0
La detección precisa del celo es fundamental para optimizar el rendimiento reproductivo de las cerdas. El método convencional de detección del celo se basa en una laboriosa prueba de presión en la espalda de la cerda.
Objetivo: Este estudio presenta un método automatizado de detección del celo para cerdas alojadas en jaulas individuales mediante un sistema robotizado de tratamiento de imágenes y redes neuronales.
Métodos: Se utilizó un sistema robotizado de tratamiento de imágenes, compuesto por una cámara LiDAR, para monitorizar a un grupo de cerdas alojadas en jaulas a intervalos de 10 minutos y capturar sus posturas y el volumen vulvar. Los datos de las imágenes se analizaron mediante un proceso desarrollado previamente.
Resultados: Se observaron cambios significativos en los índices diarios de posición levantada, decúbito esternal y decúbito lateral, la frecuencia de cambio de postura y el volumen vulvar antes del inicio del celo. Se desarrolló una arquitectura de modelo de red neuronal convolucional 1-D para la detección del celo utilizando como datos los días desde el destete, las características de comportamiento y las características del volumen vulvar. Los modelos de detección del celo se evaluaron mediante validación cruzada de 10 pasos. La precisión del entrenamiento y la prueba del modelo de detección fue del 96,1 ± 2,0% y 92,3 ± 10,1% al utilizar como datos los días desde el destete y las características de comportamiento. La precisión del entrenamiento y la prueba del modelo aumentó al 98,1 ± 2,4% y 98,0 ± 4,2% al añadir las características del volumen vulvar.
Conclusión: Si bien es difícil rastrear el comportamiento de las cerdas alojadas en grupo, la combinación de las características del volumen vulvar con los días desde el destete podría ser un método adecuado para detectar el inicio del celo en estas cerdas. La precisión del entrenamiento y la prueba de este método de detección del celo fue del 97,9 ± 1,4 % y del 95,2 ± 4,8 %. Sin embargo, se requiere una mayor validación en condiciones reales de alojamiento en grupo.
Ziteng Xu, Jianfeng Zhou, Corinne Bromfield, Teng Teeh Lim, Timothy J. Safranski, Zheng Yan, Jeffrey G. Wiegert. Automated oestrous detection in sows using a robotic imaging system. Biosystems Engineering. 2024; 244: 134-145. https://doi.org/10.1016/j.biosystemseng.2024.05.018.