Visión por Computadora en el ámbito de control productivo y sanidad en Animales de Granja

Autores/as

  • Jeidy Katherine Reyes Zambrano Universidad Técnica de Manabí, Facultad de Ciencias Informáticas, Departamento de Sistemas Computacionales, Portoviejo, Manabi, Ecuador. https://orcid.org/0009-0000-5203-9212
  • María Genoveva Moreira Santos Universidad Técnica de Manabí, Facultad de Ciencias Informáticas, Departamento de Sistemas Computacionales, Portoviejo, Manabi, Ecuador. https://orcid.org/0000-0003-3216-9831

DOI:

https://doi.org/10.33936/isrtic.v9i1.7156

Palabras clave:

Visión por computadora, granja, animales, bienestar, salud

Resumen

En los últimos años, las tecnologías de visión por computadora han ganado popularidad en el ámbito agrícola; sin embargo, el enfoque en animales está en desarrollo debido a los desafíos que implica su integración. Esta investigación se realiza con el objetivo de estudiar el uso de tecnologías de visión por computadora para el manejo productivo y sanitario de animales de granja, para ello se utilizó la metodología “Systematic Literature Review” propuesta por Kitchenham & Charters, la cual consiste en realizar una búsqueda exhaustiva a través de bases de datos científicas, para este estudio se utilizó Scopus, IEEE Xplore, ScienceDirect y Google Scholar siguiendo criterios específicos de inclusión y exclusión. El proceso incluye la formulación de preguntas de investigación, la identificación de palabras claves relevantes y la evaluación de la calidad de los estudios seleccionados. A través de este proceso, se garantiza un análisis exhaustivo y riguroso de la literatura existente, logrando obtener resultados precisos y relevantes con la finalidad de estudiar diversos problemas con animales de granja tales como pollos, cerdos y ganado, que producen materia prima para el sustento y negocios de familias en sectores rurales. Tareas como la identificación, y rastreo de animales es posible gracias a herramientas como YOLOv, CNN, técnicas de segmentación, colorimetría, imágenes 2D, 3D, y cámaras que sirven como entrada de datos que se convierten en información procesada para el análisis y toma de decisiones inteligentes. Estas herramientas son útiles en prácticas con distintos propósitos que engloban el bienestar, la sanidad y la productividad de los animales. Además, esta investigación recomienda herramientas que podrían competir o superar las soluciones actuales, aportando a la ganadería de precisión en la mejora continua del uso tecnológico y su relación con el agricultor.

Descargas

La descarga de datos todavía no está disponible.

Citas

Abd Aziz, N. S. N., Mohd Daud, S., Dziyauddin, R. A., Adam, M. Z., & Azizan, A. (2021). A Review on Computer Vision Technology for Monitoring Poultry Farm - Application, Hardware, and Software. In IEEE Access (Vol. 9, pp. 12431–12445). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ACCESS.2020.304781826

Allueva Molina, Q., Ko, H. L., Gómez, Y., Manteca, X., & Llonch, P. (2023b). Comparative study between scan sampling behavioral observations and an automatic monitoring image system on a commercial fattening pig farm. Frontiers in Animal Science, 4, 1248972. https://doi.org/10.3389/fanim.2023.1248972

Allueva Molina, Q., Ko, H. L., Gómez, Y., Manteca, X., & Llonch, P. (2023a). Comparative study between scan sampling behavioral observations and an automatic monitoring image system on a commercial fattening pig farm. Frontiers in Animal Science, 4, 1248972. https://doi.org/10.3389/FANIM.2023.1248972/BIBTEX

Almadani, I., Ramos, B., Abuhussein, M., & Robinson, A. L. (2024). Advanced Swine Management: Infrared Imaging for Precise Localization of Reproductive Organs in Livestock Monitoring. Digital, 4(2), 446–460. https://doi.org/10.3390/digital4020022

Alsahaf, A., Azzopardi, G., Ducro, B., Hanenberg, E., Veerkamp, R. F., & Petkov, N. (2019). Estimation of Muscle Scores of Live Pigs Using a Kinect Camera. IEEE Access, 7, 52238–52245. https://doi.org/10.1109/ACCESS.2019.2910986

Atkinson, G. A., Smith, L. N., Smith, M. L., Reynolds, C. K., Humphries, D. J., Moorby, J. M., Leemans, D. K., & Kingston-Smith, A. H. (2020). A computer vision approach to improving cattle digestive health by the monitoring of faecal samples (google translator, Trans.). Scientific Reports, 10(1), 1–12. https://doi.org/10.1038/s41598-020-74511-0

Bergman, N., Yitzhaky, Y., & Halachmi, I. (2024). Biometric identification of dairy cows via real-time facial recognition. Animal, 18(3), 101079. https://doi.org/10.1016/j.animal.2024.101079

Bery, S., Brown-Brandl, T. M., Jones, B. T., Rohrer, G. A., & Sharma, S. R. (2023). Determining the Presence and Size of Shoulder Lesions in Sows Using Computer Vision. Animals, 14(1), 131. https://doi.org/10.3390/ANI14010131

Bhuiyan, M. R., & Wree, P. (2023). Animal Behavior for Chicken Identification and Monitoring the Health Condition Using Computer Vision: A Systematic Review (google translator, Trans.). IEEE Access, 11, 126601–126610. https://doi.org/10.1109/ACCESS.2023.3331092

Braithwaite, I., Blanke, M., Zhang, G. Q., & Carstensen, J. M. (2005). Design of a vision-based sensor for autonomous pig house cleaning (google translate, Trans.). Eurasip Journal on Applied Signal Processing, 2005(13), 2005–2017. https://doi.org/10.1155/ASP.2005.2005/METRICS

Caffarini, J. G., Bresolin, T., & Dorea, J. R. R. (2022). Predicting ribeye area and circularity in live calves through 3D image analyses of body surface. Journal of Animal Science, 100(9), skac242. https://doi.org/10.1093/jas/skac242

Cakic, S., Popovic, T., Krco, S., Nedic, D., Babic, D., & Jovovic, I. (2023). Developing Edge AI Computer Vision for Smart Poultry Farms Using Deep Learning and HPC. Sensors, 23(6), 3002. https://doi.org/10.3390/S23063002

Chae, J. W., Sim, H. S., Lee, C. W., Choi, C. S., & Cho, H. C. (2024). Video-Based Analysis of Cattle Behaviors: Improved Classification Using FlowEQ Transform (google translator, Trans.). IEEE Access, 12, 42860–42867. https://doi.org/10.1109/ACCESS.2024.3379277

Chakraborty, S., Karthik, K., & Banik, S. (2021). Graph Synthesis for Pig Breed Classification from Muzzle Images. IEEE Access, 9, 127240–127258. https://doi.org/10.1109/ACCESS.2021.3111957

Chen, C. P. J., Morota, G., Lee, K., Zhang, Z., & Cheng, H. (2022a). VTag: a semi-supervised pipeline for tracking pig activity with a single top-view camera (google translator, Trans.). Journal of Animal Science, 100(6), 1–10. https://doi.org/10.1093/jas/skac147

Chen, C. P. J., Morota, G., Lee, K., Zhang, Z., & Cheng, H. (2022b). VTag: a semi-supervised pipeline for tracking pig activity with a single top-view camera. Journal of Animal Science, 100(6), 1–10. https://doi.org/10.1093/jas/skac147

Dos Santos, C. A., Landim, N. M. D., de Araújo, H. X., & Paim, T. D. P. (2022). Automated Systems for Estrous and Calving Detection in Dairy Cattle. AgriEngineering, 4(2), 475–482. https://doi.org/10.3390/AGRIENGINEERING4020031

Fang, C., Zheng, H., Yang, J., Deng, H., & Zhang, T. (2022). Study on Poultry Pose Estimation Based on Multi-Parts Detection. Animals, 12(10). https://doi.org/10.3390/ani12101322

Feng, W., Wang, K., & Zhou, S. (2023). An Efficient Neural Network for Pig Counting and Localization by Density Map Estimation. IEEE Access, 11, 81079–81091. https://doi.org/10.1109/ACCESS.2023.3297141

Fernandes, A. F. A., Dórea, J. R. R., & Rosa, G. J. de M. (2020). Image Analysis and Computer Vision Applications in Animal Sciences: An Overview. Frontiers in Veterinary Science, 7, 551269. https://doi.org/10.3389/FVETS.2020.551269/BIBTEX

Ferri, F., Yepez, J., Ahadi, M., Wang, Y., Ko, R., Seddon, Y. M., & Ko, S. B. (2024). Enhancing welfare assessment: Automated detection and imaging of dorsal and lateral views of swine carcasses for identification of welfare indicators. Computers and Electronics in Agriculture, 222, 109058. https://doi.org/10.1016/j.compag.2024.109058

Fuentes, S., Viejo, C. G., Chauhan, S. S., Joy, A., Tongson, E., & Dunshea, F. R. (2020). Non-invasive sheep biometrics obtained by computer vision algorithms and machine learning modeling using integrated visible/infrared thermal cameras. Sensors (Switzerland), 20(21), 1–18. https://doi.org/10.3390/s20216334

Guo, Y., Aggrey, S. E., Wang, P., Oladeinde, A., & Chai, L. (2022). Monitoring Behaviors of Broiler Chickens at Different Ages with Deep Learning. Animals, 12(23), 3390. https://doi.org/10.3390/ani12233390

Hansen, M. F., Baxter, E. M., Rutherford, K. M. D., Futro, A., Smith, M. L., & Smith, L. N. (2021). Towards Facial Expression Recognition for On-Farm Welfare Assessment in Pigs. Agriculture, 11(9), 847. https://doi.org/10.3390/AGRICULTURE11090847

Hayden, M. A., Barim, M. S., Weaver, D. L., Elliott, K. C., Flynn, M. A., & Lincoln, J. M. (2022). Occupational Safety and Health with Technological Developments in Livestock Farms: A Literature Review. International Journal of Environmental Research and Public Health, 19(24), 16440. https://doi.org/10.3390/IJERPH192416440

Hervy Paternina Pedroza, José Linares Morales, & Katherine Hernández Ayala. (2019). Transferencia de tecnología y conocimientos en el sector explotador de bovinos. Google Scholar, 4(1), 11. https://doi.org/10.25214/27114406.936

Jorquera-Chavez, M., Fuentes, S., Dunshea, F. R., Warner, R. D., Poblete, T., & Jongman, E. C. (2019). Modelling and validation of computer vision techniques to assess heart rate, eye temperature, ear-base temperature and respiration rate in cattle (google translator, Trans.). Animals, 9(12), 18. https://doi.org/10.3390/ani9121089

Juárez, R. J. (2023). Ganadería de precisión, una revisión a los avances dentro de la avicultura enfocados a la crianza de pollos de engorde. Prisma Tecnológico, 14(1), 38–48. https://doi.org/10.33412/pri.v14.1.3652

Kim, J., Suh, Y., Lee, J., Chae, H., Ahn, H., Chung, Y., & Park, D. (2022). EmbeddedPigCount: Pig Counting with Video Object Detection and Tracking on an Embedded Board (google translators, Trans.). Sensors, 22(7), 1–17. https://doi.org/10.3390/s22072689

Lee, S., Ahn, H., Seo, J., Chung, Y., Park, D., & Pan, S. (2019). Practical Monitoring of Undergrown Pigs for IoT-Based Large-Scale Smart Farm (google translator, Trans.). IEEE Access, 7, 173796–173810. https://doi.org/10.1109/ACCESS.2019.2955761

Lei, K., Zong, C., Du, X., Teng, G., & Feng, F. (2021). Oestrus Analysis of Sows Based on Bionic Boars and Machine Vision Technology. Animals, 11(6), 1485. https://doi.org/10.3390/ANI11061485

Li, K., Teng, G., Wang, J., Zhang, Y., Gao, L., & Feng, H. (2024). Body Condition Scoring of Dairy Cows Based on Feature Point Location. IEEE Access, 12, 5270–5283. https://doi.org/10.1109/ACCESS.2023.3349320

Li, G., Huang, Y., Chen, Z., Chesser, G. D., Purswell, J. L., Linhoss, J., & Zhao, Y. (2021). Practices and applications of convolutional neural network-based computer vision systems in animal farming: A review. Sensors, 21(4), 1–42. https://doi.org/10.3390/s21041492

Marcos Darío Aranda. (2022, October 3). Vista de Aprendizaje Automático aplicado a la calidad del desarrollo en la ganadería de precisión. AKAJea. https://doi.org/10.33414/ajea.1040.2022

Morota, G., Ventura, R. V., Silva, F. F., Koyama, M., & Fernando, S. C. (2018). Big data analytics and precision animal agriculture symposium: Machine learning and data mining advance predictive big data analysis in precision animal agriculture. Journal of Animal Science, 96(4), 1540–1550. https://doi.org/10.1093/jas/sky014

Na, M. H., Cho, W. H., Kim, S. K., & Na, I. S. (2022). Automatic Weight Prediction System for Korean Cattle Using Bayesian Ridge Algorithm on RGB-D Image. Electronics, 11(10), 1–22. https://doi.org/10.3390/electronics11101663

Nakrosis, A., Paulauskaite-Taraseviciene, A., Raudonis, V., Narusis, I., Gruzauskas, V., Gruzauskas, R., & Lagzdinyte-Budnike, I. (2023). Towards Early Poultry Health Prediction through Non-Invasive and Computer Vision-Based Dropping Classification. Animals, 13(19), 1. https://doi.org/10.3390/ani13193041

Odo, A., Muns, R., Boyle, L., & Kyriazakis, I. (2023). Video Analysis Using Deep Learning for Automated Quantification of Ear Biting in Pigs (google translator, Trans.). IEEE Access, 11, 59744–59757. https://doi.org/10.1109/ACCESS.2023.3285144

Paudel, S., de Sousa, R. V., Sharma, S. R., & Brown-Brandl, T. (2023). Deep Learning Models to Predict Finishing Pig Weight Using Point Clouds. Animals, 14(1), 31. https://doi.org/10.3390/ANI14010031

Pretto, A., Savio, G., Gottardo, F., Uccheddu, F., & Concheri, G. (2024). A novel low-cost visual ear tag based identification system for precision beef cattle livestock farming (google translator, Trans.). Information Processing in Agriculture, 11(1), 117–126. https://doi.org/10.1016/j.inpa.2022.10.003

Pu, J., Yu, C., Chen, X., Zhang, Y., Yang, X., & Li, J. (2022). Research on Chengdu Ma Goat Recognition Based on Computer Vison (google translation, Trans.). Animals, 12(14), 1746. https://doi.org/10.3390/ANI12141746

Sharma, A., Jain, A., Gupta, P., & Chowdary, V. (2021). Machine Learning Applications for Precision Agriculture: A Comprehensive Review (google translator, Trans.). IEEE Access, 9, 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415

Unal, Z. (2020). Smart Farming Becomes even Smarter with Deep Learning - A Bibliographical Analysis (Google Translator, Trans.). IEEE Access, 8, 105587–105609. https://doi.org/10.1109/ACCESS.2020.3000175

Urquilla Castaneda, A., Matías Delgado, J., Salvador, E., & Gavidia, F. (2023). ¿Será la Agricultura 4.0 la solución al hambre global? Will Agriculture 4.0 be the solution to global hunger? CENtroAmériCA. rEviStA SEmEStrAl ENEro-JuNio, 23. https://doi.org/10.5377/ryr.v1i57.16696

Wurtz, K., Camerlink, I., D’Eath, R. B., Fernández, A. P., Norton, T., Steibel, J., & Siegford, J. (2019). Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review (español, Trans.). PLoS ONE, 14(12), 1–35. https://doi.org/10.1371/journal.pone.0226669

Yao, Y., Yu, H., Mu, J., Li, J., & Pu, H. (2020). Estimation of the Gender Ratio of Chickens Based on Computer Vision: Dataset and Exploration. Entropy, 22(7), 719. https://doi.org/10.3390/E22070719

You, M., Liu, J., Zhang, J., Xv, M., & He, D. (2020). A novel chicken meat quality evaluation method based on color card localization and color correction (google translator, Trans.). IEEE Access, 8, 170093–170100. https://doi.org/10.1109/ACCESS.2020.2989439

Zhang, W., Wang, Y., Guo, L., Falzon, G., Kwan, P., Jin, Z., Li, Y., & Wang, W. (2024). Analysis and Comparison of New-Born Calf Standing and Lying Time Based on Deep Learning (google translator, Trans.). Animals, 14(9), 1–15. https://doi.org/10.3390/ani14091324

Zu, L., Chu, X., Wang, Q., Ju, Y., & Zhang, M. (2023). Joint Feature Target Detection Algorithm of Beak State Based on YOLOv5 (google translator, Trans.). IEEE Access, 11, 64458–64467. https://doi.org/10.1109/ACCESS.2023.327543229

Descargas

Publicado

2025-01-02

Cómo citar

[1]
Reyes Zambrano, J.K. y Moreira Santos, M.G. 2025. Visión por Computadora en el ámbito de control productivo y sanidad en Animales de Granja. Informática y Sistemas. 9, 1 (ene. 2025), 16–29. DOI:https://doi.org/10.33936/isrtic.v9i1.7156.

Número

Vol. 9 Núm. 1: Enero- Junio (2025)

Sección

Artículos regulares

Licencia

Derechos de autor 2025 Jeidy Katherine Reyes Zambrano, María Genoveva Moreira Santos

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)

Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.