Álvaro García
La cojera afecta significativamente al bienestar y la productividad de las vacas lecheras, provocándoles dolor, reduciendo la producción de leche y ocasionando sacrificios prematuros. Dado que los métodos tradicionales de diagnóstico requieren mucho trabajo y son subjetivos, es necesario encontrar soluciones automatizadas. Aunque ya se han explorado varias técnicas, a menudo requieren equipos altamente especializados y no pueden evaluar múltiples factores de la cojera a la vez. El aprendizaje profundo, una potente modalidad de aprendizaje automático, es una opción prometedora, ya que emplea algoritmos que reconocen patrones a partir de grandes conjuntos de datos, como imágenes o vídeos. Las redes neuronales convolucionales (CNN) son un ejemplo perfecto de este planteamiento. Son redes especializadas y entrenadas para identificar patrones entre los datos visuales, lo que les permite detectar automáticamente la presencia de los síntomas de cojera a partir de cámaras de vídeo estándar, cámaras 3D y otras tecnologías de imagen. De este modo, es posible evaluar simultáneamente varias reses, lo que supone una alternativa objetiva y eficaz a los métodos tradicionales.
Las redes neuronales convolucionales (CNN) tienen un papel fundamental a la hora de procesar datos volumétricos en imágenes 3D, como, por ejemplo, en el reconocimiento de objetos tridimensionales. Este tipo de algoritmos de aprendizaje profundo se compone de varias capas, como las capas convolucionales, que se encargan de aplicar filtros para detectar características como bordes, texturas y formas. A diferencia de las CNN 2D, que trabajan con imágenes planas, las CNN 3D trabajan con datos tridimensionales, es decir, tienen en cuenta la altura, el ancho y la profundidad. Estos filtros 3D, o kernels, trabajan sobre el volumen de entrada y detectan patrones y características cruciales para realizar tareas como la estimación de la postura o la detección de la cojera en las vacas. Mediante la identificación de la curvatura y los detalles estructurales de la nube de puntos, las CNN 3D captan las conexiones espaciales y extraen información sobre la profundidad. Las CNN 3D amplían los principios de las CNN 2D a las tres dimensiones y analizan con eficacia los datos volumétricos, lo que permite extraer características detalladas y realizar tareas de clasificación avanzadas, como, por ejemplo, detectar con precisión la cojera en las vacas a partir de sutiles diferencias de postura y movimiento.
Últimos estudios
Barney et al. (2023) realizaron un estudio en el Reino Unido con el objetivo de desarrollar un sistema totalmente automatizado para detectar cojeras en múltiples vacas. Tres evaluadores de movilidad evaluaron de forma independiente la cojera de un total de 250 vacas. Para ello, se empleó un algoritmo denominado Mask-RCNN que rastreaba las posturas de las vacas y analizaba las correlaciones entre estas posturas y su puntuación de cojera. Así, se identificaron las correlaciones más significativas entre las posiciones de los puntos clave de la espalda, la posición de la cabeza, el ángulo del cuello y la cojera. Además, otro algoritmo llamado CatBoost evaluó la importancia de los rasgos para detectar la cojera, distinguiendo entre distintas categorías de movilidad. En resumen, el algoritmo de estimación de la postura Mask-RCNN jugó un papel clave en la identificación de los puntos anatómicos críticos, esenciales para la detección de cojeras. Por su parte, el algoritmo de seguimiento CatBoost lo complementó, registrando las características de la vaca a lo largo del tiempo, lo que permitió analizar la marcha y aumentar la precisión de la detección de cojeras. Estos algoritmos clasificaron con precisión a las vacas en cuatro categorías de cojera (0-3), mejorando los resultados de estudios anteriores que sólo ofrecían clasificaciones binarias (cojera-no cojera). Además, se observó que la postura dorsal es una característica muy útil para la puntuación automática de la movilidad del ganado, con una precisión superior al 90%.
Para determinar la postura de la vaca, se utilizaron cinco puntos específicos para estimar la superficie de la espalda: posición de la cola, parte inferior del cuello/escápula, cruz, centro de la espalda y hueso de la cadera. Para ello, se trazó una línea de referencia que unía la inserción de la cola con la parte inferior del cuello y la escápula, y se unieron estos puntos clave con líneas superiores. A continuación, se trazaron líneas perpendiculares desde puntos intermedios (cruz, centro del lomo, hueso de la cadera) hasta la línea de referencia, con líneas paralelas que se extendían desde la línea perpendicular central hasta el segundo y cuarto punto principal. Este enfoque permitió calcular el área del lomo sumando las áreas de cuatro secciones triangulares y dos rectangulares, ofreciendo una estimación detallada de su curvatura.
La posición de la cabeza fue fundamental. Para analizarla, se prolongó la línea que mejor se ajustaba al «análisis de la postura de la espalda» y se calculó la distancia al cuadrado entre los puntos clave de la nariz y la cabeza y la línea de regresión. Esta medida determina si la posición de la cabeza está por encima o por debajo de la línea de regresión. Para analizar con más detalle la posición de la cabeza, se examinó el ángulo del cuello en relación con la espalda. Esto se consiguió calculando el gradiente de la línea que va de los hombros delanteros a la parte inferior del cuello/escápula y, a continuación, determinando la inclinación de la línea que conecta la parte inferior del cuello con la cabeza. Por último, se determinó el ángulo de la línea que une la parte inferior del cuello con la cabeza.
Con este estudio se ha realizado un avance significativo en la detección de cojeras en vacas lecheras mediante el desarrollo de un sistema totalmente automatizado y de alta precisión que utiliza técnicas de aprendizaje profundo y aprendizaje automático. Este sistema permite realizar una detección y evaluación tempranas de la gravedad de la cojera, lo que facilita una intervención y tratamiento rápidos. Gracias a esto, el bienestar de los animales mejora, se reducen las pérdidas económicas y aumenta la productividad. Además, el carácter no invasivo de esta tecnología garantiza que las actividades agropecuarias no se vean afectadas en lo más mínimo, por lo que podría implantarse de forma generalizada.
¿Cómo puede implementarse este estudio a la ganadería?
En los últimos años, los resultados de estas investigaciones han permitido crear cámaras 3D avanzadas que controlan la locomoción de las vacas. Estas cámaras utilizan algoritmos para hacer un seguimiento de la puntuación de locomoción basada en una escala de 5 puntos, muy conocida y utilizada en todo el mundo por veterinarios y ganaderos. Estos sistemas, que integran los identificadores de las vacas obtenidos mediante lectores RFID y las imágenes de estas, predicen los cambios en la puntuación de locomoción que se producen en cada sesión de ordeño a lo largo de la lactación. Es como si un experto en locomoción evaluara a las vacas varias veces al día y transfiriera automáticamente los resultados al ordenador para analizarlos junto con los cambios en la producción de leche. Además, las cámaras monitorizan los cambios en la condición corporal, proporcionando información sobre el impacto de las puntuaciones de locomoción en la condición corporal y la producción de leche.
Observemos, por ejemplo, a la vaca 570, una vaca primípara que lleva 133 días en leche. Su puntuación de locomoción muestra que sucedió algo en el parto que causó una caída de casi 1 punto de forma casi inmediata. Aunque la puntuación de la vaca mejoró en momentos puntuales, se mantuvo siempre un punto por debajo de la puntuación inicial. No alcanzó el pico de producción que se esperaba y llegó a estar 12 litros por debajo. Su puntuación de condición corporal (CC) fue irregular, pero estuvo siempre por encima de lo ideal para la fase de la lactación en la que se encontraba. Esto sugiere que, aunque sus problemas de locomoción afectaron a su producción, no fueron lo suficientemente graves como para afectar significativamente a su consumo de alimento y, en consecuencia, a su condición corporal.
Si se compara con la producción prevista, la reducción de la producción de leche de la vaca 570 repercutió directamente en su rentabilidad económica. Para mejorar su rentabilidad, es muy importante abordar los problemas de locomoción subyacentes mediante una intervención inmediata, como, por ejemplo, un examen veterinario exhaustivo y un recorte correctivo de las pezuñas. También debería considerarse la posibilidad de modificar sus condiciones de vida para reducir el estrés y el riesgo de lesiones, siempre que sea posible. Además, implementar una estrategia de alimentación más personalizada para apoyar su recuperación sin comprometer su CC podría ayudar a optimizar su rendimiento general. La supervisión continua de su locomoción y CC será esencial para garantizar que cualquier ajuste conduzca a una mejora duradera tanto de su salud como de su productividad.
El trabajo de investigación citado en este artículo presenta un sistema automatizado de detección de cojeras en vacas lecheras mediante tecnologías avanzadas de aprendizaje profundo y aprendizaje automático. Esto representa un avance significativo en la gestión de las explotaciones, ya que permite la detección precoz y la clasificación de las cojeras, lo que puede mejorar el bienestar de los animales, reducir las pérdidas económicas y aumentar la productividad. El sistema, integrado en las cámaras 3D, supervisa las puntuaciones de locomoción basándose en la ampliamente utilizada escala de 5 puntos, apoyándose en los identificadores RFID y en las imágenes de las vacas para predecir los cambios que se producen a lo largo de la lactación. Este método actúa como si un experto en locomoción realizara una evaluación diaria, transfiriendo y analizando automáticamente estos resultados y los datos de producción de leche.
© 2025 Dellait Knowledge Center. All Rights Reserved.
