
La ganadería de precisión (PLF, por sus siglas en inglés) se define como el uso de tecnologías de vanguardia para llevar a cabo una gestión eficaz de la granja, y se erige como una solución prometedora para hacer frente a los problemas que pueden surgir en los corrales de engorde de vacuno. Actualmente, las observaciones manuales, que son las que dictan las decisiones sobre el suministro de alimento y las evaluaciones diarias de consumo, suponen un gran esfuerzo y son subjetivas, lo que, a menudo, da lugar a errores derivados de las variaciones en la habilidad de los trabajadores. Esta situación, unida a la escasez de mano de obra en las zonas rurales, hace que sea necesario un cambio de rumbo hacia la incorporación de la tecnología para garantizar la sostenibilidad de las granjas de engorde. En la ganadería de precisión, las tecnologías de detección, especialmente las de imagen, se presentan como un recurso potencial para solucionar estos problemas. Aunque estos sistemas de detección de imagen se han utilizado en vehículos eléctricos, diseño industrial y entretenimiento, aún no se ha explorado su uso en la ganadería, especialmente en la gestión del ganado.
Diversos estudios han confirmado el potencial que poseen las cámaras de profundidad (3D) cuando se utilizan en la industria ganadera, demostrando su precisión en la medición de las dimensiones de los cerdos y la estimación del consumo de alimento de las vacas lecheras. Sin embargo, es necesario seguir estudiando su incorporación en los cebaderos de ganado vacuno, teniendo en cuenta las distintas texturas y tamaños de los diferentes alimentos.
La aplicación de la imagen de profundidad en la gestión de los cebaderos
En un estudio reciente realizado en la Universidad de Nebraska, se utilizó un sistema rentable de imágenes de profundidad para cuantificar el alimento residual en los comederos de hormigón. Con el fin de evaluar la precisión de la cámara, en los objetivos de este estudio se incluían la adquisición, el procesamiento y el análisis de imágenes de profundidad para predecir el peso residual del alimento de forma precisa. Los resultados revelaron un enfoque innovador para optimizar la eficiencia de los cebaderos y destacaron el potencial de este tipo de tecnología para revolucionar las prácticas de gestión de los alimentos.
La cámara 3D que se usó en este estudio incorpora un sensor de profundidad de un megapíxel (MP) con opciones de campo de visión amplio y estrecho, que se complementa con una cámara de vídeo RGB de 12 MP, lo que permite mejorar la coordinación del flujo de profundidad y la orientación del sensor. La cámara se colocó 1 metro por encima del comedero vallado para poder observar una sección de 0,61 m. Antes de capturar las imágenes, se centró la cámara sobre el campo de visión del comedero, asegurándose de que se encontraba al menos a un metro de la base de éste. Para reproducir las parcelas de engorde se utilizó una sección de 0,61 m de un comedero de hormigón (a) con cartones pegados a los lados. En el ensayo también se utilizaron once ingredientes comunes de los alimentos que se utilizan habitualmente en los cebaderos del medio oeste: maíz laminado seco, maíz de alta humedad, maíz en copos al vapor, granos secos de destilería (DDG), granos modificados de destilería (MDGS), salvado dulce, heno de alfalfa, ensilado de maíz, tallos de maíz y paja de trigo.
Los alimentos se clasificaron en dos grupos, concentrados o compuestos, en función de su textura visual y, a continuación, se dividieron según los ingredientes o las dietas. Los concentrados son los que incluyen cereales como el maíz laminado seco, el maíz de alta humedad, el maíz en copos al vapor, los granos secos de destilería, los granos modificados de destilería y el salvado dulce. Por su parte, los alimentos compuestos incluyen heno de alfalfa, ensilado de maíz, tallos de maíz, paja de trigo y heno de hierba.
Calibrado de cámaras y análisis de las imágenes
Para calibrar las cámaras, se captaron imágenes con profundidad de placas formadas por tres paneles cuadrados, situados a diferentes distancias y en distintas posiciones dentro del campo de visión. Se midieron los píxeles de estas imágenes y, a continuación, se calculó la proporción entre los píxeles medidos y las dimensiones reales en milímetros. A partir de estas proporciones, se desarrollaron ecuaciones de calibración para las dimensiones de longitud y área.
Según los resultados, los paneles cuadrados ubicados en el centro del campo de visión de las cámaras fueron los que se captaron con mayor precisión. Dependiendo de la posición (en el centro, en los bordes verticales, en los bordes horizontales o en las esquinas), la relación entre píxeles y longitud y entre píxeles y área variaba. Específicamente, las posiciones en los bordes centrales y verticales mostraron proporciones bastante similares, mientras que en las esquinas y los bordes horizontales se vieron mayores diferencias. Además, se observó que los paneles más pequeños mostraban más distorsión en las imágenes y eran captados con menos precisión por la cámara. El panel cuadrado de 10×10 cm mostró mayores desviaciones estándar en la relación entre longitud y área en comparación con los paneles de mayor tamaño. Por otro lado, el panel de 30×30 cm presentó menor desviación, lo que sugiere una mayor consistencia en la imagen cuando se usaban paneles más grandes.
Además, se descubrió que, cuanto mayor era la distancia desde la cámara, menor era la variación en las dimensiones, en comparación con las imágenes tomadas a distancias más cercanas. Se realizaron varias pruebas a distancias de 100, 150, 200, 250 y 300 cm, observando que las desviaciones estándar eran más altas a 100 cm (la distancia más cercana) y las más bajas a 300 cm (la distancia más lejana), lo que destacó el impacto de la distancia en la precisión y coherencia de las dimensiones capturadas.
Resultados y pronósticos
Para estimar los pesos residuales de once ingredientes comunes, el estudio utilizó una técnica de imagen con profundidad. Los ingredientes compuestos, caracterizados por una mayor densidad de volumen, mostraron una mejor predictibilidad mediante el modelo. Entre estos ingredientes, la paja de trigo, con una densidad aparente de 42 kg/m³, presentó el mayor margen de error, mientras que el heno de alfalfa mostró el menor margen de error.
Curiosamente, en algunos ingredientes, como el ensilado de maíz o los granos secos de destilería, el modelo tendía a sobreestimar los pesos residuales, lo que podría atribuirse a las propiedades físicas de estos alimentos y a las distorsiones de las imágenes segmentadas. Los ingredientes compuestos, especialmente aquellos que, durante la recogida de imágenes, contenían polvo o moho, generaron errores en la información proporcionada por la imagen con profundidad. De manera similar, los ingredientes concentrados con texturas similares a las del comedero causaron bordes segmentados deficientes, lo que afectó la estimación del volumen, ya que los valores de los píxeles resultaron inexactos o inexistentes.
En general, los resultados del modelo estimaban mejor los pesos residuales de los ingredientes concentrados que el peso de los ingredientes compuestos. Los ingredientes concentrados, en particular los de mayor densidad aparente, obtuvieron predicciones más precisas, lo que demuestra que la densidad aparente influye en la precisión de las predicciones. Por el contrario, los ingredientes compuestos, al ser más voluminosos y presentar una menor compactación entre sus partículas, mostraron una mayor variabilidad en el rendimiento predictivo.
Los análisis revelaron datos interesantes en lo que respecta a las dietas. Por lo general, las dietas a base de concentrados obtuvieron mejores resultados y mostraron un menor margen de error que las dietas a base de alimentos compuestos. De todas las dietas de concentrados, las de mayor densidad aparente, como la de maíz + granos modificados de destilería (MDGS) con rastrojos, mostraron una mayor precisión en sus predicciones, mientras que las dietas con densidad aparente más baja, como la de maíz + granos modificados de destilería (MDGS) con ensilado, mostraron un margen de error más elevado.
En el caso de las dietas de alimento compuesto, el modelo se enfrentó a más retos, con errores promedio elevados en todos los casos. El pasto + granos modificados de destilería (MDGS) obtuvo errores considerables en las predicciones, lo que demuestra las limitaciones en la estimación de los pesos residuales de este tipo de dietas. Al comparar los resultados de este estudio con otros anteriores, se observaron similitudes en los márgenes de error, lo que afirma el potencial de este método que utiliza cámaras de profundidad y técnicas de imagen. Sin embargo, es esencial tener en cuenta los factores ambientales, como la lluvia, la luz solar y la temperatura, que pueden influir en la precisión de las estimaciones del peso residual del alimento. Por ejemplo, los alimentos compuestos son propensos a secarse rápido cuando hace calor y el ambiente es seco, lo que reduce su peso debido al aumento de la formación de polvo. Además, los alimentos con alto contenido húmedo, como el ensilado de maíz, son propensos a estropearse cuando se exponen a la temperatura ambiente durante periodos prolongados de tiempo. Hay que tener en cuenta todos estos factores ambientales a la hora de sacar partido a esta tecnología o a los nuevos métodos de captura de imágenes para obtener modelos precisos de estimación del peso de los alimentos. Estos factores plantean desafíos que hay que abordar para mejorar la precisión de dichos modelos predictivos.
El estudio llegó a la conclusión de que este modelo era excelente para predecir los pesos residuales de los ingredientes concentrados con densidades aparentes más altas, pero que era mucho más difícil predecir con exactitud los ingredientes compuestos con densidades aparentes más bajas. En el caso de los ingredientes compuestos, el modelo predijo los pesos con una desviación media de 1,33 kg, un error cuadrático medio de 2,85 kg² y una tasa media de error del 34%. Por su parte, los ingredientes concentrados tuvieron una desviación media de 2,28 kg, un error cuadrático medio de 8,54 kg² y una tasa de error del 20%. En lo que respecta a las dietas, las de concentrados tuvieron una desviación media de 1,06 kg, un error medio al cuadrado de 1,72 kg² y una tasa de error del 12%. En cambio, las dietas de ingredientes compuestos tuvieron una desviación media de 1,3 kg, un error cuadrático medio de 2,19 kg² y una tasa de error del 35%. Este modelo funcionó mejor con imágenes con una profundidad bien definida, lo que muestra su potencial para estimar la cantidad de alimento sobrante en los comedores utilizando cámaras de profundidad de bajo coste. Este método ofrece un enfoque alternativo para ayudar a los trabajadores de los cebaderos a tomar decisiones más precisas sobre la gestión de los comederos.
© 2025 Dellait Knowledge Center. All Rights Reserved.
