Desafíos en la producción de pollos
Se prevé que la población mundial alcanzará más de 9.500 millones de personas en 2050, y se espera que la demanda global de proteína animal (por ejemplo, huevos, carne y leche) aumente en más del 70 % para ese año en comparación con 2005. Proporcionar alimentos a una población mundial en crecimiento con recursos naturales limitados es un gran desafío para la agricultura animal.
La producción de pollos de engorde (para carne) ha experimentado notables avances en las últimas décadas. En 1950, el período de crianza de un pollo de engorde comercializable (2,3 a 2,7 Kgs) era de 16 semanas, mientras que hoy en día solo toma entre 5 y 6 semanas. Innovaciones en genética, nutrición, vacunación, manejo de enfermedades y control ambiental de las naves de engorde han permitido este impresionanete progreso. La eficiencia alcanzada en la avicultura ha permitido que los pollos de engorde dominen la producción animal a nivel global. Actualmente, Estados Unidos es el mayor productor mundial de pollos de engorde, con un valor anual de ventas de 40 mil millones de dólares.
Sin embargo, la producción mundial de pollos de engorde enfrenta desafíos emergentes relacionados con la salud animal, la seguridad alimentaria, el impacto ambiental y el creciente interés del público en el bienestar animal.
La rápida tasa de crecimiento de los pollos de engorde está asociada con problemas de bienestar, como la cojera, que puede restringir el comportamiento de las aves, causar molestias físicas y afectar sus libertades fundamentales. Estas preocupaciones han llamado la atención del público y de la industria alimentaria, promoviendo la mejora del bienestar de los pollos de engorde y la evaluación de su bienestar. Actualmente, estas evaluaciones incluyen auditorías de registros diarios de los productores y evaluaciones de terceros independientes. A medida que estas evaluaciones han madurado y la ciencia de la evaluación del bienestar aviar ha sido validada, los sistemas de puntuación subjetivos o cualitativos están siendo reemplazados por mediciones cuantificables. La automatización de la evaluación del bienestar no solo elimina la subjetividad, sino que también facilita la garantía de bienestar avícola a los consumidores en los productos que compran.
Tecnologías de Imagen para la Monitorización del Bienestar Avícola
Las tecnologías de sensores, como la identificación por radiofrecuencia de banda ultraancha (RFID), los acelerómetros y la monitorización basada en visión por computadora, han sido y están siendo adaptadas y probadas en sistemas de producción pecuaria y avícola para ayudar en la evaluación del bienestar. Los métodos de monitorización que requieren contacto directo con las aves (por ejemplo, RFID y acelerómetros) pueden afectar su actividad, comportamiento y bienestar. Por lo tanto, los métodos sin contacto basados en visión por computadora (es decir, cámaras y procesamiento automático de imágenes) se consideran la mejor opción.
El monitoreo del comportamiento de animales grandes (por ejemplo, ganado y cerdos) es posible gracias a la tecnología bien desarrollada de visión por computadora para fenotipado. Sin embargo, es un desafío técnico monitorear a animales más pequeños, como los pollos de engorde en las naves de pollos comerciales.
La mayoría de los sistemas de monitorización basados en visión por computadora existentes se centran en la actividad o comportamiento de un solo ave, como la alimentación y la bebida, la preferencia por la luz, el tiempo que puedan estar subidos a una percha o a una plataforma, el picoteo, el baño de polvo y la actividad grupal o la respuesta al rociado de agua. Algunas versiones iniciales de sistemas de imagen para la evaluación automatizada del bienestar de los pollos de engorde han sido probadas, pero ninguna está lista para su uso en granjas comerciales.
Entre todos los estudios realizados, dos grupos destacan entre los que han desarrollado sistemas de monitorización por visión por computadora para aves de corral: el sistema eYeNamic y el método de flujo óptico.
El sistema eYeNamic
El equipo de Daniel Berckmans en Bélgica integró un sistema de monitorización llamado eYeNamic para evaluar la capacidad de caminar en pollos de engorde. Este sistema se basa en la escala de seis puntos de Kestin para evaluar la marcha de los pollos de engorde.
El sistema eYeNamic puede detectar diferencias en el índice de actividad entre grupos con diferentes puntuaciones de marcha. El índice de actividad se cuantifica mediante el cambio de píxeles en las imágenes a lo largo del tiempo.
Este método indica que se puede desarrollar una herramienta automática para determinar la actividad en relación con la puntuación de marcha (es decir, un indicador de la capacidad de caminar). Los países de la Unión Europea utilizan un sistema de puntuación de marcha de seis puntos, mientras que en Estados Unidos se emplea un sistema de tres puntos. Una mayor puntuación de marcha indica peor salud de las patas.
Extraído del artículo «Application of a fully automatic analysis tool to assess the activity of broiler chickens with different gait scores», por A. Aydin, O. Cangar, S. E. Ozcan, C. Bahr y D. Berckmans, 2010, Computers and Electronics in Agriculture, 73(2), pp. 194–199 (https://doi.org/10.1016/j.compag.2010.05.004).
© 2010 Elsevier B.V.
Los pollos de engorde con puntuaciones de 4 y 5 mostraron niveles de actividad significativamente más bajos. Sin embargo, el sistema eYeNamic fue sensible para detectar aves con puntuaciones de 4, 5 o 6, pero no para puntuaciones intermedias (es decir, 2 y 3). Además, hay muchas interferencias en los suelos de los galpones comerciales (por ejemplo, comederos, bebederos y otros equipos) que afectan la monitorización de imágenes y actividades avícolas.
Este sistema aún necesita más innovaciones antes de su comercialización.
El método de flujo óptico
El equipo de Marian Dawkins en el Reino Unido desarrolló un método de flujo óptico para evaluar el bienestar y la salud de los pollos de engorde. Este método mide los cambios de brillo en los píxeles de objetos en movimiento (por ejemplo, pollos) y genera propiedades estadísticas del movimiento de las aves para analizar la correlación con indicadores de bienestar, como la puntuación de marcha, la pododermatitis, infecciones gastrointestinales y quemaduras en las patas.
El estudio más reciente, «Optical flow, behaviour and broiler chicken welfare in the UK and Switzerland «, basado en 74 lotes comerciales de pollos de engorde, indicó que la correlación entre las «quemaduras o lesiones plantares» y la mortalidad puede detectarse automáticamente. Sin embargo, el método actual solo puede detectar correlaciones generales y aún no está claro cómo rastrear aves individuales con problemas de bienestar.
Actualmente, no existen sistemas validados para la evaluación automatizada del bienestar de los pollos de engorde en galpones comerciales. No obstante, estos estudios iniciales con sistemas como flujo óptico y eYeNamic muestran un gran potencial para que la evaluación futura del bienestar avícola se realice mediante sistemas de imagen basados en visión por computadora o inteligencia artificial.
Nota. Las líneas representan el flujo óptico medio diario (movimientos del lote) para los lotes positivos a Campylobacter (azul) y negativos a Campylobacter (verde). Desde los primeros 10 días de vida, los lotes positivos a Campylobacter mostraron movimientos medios más bajos que los lotes en los que Campylobacter no fue detectado. Las líneas continuas muestran la respuesta a lo largo de las edades, con puntos que representan los valores diarios observados. Las líneas discontinuas representan los límites de confianza del 95 % para las respuestas a lo largo de las edades. El eje x representa la edad en días.
Extraído de «Monitoring chicken flock behaviour provides early warning of infection by human pathogen Campylobacter», por F. M. Colles, R. J. Cain, T. Nickson, A. L. Smith, S. J. Roberts, M. C. Maiden, D. Lunn y M. S. Dawkins, 2016, Proceedings of the Royal Society B: Biological Sciences, 283(1822), Artículo 20152323 (https://doi.org/10.1098/rspb.2015.2323).
© 2016 Colles et al.
Un estudio de caso sobre la monitorización de la distribución de los pollos sobre el suelo realizado por la UGA
En las naves comerciales de aves de corral, la densidad y distribución de los pollos en las zonas de bebida, alimentación y descanso son factores críticos para evaluar la productividad del lote, la salud de las aves y su bienestar. La correcta distribución de los broilers dentro del galpón influye significativamente en el bienestar animal y en la gestión del ambiente de cada gallinero (por ejemplo, problemas de ventilación que afectan la calidad de la cama).
Actualmente, la inspección diaria de la distribución de pollos a lo largo y ancho de cada nave se realiza manualmente, lo que requiere mucho trabajo y tiempo. Los investigadores en ciencia avícola de la Universidad de Georgia (UGA) están desarrollando un sistema de imágenes automatizado para monitorear la distribución en el suelo de los pollos.
Métodos
Este estudio se llevó a cabo en el Centro de Investigación Avícola de la Universidad de Georgia en Athens, Georgia. Se utilizaron seis corrales idénticos de 1,8 × 1,1 metros para criar pollos de engorde Cobb-500 comerciales (21 pollos por corral) durante 49 días.
Cada corral fue monitoreado con una cámara de alta definición montada en el techo a 2,4 metros sobre el suelo del corral, que capturó videos de los pollos en grupo. Para el análisis de imágenes por computadora, el suelo de cada corral se dividió virtualmente en tres zonas:
- Zona de bebida
- Zona de alimentación
- Zona de descanso/ejercicio
Los pollos fueron criados sin antibióticos en cama reutilizada (es decir, material previamente utilizado en otra prueba), compuesta por virutas de pino, alimento y estiércol de pollo.
Para determinar el número de pollos en cada zona de bebida y alimentación, se desarrolló y aplicó un nuevo método de programación informática basado en inteligencia artificial.
Nota. Las zonas están etiquetadas: 1 – zona de bebida; 2 – zona de alimentación; y 3 – zona de descanso.
Extraído de «A machine vision-based method for monitoring broiler chicken floor distribution», por Y. Guo, L. Chai, S. E. Aggrey, A. Oladeinde, J. Johnson y G. Zock, 2020a, Sensors, 20(11), 3179 (https://doi.org/10.3390/s20113179).
© 2020 Guo et al.
Resultados
La distribución de los pollos de engorde en las zonas de alimentación y bebida se identificó automáticamente mediante el nuevo método desarrollado (Figura 4). El método primero analiza el número total de pollos dentro del corral (Figura 3a) y luego cuantifica su distribución en cada zona (Figura 3b).
El método de programación por computadora fue probado con una precisión del 94 % en la detección de pollos en la zona de bebida y del 95 % en la zona de alimentación (es decir, 95 de cada 100 pollos en las zonas de alimentación fueron identificados correctamente con el método).
Fuente: «A machine vision-based method for monitoring broiler chicken floor distribution», por Y. Guo, L. Chai, S. E. Aggrey, A. Oladeinde, J. Johnson y G. Zock, 2020a, Sensors, 20(11), 3179 (https://doi.org/10.3390/s20113179).
© 2020 Guo et al.
Problemas y Soluciones en la Monitorización con Imágenes
Uno de los problemas con el uso de cualquier tecnología de imagen es el ángulo visual, específicamente cualquier elemento en ese ángulo que obstruya la vista de la cámara.
Las detecciones fallidas fueron causadas principalmente por interferencias en la instalación, como cadenas colgantes de los comederos y líneas de agua que bloqueaban la visión de los pollos en la imagen. Estos problemas fueron parcialmente solucionados mediante el uso de una nueva tecnología de corrección de imágenes (Figura 5).
Fuente: «A machine vision-based method optimized for restoring broiler chicken images occluded by feeding and drinking equipment», por Y. Guo, S. E. Aggrey, A. Oladeinde, J. Johnson, G. Zock y L. Chai, 2021, Animals, 11(1), 123 (https://doi.org/10.3390/ani11010123).
© 2021 Guo et al.
Este programa de análisis de imágenes fue desarrollado y probado para identificar la distribución de los pollos de engorde en el suelo, específicamente en las zonas de bebida y alimentación.
Nos enfocamos en el patrón de distribución en el suelo (es decir, el conteo en tiempo real del número de aves en las zonas de alimentación y bebida) porque esta métrica es técnicamente cuantificable y se correlaciona con el bienestar de las aves.
Los pollos con problemas de salud, como cojera o altas puntuaciones de marcha, tienden a mostrar menos actividad y a permanecer más cerca de los comederos y bebederos debido a las limitaciones en la locomoción. Los métodos actuales proporcionan la base para desarrollar un enfoque automatizado para monitorear la distribución en el suelo y los comportamientos de los pollos en un sistema de producción comercial.
Los estudios en curso se centran en la detección de pollos individuales con diferentes puntuaciones de marcha en la instalación de investigación. A pesar de los avances, sigue siendo un reto técnico rastrear aves individuales con problemas de salud o bienestar mediante un método basado en visión por computadora. Sin embargo, esta tecnología es necesaria y crítica para que los productores puedan identificar rápidamente a los pollos con problemas de bienestar y abordar esas situaciones con rapidez.
Resumen e Implicaciones
La inspección rutinaria del bienestar de los pollos de engorde en los galpones comerciales se realiza manualmente cada día, lo cual es laborioso y consume mucho tiempo.
Por esta razón, se están probando tecnologías de sensores que pueden asistir en la evaluación del bienestar, tales como:
- Identificación por radiofrecuencia de banda ultraancha (RFID)
- Acelerómetros
- Monitorización basada en visión por computadora
Dos versiones iniciales de sistemas de monitorización basados en visión por computadora, eYeNamic y flujo óptico, fueron desarrolladas para el monitoreo del bienestar de las aves de corral y se probaron en estudios anteriores. Si bien estos sistemas aún no están listos para su uso comercial en la identificación de animales individuales con problemas de bienestar, proporcionan un modelo preliminar para futuras evaluaciones del bienestar avícola basadas en visión por computadora o inteligencia artificial.
Un estudio en curso, dirigido por investigadores en ciencia avícola de la Universidad de Georgia, se centra en la correlación entre los indicadores de bienestar de los pollos y sus patrones de distribución en el suelo (es decir, el conteo en tiempo real de los pollos en las zonas de bebida, alimentación y descanso). Se ha desarrollado y probado un programa informático para el análisis de imágenes. Se extrajeron aproximadamente 7.000 perfiles de pollos de 2.000 imágenes de alta calidad (recogidas cuando las aves tenían entre 18 y 35 días de edad) para desarrollar el método.
Los resultados mostraron que la precisión en la identificación de la distribución de las aves en las zonas de bebida y alimentación fue del 94 % y 95 %, respectivamente. La mayoría de las detecciones fallidas fueron causadas por interferencias de los equipos (por ejemplo, cadenas colgantes de los comederos o líneas de agua).
Este estudio sienta las bases para el desarrollo de una herramienta de evaluación en tiempo real para detectar la distribución en el suelo y los comportamientos de los pollos de engorde en instalaciones comerciales.
Sin embargo, todavía existen brechas en la comprensión del comportamiento animal. Por ejemplo:
- Aún no se han determinado los umbrales exactos para definir una «buena» o «mala» distribución de las aves dentro de las zonas de alimentación, bebida y descanso.
- Se necesita optimización del hardware y software para que los productores puedan implementar y utilizar completamente un sistema de monitoreo del comportamiento como parte de un sistema automatizado de evaluación del bienestar.
Fuente:
-. «Application of Imaging Systems for Monitoring Poultry Well-being«. Lilong Chay cols. University of Georgia Department of Poultry Science
Para saber más:
-. «Automating poultry farm management with artificial intelligence: Real-time detection and tracking of broiler chickens for enhanced and efficient health monitoring.» Depuru, B.K., Putsala, S. & Mishra, P. Trop Anim Health Prod 56, 75 (2024).
-. Aplicaciones de la inteligencia artificial en la avicultura (casos de uso en NeXusAvicultura.com )