0
La detección precisa del celo en cerdas es fundamental para conseguir un elevado índice de partos y mantener un buen rendimiento reproductivo. El método convencional de detección del celo utiliza una prueba de presión en la espalda realizada por operarios, que requiere mucho tiempo y trabajo. El objetivo de este estudio fue desarrollar un método automatizado de detección del celo mediante la monitorización del cambio en la hinchazón de la vulva alrededor del celo usando una cámara LiDAR. Un total de siete cerdas multíparas alojadas individualmente y una primeriza fueron monitorizadas una vez al día durante 19 días consecutivos, empezando 2 días antes de que dejaran de recibir altrenogest. Se consiguió manualmente una nube de puntos tridimensional (3D) de la región vulvar usando la cámara LiDAR a 0,7 - 1,0 m del lomo de las cerdas. La precisión de la cámara LiDAR se examinó en un laboratorio antes de tomar imágenes de las cerdas.
Los resultados mostraron que el error de medición en profundidad fue de 3,4 ± 3,0 mm (media ± desviación estándar). Los datos recogidos de la nube de puntos de las cerdas se procesaron mediante un algoritmo personalizado para crear modelos 3D de la región vulvar, separándolos del cuerpo de la cerda. Se extrajeron cinco características 2D y 3D de los modelos 3D para describir el tamaño de la vulva. El análisis de regresión lineal mostró que el volumen calculado (anchura × longitud × altura) podía representar el volumen de la vulva. Los resultados también mostraron que el volumen de la vulva era un indicador fiable del celo. La duración y la intensidad de la hinchazón mostraron grandes variaciones entre las distintas cerdas. Este estudio también indica que las cerdas con mayor volumen de vulva tuvieron un menor porcentaje de aumento alrededor del celo.
Los resultados sugieren que la cámara LiDAR tiene potencial como herramienta no invasiva para ayudar a identificar el celo de la cerda.
Xu Z, Sullivan R, Zhou J, Bromfield C, Lim TT, Safranski TJ, Yan Z. Detecting sow vulva size change around estrus using machine vision technology. Smart Agricultural Technology, 2023; 3: 100090. https://doi.org/10.1016/j.atech.2022.100090.