Álvaro García
Para monitorizar la salud del ganado mediante visión artificial, se utilizan sensores visuales. Existen diferentes tipos de cámaras, como las digitales, las de profundidad y las de vigilancia, que permiten estimar el peso en vivo y detectar comportamientos. Sin embargo, instalar de forma óptima estas cámaras en las granjas representa un desafío, tanto por su coste como por la dificultad de lograr una buena cobertura. De manera similar al Teorema de las Galerías de Arte (TGA), que se utiliza para determinar cuántas cámaras de vigilancia son necesarias para cubrir completamente un espacio con puntos de vista restringidos, la vigilancia de los entornos ganaderos también requiere un control riguroso basado en los ángulos y la distancia entre cámaras. Aunque algunos estudios han explorado la optimización de la cobertura tridimensional, ninguno se ha centrado en optimizar la ubicación de las cámaras para monitorear el bienestar del ganado en las granjas.
Cómo optimizar la ubicación de las cámaras en el establo
En un estudio realizado recientemente en la Beef Nutrition Farm de la Universidad Estatal de Iowa (Sourav y Peschel, 2022), se simuló un establo de una granja utilizando Blender®, un software 3D gratuito y multifuncional que permite crear modelos, animaciones, simulaciones y mucho más. Con Blender, los usuarios pueden diseñar modelos 3D de alta precisión, generar animaciones, simular dinámicas como fluidos o humo, producir renders de alta calidad, editar vídeos e incluso desarrollar videojuegos. En este estudio, los investigadores recrearon las estructuras de los establos y emplearon objetos con forma de cono para simular las propiedades de las cámaras de videovigilancia, mostrando visualmente el espacio cubierto en un entorno tridimensional. Este novedoso enfoque promete optimizar la colocación de cámaras en las granjas, considerando sus limitaciones y logrando una cobertura máxima, lo que representa un avance significativo para mejorar la supervisión del bienestar del ganado mediante tecnología de visión artificial.
Para encontrar la posición óptima de las cámaras en un establo de 13 x 3 x 5 metros, fue necesario considerar varios aspectos estratégicos. Ante la inviabilidad de colocar cámaras en la parte posterior del edificio, que quedaba al descubierto, se optó por analizar únicamente la parte frontal, dejando una distancia de seguridad de 3 metros, e instalando las cámaras a una altura de 3 y 4 metros a lo largo de la pared opuesta. Para evitar complicaciones, se dejó un espacio de un metro entre las cámaras y se trazaron las coordenadas de los ejes X, Y y Z. Los ejes X e Y representaban el ancho y el largo del establo, mientras que la Z correspondía a la altura a la que se encontraba la cámara. Los ángulos de guiñada (rotación horizontal) y cabeceo (inclinación vertical) controlaban la orientación de la cámara, lo que permitía enfocar eficazmente el área que necesitaba vigilancia. Para optimizar la cobertura, se limitaron estos ángulos a rangos específicos. Al evaluar la cobertura de las cámaras, se consideró que el corral del ganado era un objeto tridimensional compuesto por celdas más pequeñas. Se evaluó la visibilidad hasta una altura estimada de 1,8 metros dentro de la zona, y se tuvo en cuenta la altura estimada de 1,5 metros de un buey adulto en cada una de las celdas.
Calcular la cobertura de las cámaras y la optimización de su colocación
En este estudio se analizaron las imágenes captadas por las cámaras, visualizando áreas en forma de cono que se extendían 15 metros desde cada cámara. Mediante un programa informático de proyección de rayos, se comprobó si había obstáculos, como abrevaderos o vallas, y solo se consideraron las zonas dentro de estos conos que no estaban obstruidas para determinar la cobertura de la cámara. Se dio prioridad a las áreas cercanas a los comederos, y la cobertura se cuantificó en porcentajes.
Con el fin de optimizar la colocación de las cámaras, se empleó un «algoritmo genético», una técnica computacional cuyo objetivo es distribuir estratégicamente las cámaras, teniendo en cuenta tanto los costes como el área de cobertura. El proceso incluye varios pasos: en primer lugar, las cámaras se colocan de forma aleatoria y luego se evalúa si cubren suficiente superficie. Es un proceso continuo de evaluación y mejora; para ello, se conservaban y combinaban las ubicaciones más efectivas de las cámaras con el objetivo de generar nuevas posiciones potenciales. Este proceso se repitió hasta encontrar un conjunto de posiciones de cámaras que ofrecieran la mejor cobertura al menor coste.
Con el objetivo de confirmar la eficacia de este método, se probaron dos cámaras diferentes, comparándolas por precio y campo de visión (CV). Estas cámaras tenían especificaciones similares a las de los sistemas de vigilancia de menos de 500 dólares, pero diferían en resolución y campo visual. Al ajustar el tamaño de las celdas del establo, se lograron reducciones significativas en los tiempos de cálculo de la cobertura. La cámara A, con un CV más amplio, superó a la cámara B, ya que proporcionó el mejor campo visual desde una sola cámara bajo condiciones específicas.
Al colocar las cámaras en ocho establos, se observó que, a medida que aumentaba el presupuesto, la cobertura mejoraba, ya que las cámaras contaban con campos de visión (CV) más amplios. Sin embargo, al añadir más cámaras, aunque la cobertura se incrementaba, el rendimiento general comenzó a disminuir. Otra de las técnicas empleadas consistió en incorporar restricciones presupuestarias en el proceso de optimización, penalizando la cobertura en función de ciertos límites de presupuesto. Se realizaron pruebas en diversos escenarios, utilizando distintos establos y cámaras. Aunque las diferencias en la cobertura total fueron mínimas, la cobertura ajustada mostró variaciones significativas, lo que evidenció la disyuntiva entre maximizar la cobertura ajustada y la cobertura real.
Los principales resultados
En este estudio se presentó un enfoque innovador que combinó algoritmos de animación y optimización en 3D en un entorno de granja real, abordando el problema de la obstrucción causada por estructuras físicas. Se exploraron dos métodos de algoritmos genéticos: la optimización de la cobertura con un presupuesto fijo y la integración de restricciones presupuestarias. En las 25 mejores opciones, las variaciones de cobertura fueron mínimas, lo que ofrece varias alternativas de colocación viables sin comprometer la cobertura total. Esta investigación también consideró las limitaciones preexistentes, al trabajar con escenarios tridimensionales reales y reconocer la oclusión generada por las estructuras físicas. Sin embargo, la principal dificultad fue el tiempo que consume el algoritmo. Aunque el tamaño reducido de las celdas mejoró la precisión de la cobertura, también prolongó significativamente la duración de los cálculos en cada repetición. Además, la evaluación de la obstrucción se realizó en función de los ejes de las celdas, lo que podía provocar que se omitieran celdas enteras debido a obstrucciones fraccionales en algunas zonas. Ampliar este estudio a entornos más complejos, como edificios de varios pisos o establos que abarquen varios kilómetros, mejoraría su adaptabilidad y aplicabilidad.
La calidad de los datos obtenidos de las cámaras de vigilancia afecta considerablemente la monitorización del bienestar del ganado mediante visión artificial. En este estudio se analizó el entorno de una granja de ganado bajo confinamiento, con el objetivo de optimizar la colocación de las cámaras para obtener una recopilación de datos eficaz. El estudio, en el que se utilizó el algoritmo genético, abordó las combinaciones multicámara centrándose en dos posibles opciones: por una parte, una limitación del presupuesto de instalación y, por otra, la integración de restricciones presupuestarias en el proceso de optimización. Los resultados mostraron una identificación rápida de las posiciones óptimas de las cámaras y enfatizaron la capacidad del algoritmo genético para sugerir varias posiciones eficaces. El estudio destacó el papel clave del campo de visión de las cámaras para lograr una cobertura amplia y demostró su adaptabilidad en diversos ámbitos, utilizando algoritmos genéticos versátiles y el software Blender 3D.
Como ganadero que quiere optimizar la vigilancia de su ganado mediante cámaras, ¿qué conclusiones puede sacar de este estudio?
Elección de las cámaras: es importante considerar las cámaras con campos de visión (CV) amplios para lograr una mejor cobertura. En este estudio se compararon dos cámaras: la cámara A, que, al tener un CV más amplio, superaba a la cámara B en algunas situaciones. Por lo tanto, se recomienda optar por las cámaras que ofrezcan un CV mayor dentro de su presupuesto.
Cuántas colocar: es más efectivo colocar las cámaras estratégicamente que instalar un número excesivo. Por ejemplo, situar las cámaras de manera estratégica en la parte delantera del corral, enfocándose en las alturas y distancias óptimas, maximiza su cobertura. El objetivo no es necesariamente tener más cámaras, sino colocarlas de manera estratégica para obtener una mayor cobertura.
Dónde colocar las cámaras: en los corrales de ganado, es prioritario colocar las cámaras cerca de los comederos. Procure ubicarlas de manera que cubran las zonas clave y garanticen una visibilidad clara, teniendo en cuenta los ángulos, las alturas y las posibles obstrucciones dentro del corral.
Consideraciones presupuestarias: es importante evaluar en qué medida influyen los distintos presupuestos a la hora de determinar la cobertura. Un presupuesto elevado permite una mayor cobertura, especialmente con cámaras que ofrecen campos de visión (CV) más amplios. Sin embargo, existe un punto en el que el rendimiento disminuye y añadir más cámaras podría no suponer una mejora significativa en la cobertura. La clave está en equilibrar el presupuesto y la cobertura.
Estrategia de optimización: considere la posibilidad de utilizar algoritmos de optimización, como el algoritmo genético que se empleó en el estudio. Estos algoritmos pueden ayudar a ubicar estratégicamente las cámaras en función del área de cobertura y el coste, lo que contribuye a identificar las posiciones óptimas de las cámaras para lograr una recopilación de datos eficaz.
Qué software utilizar: para simular y optimizar el posicionamiento de las cámaras, se recomienda utilizar herramientas de software como Blender®. Estos programas pueden replicar situaciones reales y ayudar a planificar la ubicación óptima de las cámaras en el entorno de la granja.
Por tanto, se recomienda optar por cámaras con campos de visión muy amplios, colocarlas estratégicamente, teniendo en cuenta las zonas críticas (por ejemplo, cerca de los comederos), y utilizar algoritmos de optimización para identificar las ubicaciones óptimas, teniendo en cuenta las limitaciones presupuestarias. Los programas de experimentación y simulación en 3D pueden ayudar a planificar la colocación de las cámaras antes de su instalación.
© 2025 Dellait Knowledge Center. All Rights Reserved.
