INNOVACIÓN · SANIDAD AVIAR
Un equipo entrenó una red neuronal con más de 8.000 fotos de heces de pollo y declara una precisión del 98,7 % para distinguir coccidiosis, salmonelosis y Newcastle.
Las heces como ventana diagnóstica
Cualquier veterinario de campo lo sabe: la cama habla. Color, consistencia y presencia de sangre o uratos son las primeras pistas en una visita, y ya repasamos en NeXusAvicultura cómo el aire, las heces y el agua pueden avisar de que un lote enferma antes de verlo. Mizanu Zelalem Degu y Gizeaddis Lamesgin Simegn, del Jimma Institute of Technology (Etiopía), han intentado convertir esa mirada experta en un algoritmo. Su trabajo, publicado en acceso abierto en Smart Agricultural Technology , presenta KUKU, una aplicación móvil que fotografía las heces y las clasifica en cuatro categorías: sana, coccidiosis, salmonelosis o enfermedad de Newcastle.
Dos redes neuronales en cadena
El sistema trabaja en dos pasos. Primero, un detector de objetos YOLOv3 (ver recuadro) localiza las heces en la foto y recorta el fondo: cama, suelo, piedras. Después, una red ResNet50 preentrenada clasifica solo ese recorte. Según los autores, este recorte previo es la mejora frente a trabajos anteriores, que entrenaban con la imagen completa y dejaban que el «ruido» del entorno contaminara el aprendizaje. Es la misma lógica de visión artificial que ya se aplica en pollos para medir su bienestar, aquí orientada al diagnóstico.
«Su lugar razonable es la alerta temprana, no el sustituto del laboratorio.»
Los datos: Tanzania, móviles y PCR
Las imágenes proceden de un banco público en Zenodo (Machuve et al.) recogido con teléfonos móviles en granjas de Arusha y Kilimanjaro (Tanzania) entre septiembre de 2020 y febrero de 2021. Un punto fuerte es que las etiquetas de ese dataset están respaldadas por PCR. Partían de 8.067 fotos muy desequilibradas: apenas 562 (6,96 %) correspondían a Newcastle. Para compensar, los autores duplicaron imágenes de las clases minoritarias y aplicaron giros, zooms y desplazamientos hasta llegar a 10.500 imágenes equilibradas.
98,7 %: la cifra y su letra pequeña
El clasificador alcanzó una exactitud del 98,7 %, con valores por clase del 98–99 %. El detector YOLOv3 logró una precisión media (mAP) del 87,48 %. Leído con ojo crítico, el estudio tiene varias limitaciones:
- Posible sobreestimación: el sobremuestreo por duplicación se describe antes de la partición 80/20 entre entrenamiento y prueba. Si fue así, copias de la misma foto pueden haber caído en ambos lados, y el modelo estaría «reconociendo» imágenes ya vistas.
- Detector con pocos ejemplos: YOLOv3 se entrenó con solo 456 imágenes etiquetadas.
- Sin validación externa: no hay prueba con fotos de otras granjas, países o sistemas productivos, ni comparación con el diagnóstico laboratorial en campo.
Son, en el fondo, los mismos riesgos que señalábamos al hablar de la importancia de evitar sesgos y contar con datasets de calidad antes de implantar IA.
La visión del clínico
Desde la clínica, el aspecto de las heces rara vez es patognomónico. Unas heces verdosas pueden responder a Newcastle, pero también a anorexia de cualquier origen. Unas heces blanquecinas no confirman salmonelosis. Además, el modelo solo conoce cuatro categorías, así que cualquier otro proceso (enteritis necrótica, micotoxicosis, cambios de pienso) se clasificará a la fuerza en una de ellas. Su lugar razonable sería el de alerta temprana o triaje en avicultura de pequeña escala, nunca el de sustituto de la necropsia o del laboratorio.
Por qué merece atención
Con más de un centenar de citas según ScienceDirect, el trabajo se ha convertido en referencia de una línea de investigación en pleno crecimiento: diagnóstico asistido por imagen con herramientas al alcance de cualquier productor. La idea es potente y encaja en una tendencia que está reescribiendo la hoja de ruta de la avicultura de precisión, del pollito a la canal. Falta demostrar que funciona fuera del conjunto de datos con el que se entrenó.
◆ ◆ ◆
📦¿Qué es YOLO y qué aporta YOLOv3?
YOLO (You Only Look Once, «solo miras una vez») es una familia de algoritmos de visión artificial para detección de objetos: no se limitan a decir qué hay en una imagen, también indican dónde está, dibujando un recuadro a su alrededor. La propuso Joseph Redmon en 2016.
Su clave es la velocidad. Los métodos anteriores examinaban la imagen por partes en varias pasadas. YOLO la analiza de una sola vez: la divide en una cuadrícula, y cada celda predice posibles recuadros con una puntuación de confianza. Por eso puede trabajar en tiempo real, sobre vídeo o cámaras en directo.
En este estudio, YOLOv3 no diagnostica nada: actúa como un «recortador» que aísla las heces del resto de la foto antes de pasarlas al clasificador. La familia YOLO ha seguido evolucionando en versiones posteriores, más rápidas y precisas.
La NeXus-Ficha resumen
| Estudio | Degu MZ, Simegn GL. Smart Agricultural Technology 4 (2023) 100221 |
| Centro | Jimma Institute of Technology (Etiopía) |
| Objetivo | Diagnóstico de enfermedades aviares a partir de fotos de heces con el móvil |
| Tecnología | YOLOv3 (detección) + ResNet50 (clasificación); app KUKU (Flutter) |
| Categorías | Sana, coccidiosis, salmonelosis, Newcastle |
| Datos | 8.067 imágenes de Tanzania (etiquetas PCR) → 10.500 tras sobremuestreo |
| Resultado | Exactitud del 98,7 %; mAP del detector del 87,48 % |
| Limitaciones | Posible fuga de datos, sin validación externa, solo cuatro clases |
| Acceso | Abierto (CC BY-NC-ND) |
Fuentes
- Degu MZ, Simegn GL (2023). Smartphone based detection and classification of poultry diseases from chicken fecal images using deep learning techniques. Smart Agricultural Technology, 4, 100221.
- Machuve D et al. (2021). Machine Learning Dataset for Poultry Diseases Diagnostics – PCR annotated. Zenodo.
Para saber más :
-. Avicultura de precisión
-. Posibilidades del uso de la Inteligencia Artificial y el «Deep Learning» aplicado a las granjas avícolas
-. Inteligencia Artificial predictiva en broilers: detección temprana de mortalidad
¿Te ha resultado útil este análisis?
En NeXusAvicultura asistimos a los principales los congresos y revisamos las publicaciones científicas por ti,
con datos y fuentes verificados en cada cifra.
Regístrate gratuitamente para no perderte nada.