Álvaro García
El afán por conseguir una carne nutritiva y de alta calidad ha llevado a los procesadores de carne a buscar métodos de evaluación más rápidos, precisos y rentables. Ahora los consumidores le dan prioridad a las características sensoriales y al valor nutricional, lo que hace que la evaluación de la canal sea crucial, más allá del simple precio. Sin embargo, aunque los métodos de clasificación tradicionales son eficaces, requieren mucho tiempo y son costosos e invasivos, lo que ha hecho que se busquen tecnologías precisas y no destructivas. Los últimos avances en portabilidad, precisión y aprendizaje automático han impulsado la investigación en este campo. Los sistemas de clasificación de la canal son fundamentales para conocer los productos ganaderos y las tendencias del mercado, pero el hecho de que dependan de una clasificación manual supone un reto a la hora de ofrecer predicciones precisas sobre el rendimiento de la carne y, al mismo tiempo, mantener la higiene y la velocidad de producción. Esto ha impulsado el desarrollo de tecnologías no invasivas en tiempo real que, mediante sensores, permiten predecir la composición de la canal y la calidad de la carne, lo que permite predecir con exactitud los atributos detallados del producto.
Las tecnologías empleadas para predecir la composición de la canal
- Tomografía computarizada (TC): esta técnica permite medir con precisión el contenido magro, graso y óseo de la canal de vacuno diferenciando los tejidos en tres dimensiones, lo que ofrece la posibilidad de realizar predicciones precisas sobre la composición corporal.
- Absorciometría con rayos X de doble energía (DXA): al ofrecer una buena relación calidad-precio y una menor exposición a la radiación, la DXA predice eficazmente la composición de la canal, ayudando así a establecer una nutrición precisa y un análisis detallado de los tejidos.
- Ultrasonido (US): aunque llevar a cabo la valoración del ganado plantea algunos retos, el ultrasonido explora la estimación de corte primario y mejora la calidad de la carne mediante tratamientos de alta intensidad, proporcionando valoraciones no invasivas en tiempo real.
- Sistemas de visión artificial (SVA) y tecnología de visión 3D: emplean algoritmos y machine learning (aprendizaje automático) para evaluar con precisión la calidad de la carne, la distribución de la grasa y su composición. Los sistemas de escaneo y las cámaras láser miden de forma no invasiva las dimensiones del ganado para controlar su crecimiento y evaluar su salud, lo que es esencial para estimar la composición de la canal y predecir las características de calidad de la carne, como la terneza y el marmoleo.
Estas tecnologías emergentes tienen un gran potencial en la industria cárnica, ya que garantizan productos de una calidad superior y perfeccionan los métodos de procesamiento. Para los ganaderos, es fundamental poder predecir la composición de la canal de los animales vivos, ya que les permite calcular si están listos para el mercado y optimizar sus estrategias de alimentación. Aunque técnicas como la tomografía computarizada y la absorciometría con rayos X de doble energía (DXA) suelen ser post mortem, las tecnologías de ultrasonido y visión 3D ofrecen evaluaciones en tiempo real y no invasivas, lo que las hace más adecuadas para animales vivos.
Tanto los sistemas de ultrasonido como los de visión 3D ofrecen unas ventajas únicas a la hora de aplicarlos sobre el terreno en animales vivos. El ultrasonido destaca por su naturaleza no invasiva, que permite realizar diagnósticos en tiempo real sin dañar a los animales. Gracias a su portabilidad, puede utilizarse en el campo y es fácil de maniobrar para evaluar las distintas partes del cuerpo. Además, proporciona datos inmediatos, lo que permite tomar decisiones rápidas sobre las estrategias de alimentación y la preparación para el mercado.
En cambio, los sistemas de visión 3D ofrecen una valoración más completa. Los datos tridimensionales que proporcionan estos sistemas permiten estimar con precisión la composición de la canal, el rendimiento cárnico y diversos parámetros de calidad. Dichos sistemas permiten predecir con exactitud las características de calidad de la carne, como la terneza, el marmoleo y la consistencia del color, lo que garantiza la producción de productos cárnicos de alta calidad. La integración de cámaras láser y de sistemas de escaneado 3D permite medir de forma no invasiva las dimensiones corporales del ganado, lo que ayuda a controlar el crecimiento y evaluar la salud.
Las tecnologías utilizadas para predecir la composición de los animales vivos
Desarrollar tecnologías que permitan predecir las características de la canal de los animales vivos antes de la faena podría revolucionar las decisiones de los ganaderos en materia de agrupación y gestión de los animales, con la posibilidad de obtener precios más altos en el mercado. El ultrasonido puede registrar las características de la canal en animales vivos, pero para utilizarlo es necesario inmovilizar a los animales y disponer de personal y equipos especializados, lo que provoca estrés en los animales y aumenta el trabajo y los costes. Para abordar estas limitaciones, los investigadores han propuesto utilizar métodos basados en la visión artificial para evaluar la composición corporal y el peso mediante imágenes en 3D en el sector de carne de vacuno, lo que ofrece alternativas más seguras, razonablemente precisas y menos estresantes para los animales. Aunque estas técnicas se centran en la estimación del peso, el grosor de la grasa dorsal, el porcentaje de grasa corporal y la profundidad muscular, cuentan con un enfoque más limitado en la predicción de rasgos específicos como el área o la circularidad del entrecot en animales vivos.
En muchos de estos estudios se emplean técnicas de visión artificial para realizar mediciones biométricas del cuerpo, como el volumen, el área, la longitud y la anchura, con el fin de predecir los resultados deseados, como el peso o la composición corporal. Sin embargo, algunos estudios han detectado deficiencias a la hora de predecir con exactitud la profundidad muscular, el grosor de la grasa dorsal y el porcentaje de grasa corporal mediante estos métodos. Se han publicado algunas investigaciones que exploran técnicas de aprendizaje profundo, como el empleo de redes neuronales convolucionales (CNN), para predecir el peso corporal con una precisión aceptable, pero siguen teniendo problemas con la estimación de la profundidad muscular y el grosor de la grasa dorsal. En concreto, las CNN están hechas a medida para analizar datos visuales, ya que procesan imágenes, lo que las hace ideales para abordar tareas como el análisis de imágenes tridimensionales de la superficie corporal del ganado. Las CNN, formadas por capas convolucionales, de agrupamiento y totalmente conectadas, destacan en la extracción de características de imagen, fundamentales para estimar los rasgos de la canal, como el área y la circularidad del entrecot. La circularidad es una medida geométrica utilizada para describir la forma del entrecot, que cuantifica en qué medida se asemeja la forma de esta parte a un círculo perfecto.
Estudios realizados con animales vivos
Un estudio realizado recientemente por Caffarini et al. (2022) explora los últimos avances en la predicción de las características de la canal en animales vivos, centrándose específicamente en la estimación y la circularidad del entrecot. En esta investigación se empleó un marco de aprendizaje profundo utilizando imágenes 3D de la superficie corporal. Esta metodología incorporaba dos redes neuronales: una red de análisis de escena en pirámide anidada (nPSPNet) para la extracción de características mediante la segmentación de imágenes y, una red neuronal convolucional (CNN) para la predicción del área y la circularidad del entrecot a partir de las características extraídas por la nPSPNet. La segmentación de imágenes realizada por la nPSPNet consiste en dividir la imagen en distintas secciones con el fin de identificar y clasificar los distintos componentes. Este proceso permite extraer características esenciales para predecir con exactitud rasgos como el área y la circularidad del entrecot. En este estudio se evaluaron distintas arquitecturas de redes neuronales para medir su rendimiento, la utilidad del espacio, la interpretabilidad y los tiempos de entrenamiento, con el fin de determinar el modelo más eficaz para estimar el área y la circularidad del entrecot. A diferencia de las imágenes RGB o en escala de grises, se optó por las imágenes de profundidad, ya que permiten calcular la distancia que separa cada píxel de la cámara y proporcionan información más detallada sobre el tamaño y la forma del animal.
Este estudio mostró el potencial del aprendizaje profundo para automatizar las mediciones del área y la circularidad del entrecot a partir de imágenes 3D del ganado, ofreciendo técnicas de evaluación eficientes y escalables. Este sistema beneficia a la categorización de los cruces de vacuno en función de los rasgos deseados del entrecot y ayuda a monitorizar estas características en diversas razas de ganado, optimizando potencialmente el rendimiento animal y la calidad de la canal en una fase temprana. Usar únicamente el peso corporal para la clasificación puede no garantizar la consistencia de los rasgos de la canal, debido a las diferencias en la estructura corporal, lo que requiere la consideración de características adicionales para crear mejores estrategias de clasificación para la eficiencia alimentaria, la calidad de la canal y la reproducción.
Miller et al. (2019) utilizaron imágenes en 3D y algoritmos de aprendizaje automático, en particular redes neuronales artificiales, para predecir el peso vivo (PV) y las características de la canal en novillos y novillas vivos. Con un sistema automatizado de cámaras, se recogieron pasivamente imágenes tridimensionales y datos de PV de estos animales antes del sacrificio, ya fuera en la granja o al entrar en el matadero. Los algoritmos extrajeron automáticamente sesenta variables predictivas potenciales de estas imágenes 3D, que abarcaban medidas como longitudes, alturas, anchos, áreas, volúmenes y proporciones. Con estas variables se crearon modelos de predicción del peso vivo y de las características de la canal. El matadero proporcionó los pesos de las canales en frío y determinó el rendimiento de la carne vendible, la grasa y los grados de conformación tras el sacrificio. El rendimiento de los modelos se evaluó mediante el coeficiente de determinación (R2), que indica la proporción de variabilidad de los datos explicada por las variables predictoras. El coeficiente R2 para el peso vivo fue de 0,7; para para el peso de la canal en frío, de 0,88; y para el rendimiento en carne vendible, de 0,72. Además, los modelos alcanzaron un 54% y un 55% de precisión (R2) en la predicción de los grados de engrasamiento y conformación, respectivamente. Este estudio muestra el potencial de las imágenes 3D combinadas con el aprendizaje automático para predecir el peso vivo, el rendimiento de la carne vendible y las características tradicionales de la canal en animales vivos. Con un sistema de este tipo se podría mejorar notablemente la eficacia de la producción de carne de vacuno mediante el seguimiento automático del ganado sacrificado de la granja y la optimización del calendario de comercialización de los productos.
Aplicación práctica: las cámaras 3D
En la ganadería, el uso de cámaras 3D va más allá del análisis de las características de la canal, ya que ofrecen un enfoque holístico para mejorar el bienestar y la productividad de los animales. Estas cámaras aportan múltiples ventajas, sobre todo en la estimación del peso, la evaluación de la condición corporal y la detección de cojeras. Gracias a su capacidad para obtener imágenes corporales detalladas en 3D, es posible estimar el peso con precisión mediante el análisis de los cambios de volumen a lo largo del tiempo, lo que proporciona información decisiva para optimizar las técnicas de alimentación y la gestión de la salud. Además, este sistema permite evaluar la puntuación de la condición corporal, que es indispensable para conocer el estado general de salud y nutrición de un animal, lo que contribuye a establecer planes de alimentación más específicos y eficaces. Además, se puede identificar precozmente una cojera mediante las cámaras 3D, ya que detectan las irregularidades y asimetrías de la pisada, lo que permite intervenir rápidamente para aliviar las molestias y evitar complicaciones posteriores. Mediante esta completa recopilación de datos no sólo se mejora el cuidado individual de los animales, sino que también se contribuye a la optimización de la salud y la productividad general del rebaño, lo que demuestra la gran utilidad de las cámaras 3D en las prácticas de gestión ganadera.
En conclusión, el excelente rendimiento del marco de aprendizaje profundo a la hora de predecir el área y la circularidad del entrecot a partir de imágenes 3D de la superficie corporal es mayor que el de los métodos de regresión tradicionales obtenidos a partir de mediciones biométricas. Esto también permite automatizar las estimaciones de otros parámetros vitales, como el rendimiento de la canal y el grosor de la grasa dorsal. Con estos avances se abren vías para el fenotipado extensivo en cruces de vacuno de carne y diversas razas bovinas, lo que ofrece una herramienta muy valiosa para optimizar la gestión del ganado en entornos comerciales.
© 2025 Dellait Knowledge Center. All Rights Reserved.
