Álvaro García
El peso corporal del ganado (PC) juega un papel esencial en la producción de carne de vacuno, ya que es un parámetro clave para controlar el crecimiento y tomar decisiones informadas sobre la gestión. Las básculas tradicionales han sido el método más utilizado para medir el peso corporal, pero este sistema presenta varios problemas: los animales se exponen a situaciones de estrés, los costos son elevados y requiere un gran esfuerzo laboral. Afortunadamente, ahora existe una nueva alternativa: los sistemas de visión artificial, capaces de extraer medidas biométricas a partir de imágenes tridimensionales (3D) del ganado. Estas mediciones biométricas pueden integrarse en algoritmos complejos en una plataforma en la nube, lo que permite utilizar los resultados de manera inmediata para predecir el peso corporal. Además, ofrece varias ventajas, como la monitorización en tiempo real, la reducción del estrés en los animales, la disminución de los riesgos para los trabajadores, el ahorro de costos y la automatización. Para que la predicción del PC sea eficaz, es necesario tener en cuenta aspectos como la selección de las medidas biométricas y las técnicas de modelado.
Uno de los principales objetivos del sistema es poder identificar con precisión a cada animal. En los últimos años, la tecnología de identificación por radiofrecuencia (RFID) ha ganado terreno como herramienta de identificación individual y trazabilidad de los productos ganaderos. Estos sistemas están compuestos por etiquetas RFID, un canal de comunicación, un lector de etiquetas, una red RFID y un back-end RFID, que transmiten información sobre los animales de forma inalámbrica mediante ondas de radio y códigos electrónicos distintivos. Sin embargo, la implementación y gestión de los sistemas RFID requieren la presencia de personal cualificado. Además, las cuestiones relacionadas con la seguridad de los datos, como la alteración del contenido de las etiquetas o la suplantación del sistema, han dificultado la adopción de esta tecnología. Aunque los sistemas convencionales de identificación del ganado mediante etiquetas auriculares están muy extendidos, presentan varios inconvenientes relacionados con su coste, el trabajo manual necesario para colocar los dispositivos y su fiabilidad en entornos hostiles. Entre las últimas técnicas de reconocimiento individual de animales se incluyen métodos que utilizan el morro, los patrones de la retina y el iris, el reconocimiento facial y el análisis de los patrones del pelaje. Actualmente, los drones están equipados con funciones de aprendizaje profundo para localizar e identificar de forma autónoma el ganado dentro de las zonas delimitadas de las granjas, lo que aumenta la complejidad y precisión de estos sistemas, especialmente en entornos exteriores.
Estimación del peso
La estimación del peso del ganado es fundamental para optimizar el crecimiento, los ingresos de la granja y el bienestar de los animales. Afecta diversos aspectos, como la lactancia, el crecimiento, la gestación, la fertilidad y el cálculo dietético. El pesaje directo, en el que se coloca a cada animal en una báscula electrónica o mecánica, ofrece una precisión inigualable, pero es un proceso largo y estresante para el ganado. Por otro lado, las balanzas automáticas, aunque son muy precisas, suelen ser caras y no es fácil instalarlas en espacios reducidos o en terrenos ganaderos abiertos.
Por otro lado, los métodos indirectos para estimar el peso del ganado se basan en la evaluación mediante sensores 2D o 3D de características morfológicas como la altura de la cruz, el perímetro torácico, la longitud corporal y el ancho de la cadera. A través del análisis de datos, se establecen relaciones entre estos rasgos y el peso. Mientras que el perímetro torácico y el ancho de la cadera muestran fuertes correlaciones con el peso corporal, otros rasgos como la altura de la cruz y la longitud del cuerpo también pueden contribuir a una predicción precisa del peso. Los métodos basados en cámaras, combinados con el análisis automático de imágenes, ofrecen alternativas rentables y eficientes para estimar el peso del ganado. Los algoritmos que vinculan las características de las medidas corporales con el peso se desarrollan utilizando técnicas de análisis de imágenes y aprendizaje automático. Por ejemplo, Yan et al. (2019) utilizaron cámaras 2D para medir, a partir de imágenes, la altura de la cruz, la longitud diagonal del cuerpo y el área lateral del cuerpo. Tras realizar estas mediciones mediante regresión lineal múltiple, predijeron el peso con valores de RMSE (raíz del error cuadrático medio) que oscilaron entre 7,5 kg y 13,4 kg. Sin embargo, es fundamental tener en cuenta que los sistemas basados en cámaras 2D pueden verse afectados por los ángulos de la cámara y la postura del ganado.
Estimación tridimensional del peso del ganado
Se han realizado varios estudios en los que se ha investigado el uso de cámaras 3D para predecir el peso corporal del ganado. Yamashita et al. (2017) introdujeron un nuevo método que modelaba la forma de la pantorrilla utilizando datos 3D de imágenes estereoscópicas. Estos investigadores lograron un porcentaje de error de aproximadamente el 21,46% (alrededor de 20 kg) al calcular los volúmenes derivados del método de división de diapositivas, teniendo en cuenta los círculos adyacentes. Gomes et al. (2016) utilizaron cámaras 3D para medir los rasgos corporales del ganado y descubrieron una fuerte correlación (R² = 0,967) entre el perímetro torácico y el peso corporal. Martins et al. (2020) emplearon una cámara 3D Microsoft Kinect para estimar el peso corporal desde las perspectivas lateral y dorsal. Con este método se alcanzaron valores de R² de 0,89 (RMSE = 49,20 kg) para la vista lateral y de 0,96 (RMSE = 26,89 kg) para la vista dorsal.
Las cámaras 3D han demostrado ser precisas no solo para estimar el peso en vivo, sino también para predecir el peso de la canal. Miller et al. (2019) aprovecharon la tecnología de imágenes 3D y el aprendizaje automático, en concreto las redes neuronales artificiales, para pronosticar las características tanto de los animales vivos como de la canal. Con este método, que incorporaba sesenta características morfológicas, como longitudes, alturas, anchos, áreas, volúmenes y proporciones, se obtuvieron valores de RMSE de 42 kg (R² = 0,7) para el peso vivo y de 14 kg (R² = 0,88) para el peso en canal.
Recientemente, la tecnología LiDAR, una tecnología de mapeo que utiliza luz láser para medir la distancia a una superficie objetivo, ha ganado protagonismo en la teledetección del ganado. Esta tecnología emplea láseres para medir la distancia y crear representaciones tridimensionales detalladas de objetos y entornos. Huang et al. (2019) investigaron las mediciones automáticas del ganado e incorporaron el aprendizaje de transferencia a partir de la detección LiDAR. Utilizaron conjuntos de datos de las nubes de puntos del LiDAR para extraer las siluetas del ganado y medir su cuerpo. Los resultados experimentales indicaron un error global de las dimensiones corporales cercano al 2%. Sousa et al. (2018) desarrollaron una plataforma de sensores LiDAR para estimar el peso en vivo del ganado bovino en corrales de engorde, logrando un R² de 0,85 y un RMSE de 8,93 kg al medir la altura de la grupa del ganado bovino de carne y el área de la cadera, e introducir estos datos en un modelo basado en redes neuronales artificiales.
En numerosos estudios se ha investigado el uso de medidas lineales corporales para estimar el peso del ganado, centrándose principalmente en características morfológicas como el ancho y la longitud del cuerpo. Sin embargo, aún no sabemos cómo se correlaciona el peso vivo con diversos parámetros y características, como la altura, la condición corporal, la genética y el genotipo. Es necesario seguir investigando para comprender mejor la precisión y las implicaciones de la estimación del peso en vivo, especialmente en contextos comerciales y de investigación. Además, aunque las técnicas basadas en sensores 2D y 3D ofrecen métodos no invasivos para estimar el peso, es fundamental abordar los problemas relacionados con las condiciones ambientales, la iluminación y el movimiento del ganado para desarrollar sistemas prácticos y fiables adaptados a los entornos de las granjas. En definitiva, estos sistemas deben ser capaces de adaptarse a entornos con iluminación irregular y captar de forma coherente los contornos del ganado, maximizando así la precisión y la repetibilidad en la estimación del peso del ganado.
© 2025 Dellait Knowledge Center. All Rights Reserved.
