Álvaro García
El peso corporal del ganado (PC) desempeña un papel esencial en la producción de carne de vacuno, ya que es un parámetro fundamental a la hora de controlar el crecimiento y tomar decisiones informadas sobre la gestión. Las básculas tradicionales siempre han sido el método más utilizado para medir el peso corporal, pero este sistema plantea numerosos problemas: los animales están sometidos a situaciones de estrés, los costes 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. Dichas mediciones biométricas pueden integrarse en algoritmos complejos en una plataforma en la nube, lo que permite utilizar inmediatamente los resultados para predecir el peso corporal y ofrece varias ventajas, como la monitorización en tiempo real, la reducción del estrés en los animales, la reducción de los riesgos para el trabajador, el ahorro de costes y la automatización. Para que la predicción del PC sea eficaz, hay que tener en cuenta aspectos como la elección de las medidas biométricas y las técnicas de modelado.
Uno de los principales objetivos del sistema es poder llegar a identificar con precisión a cada animal. En los últimos años, la tecnología de identificación por radiofrecuencia (RFID) está ganando terreno como herramienta de identificación individual y trazabilidad de los productos ganaderos. Estos sistemas constan de etiquetas RFID, un canal de comunicación, un lector de etiquetas, una red RFID y el back-end de RFID, que a través de ondas de radio transmiten información sobre los animales de forma inalámbrica mediante códigos electrónicos distintivos. Sin embargo, la implantación y gestión de los sistemas RFID requieren la presencia de personal cualificado. Por otra parte, las cuestiones relativas a la seguridad de los datos, como la alteración del contenido de las etiquetas y la suplantación del sistema, han dificultado la implantación de este tipo de tecnología. Aunque los sistemas convencionales de identificación de ganado por medio de etiquetas auriculares están muy extendidos, presentan varios problemas relacionados con su coste, el trabajo manual para colocar los dispositivos y su fiabilidad en entornos hostiles. Entre las últimas técnicas de reconocimiento individual de animales se incluyen los métodos que usan el morro, los patrones de la retina y el iris, el reconocimiento facial y el análisis de los patrones del pelaje de los animales. 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 exteriores.
Estimación del peso
La estimación del peso del ganado es fundamental para optimizar el crecimiento y los ingresos de la granja, y el bienestar de los animales. Influye en varios ámbitos, 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 otra parte, las balanzas automáticas, aunque son muy precisas, suelen ser caras y no es fácil instalarlas en espacios reducidos o en terrenos ganaderos abiertos.
En cambio, los métodos indirectos de estimación del peso del ganado dependen de 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. Los análisis de datos 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 el perímetro torácico, 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 estima el peso del ganado. Los algoritmos que relacionan 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 RMSE (raíz del error cuadrático medio) que oscilaban entre 7,5 kg y 13,4 kg. Sin embargo, es fundamental tener en cuenta que los sistemas basados en cámaras 2D pueden verse influidos por los ángulos de la cámara y la postura del ganado.
Estimación tridimensional del peso del ganado
Se han llevado a cabo varios estudios en los que se ha estudiado 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 alcanzó un 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 sólo 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 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 para el 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 de ganado, e incorporaron el aprendizaje de transferencia a partir de la detección LiDAR. Utilizaron los conjuntos de datos de las nubes de puntos del LiDAR para extraer las siluetas del ganado y medir su cuerpo. Los resultados experimentales indican 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 una R2 de 0,85 y una RMSE de 8,93 kg al medir la altura de la grupa del ganado bovino de carne y del área de la cadera, e introduciendo estos datos en un modelo basado en redes neuronales artificiales.
En numerosos estudios se ha estudiado el uso de medidas lineales corporales para estimar el peso del ganado, centrándose sobre todo 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, por ejemplo, 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, sobre todo en contextos comerciales y de investigación. Además, aunque las técnicas basadas en sensores 2D y 3D ofrecen métodos no invasivos de estimación del peso, es fundamental abordar los problemas relacionados con las condiciones ambientales, la iluminación y el movimiento del ganado para desarrollar sistemas prácticos y fiables de estimación del peso 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.
