0
La producción de datos a gran escala para comprender y monitorizar el comportamiento animal sigue siendo un reto debido al elevado tiempo de procesamiento que requieren los métodos automatizados actuales.
Objetivo: Reducir el tiempo de procesamiento con un error mínimo mediante (1) el desarrollo de un enfoque eficiente para aplicar métodos de aprendizaje profundo (deep learning) de alto rendimiento a la detección del comportamiento alimentario y de bebida en cerdos, (2) la validación de este enfoque para su uso durante todo el período de engorde, y (3) la reducción del tiempo de cálculo mediante el muestreo instantáneo de fotogramas y la validación del intervalo de muestreo adecuado para el comportamiento alimentario y de bebida.
Métodos: Para lograr este objetivo, el estudio incluyó grabaciones de video de siete corrales con cerdos de engorde de 30 a 100 kg. Los datos de entrenamiento incluyeron 48 horas de video observadas en tres corrales, ocho fechas (que representan ocho semanas diferentes) por corral, y dos horas diarias de 11:00 a 13:00 h. Los datos de validación incluyeron 24 horas de video observadas en tres corrales, cuatro fechas (semanas) por corral, y las mismas dos horas diarias. Los datos de día completo incluyeron 48 horas de video observadas en un corral durante dos días completos (días 32 y 53 tras la entrada de los animales). El enfoque desarrollado se basó en un algoritmo de aprendizaje profundo para la detección de objetos y puntos clave que, para cada fotograma, asignaba a cada cerdo en un corral un cuadro delimitador rotado, la dirección de la cabeza y el punto clave del hocico. A partir de estos datos, se realizaron cálculos sencillos de visión artificial para estimar la ocupación de los comederos y bebederos en base a la intersección sobre unión y la distancia en píxeles.
Resultados: Este método presentó errores inferiores a 45 segundos por hora de observación y una precisión equilibrada superior a 0,97 para la alimentación y 0,93 para la bebida, con intervalos de confianza del 95% en todos los conjuntos de datos, lo que indica una alta concordancia en las estimaciones de ocupación de los comederos y bebederos en las condiciones analizadas. Para evaluar el muestreo de fotogramas se probaron intervalos de 1, 2, 5, 10, 20 y 30 segundos, y de 1, 2, 5 y 10 minutos. Tras la inspección visual del desarrollo de errores y sesgos con el aumento del intervalo de muestreo, se determinó que un intervalo de 10 segundos era el más adecuado para mantener la exactitud y la precisión, a la vez que se reducía la potencia de cálculo necesaria.
Conclusión: El método desarrollado, combinado con un intervalo de muestreo de 10 segundos, permitió generar datos a gran escala empleando entre 6 y 7 minutos para analizar los datos de un día por corral. La reducción del tiempo de cálculo hace factible el uso de este método para generar datos a gran escala sobre alimentación y bebida en cerdos de engorde.
Larsen MLV, Liu D, Franchi, Tomas Norton GA, Pedersen LJ. Computer vision and ethological methods to produce large-scale data on feeding and drinking behaviour in finishing pigs. Applied Animal Behaviour Science, 2026, 107101, ISSN 0168-1591. https://doi.org/10.1016/j.applanim.2026.107101.