Latinoamérica
Europa
Visión artificial para la identificación en tiempo real del comportamiento en cabras
LA NECESIDAD DE UNA MONITORIZACIÓN CONTINUA DEL COMPORTAMIENTO EN CABRAS
El comportamiento es clave para evaluar el bienestar y salud de las cabras, puesto que detectar cambios tempranos en sus patrones de actividad permite anticipar posibles problemas sanitarios.
De esta manera es posible mejorar el manejo, la eficiencia y la rentabilidad de la explotación (Matthews et al., 2016). Sin embargo, la observación manual del rebaño es un proceso costoso, subjetivo y poco compatible con grandes explotaciones intensivas.
En los últimos años, la Ganadería de Precisión (PLF, por sus siglas en inglés “Precision Livestock Farming”) ha revolucionado el sector con herramientas para monitorizar y controlar el rebaño de forma continua, automático y en tiempo real.
Entre las tecnologías PLF, la visión artificial representa una solución prometedora que ofrece un método automático, económico y no invasivo para monitorear el comportamiento del rebaño.
La visión artificial, rama de la inteligencia artificial, busca imitar la visión biológica mediante el uso de algoritmos aplicados a imágenes. Este enfoque se ha adoptado previamente en la cría de cerdos y en ganado vacuno (Nasirahmadi et al., 2017), pero su aplicación sigue siendo muy limitada en la cría de cabras, pese a sus posibles beneficios.
| En el marco del proyecto ComfyPLF, se desarrolló un modelo de visión artificial de detección multiobjeto para identificar el comportamiento de cabras en tiempo real a través de imágenes grabadas por una cámara. |
La actividad experimental se realizó en la granja de pequeños rumiantes de la Universitat Politècnica de València, cuya planimetría esquemática se muestra en la Figura 1.
Se seleccionó el corral 1 para la recopilación de videos, realizada ininterrumpidamente durante tres semanas, del 8 al 28 de julio de 2024.
Durante este periodo, se seleccionaron ocho cabras murciano-granadinas que fueron alojadas en dicho corral.
Para la grabación de videos se utilizó una cámara comercial RGB (lente de 2,8 mm y sensor CMOS) con una resolución QHD (2.560 x 1.440 píxeles), frecuencia de imagen de 20 Hz y LED infrarrojo para la grabación en ausencia de luz visible.
La cámara se instaló en posición cenital, centrada sobre el corral, a una altura de 5 metros.
En la Imagen 1 se presenta un ejemplo de fotograma grabado por la cámara.
De las 500 horas de grabaciones se extrajo un conjunto de 1.247 fotogramas significativos, que se clasificaron en subconjuntos para el entrenamiento (70 %), validación (20 %) y testeo (10 %) del modelo.
Todos los fotogramas se etiquetaron manualmente, identificando cada cabra con un recuadro de contorno y clasificando su comportamiento según las siguientes clases categóricas (Figura 2):
Comer: acción de introducir la cabeza en los comederos.
Beber: acción de introducir la cabeza en los dispensadores de agua.
Estar de pie: acción de estar de pie sobre cuatro patas, también incluye caminar y orinar.
Tumbarse: acción de estar en el suelo en cualquier posición.
El subconjunto de entrenamiento se usó para desarrollar un modelo de visión artificial basado sobre YOLOvX (Ge et al., 2021), un algoritmo consistente en una red neuronal que encuentra diferentes aplicaciones en visión artificial, como la guía autónoma (Zhang et al., 2025) o la detección de fauna silvestre (Delplanque et al., 2023).
En la Imagen 2 se muestra un ejemplo de fotograma analizado por el modelo que identifica cada cabra a través de un recuadro rojo e indica su comportamiento y el nivel de fiabilidad de la detección.
EL MODELO Y LA EVALUACIÓN DE SU ROBUSTEZ
Después de la fase de entrenamiento, se procedió a evaluar el modelo a través de la comparación de sus predicciones con los datos etiquetados, que representan la verdad fundamental.
Para que una predicción se considere correcta, deben cumplirse contemporáneamente dos condiciones:
1 El recuadro indicante de la cabra, definido por el modelo, debe solaparse al menos un 50 % con el recuadro de la verdad fundamental. Esta medida, conocida como intersección sobre unión (IoU), se ilustra en la Figura 3.
2 El modelo debe identificar el mismo comportamiento de la cabra que el etiquetado, que representa la verdad fundamental.
| Como métrica para evaluar la fiabilidad del modelo se adoptó la Average Precision (AP), que evalúa conjuntamente la precisión del modelo, lo que incluye:
|
Su exactitud al identificar las cabras y sus comportamientos, minimizando falsos positivos (como sombras confundidas con cabras). Tal y como muestran las métricas en la Tabla 1, el modelo es rápido y preciso, puesto que procesa más de 50 fotogramas por segundo (permitiendo aplicación en tiempo real) con una AP media del 96 %.
El modelo logra AP iguales o superiores al 95 % en todos los comportamientos, con la única excepción de beber (AP = 94 %).
La menor precisión del modelo a la hora de detectar cabras bebiendo se debe a varias razones:
- Existe un desequilibrio en los datos, con menos fotogramas con cabras bebiendo respecto a las otras clases.
- La distorsión de ojo de pez afecta significativamente las esquinas de los fotogramas, donde se ubica uno de los bebederos.
- Existe una gran similitud visual entre cabras de pie y bebiendo.
Como se muestra en la Imagen 3, donde se evidencian las zonas del fotograma en que se enfoca el modelo, este se basa en elementos contextuales para identificar comportamientos, como la valla para identificar cabras comiendo o las patas para detectar cabras tumbadas.
El único elemento que permite distinguir entre cabras de pie y bebiendo es la posición relativa entre la cabeza y el bebedero.
PRÓXIMOS DESARROLLOS
El modelo desarrollado permite monitorizar de forma fiable, continua y en tiempo real el comportamiento grupal de las cabras, facilitando la adquisición de diferentes indicadores, como patrones comportamentales, mapas de calor de uso del corral e histórico de actividades del rebaño.
Actualmente, se está trabajando para llegar a una monitorización más detallada a través de la integración de algoritmos de tracking para seguir a cada cabra y obtener información detallada a nivel individual.
Agradecimientos
El equipo de investigación quiere agradecer a los técnicos José Vicente Martí Vicent y José Luis Palomares Carrasco por su contribución en las actividades de granja. Este trabajo fue financiado con Ayuda a Primeros Proyectos de Investigación (PAID-06-23), Vicerrectorado de Investigación de la Universitat Politècnica de València (UPV) y parte del equipo de investigación benefició de la ayuda del proyecto TED2021-130759B-C31, financiado por MCIN/ AEI/10.13039/501100011033/ y por la «Unión Europea NextGenerationEU/PRTR».
