Resumen Técnico: De la observación manual al monitoreo automatizado del comportamiento de juego en terneros de producción láctea alojados en grupo

Planteamiento del problema

El bienestar animal en la producción láctea moderna se define cada vez más por la capacidad de facilitar estados emocionales positivos y comportamientos típicos de la especie, como el juego. Si bien el juego sirve como un indicador robusto del bienestar positivo, su relación con el espacio disponible bajo condiciones comerciales permanece insuficientemente caracterizada, particularmente en densidades intermedias a altas (6–20 m² por ternero). La legislación actual de la Unión Europea exige un mínimo de 1.5–1.8 m², mientras que las recomendaciones recientes de la EFSA sugieren 20 m² para una expresión completa del juego locomotor; sin embargo, los datos empíricos que cierren esta brecha son escasos. Además, el monitoreo sistemático del juego en granjas comerciales se ve obstaculizado por la intensidad de mano de obra, el sesgo del observador y la falta de escalabilidad inherente al análisis de video manual. Los enfoques basados en sensores existentes (por ejemplo, acelerómetros) carecen de la especificidad para distinguir el juego de otras actividades y no proporcionan contexto espacial.

Metodología

Diseño del estudio y recolección de datos

El estudio investigó 60 terneros de producción láctea alojados en grupo en 14 granjas comerciales en los Países Bajos. Las asignaciones de espacio variaron de 2.66 a 17.98 m² por ternero. La recolección de datos ocurrió durante períodos de una semana por granja (junio 2024 – mayo 2025), involucrando la grabación continua de video (06:00–23:00) mediante cámaras Bascom montadas en el techo o en los laterales.

• Creación de la Verdad de Campo (Ground Truth): Siete observadores entrenados anotaron manualmente las grabaciones de video utilizando el software Observer XT. Un etograma detallado categorizó el juego en locomotor, social, de objetos y de paja. Las observaciones se registraron con una resolución de 0.1 segundos, centrándose en el segundo día de cada visita para minimizar el efecto del observador.
• Covariables: Los datos incluyeron demografía de los terneros (edad, peso, raza), estado de salud (categorizado por severidad de síntomas), ingesta de leche, tamaño del grupo y calidad de la cama. Se excluyeron los terneros con enfermedades graves.

Desarrollo del Pipeline de Visión Computacional

Para permitir un monitoreo escalable, se desarrolló un pipeline que integra tres modelos fundacionales de vanguardia:

1. Detección de Objetos: YOLOv12 (preentrenado en COCO) detectó los cuadros delimitadores (bounding boxes) de los terneros.
2. Segmentación y Seguimiento: SAM2 generó máscaras de segmentación y rastreó a los individuos a través de los fotogramas utilizando memoria de video.
3. Extracción de Características: DinoV2 (un transformador de visión preentrenado mediante aprendizaje autosupervisado en 142 millones de imágenes) extrajo embeddings visuales de 1024 dimensiones a partir de imágenes recortadas de los terneros.
4. Integración de Metadatos: Las anotaciones manuales se alinearon temporalmente con los fotogramas de video mediante Reconocimiento Óptico de Caracteres (OCR) para extraer marcas de tiempo de las superposiciones en pantalla.
5. Clasificación: Se entrenó un clasificador de Perceptrón Multicapa (MLP) sobre los embeddings de DinoV2 para predecir clases de comportamiento (Juego Activo, Juego No Activo, No Juego). El conjunto de datos se estratificó para abordar el desequilibrio de clases, resultando en un conjunto de entrenamiento equilibrado de aproximadamente 22,800 muestras.

Análisis Estadístico

Se emplearon modelos lineales mixtos para analizar la relación entre la asignación de espacio y la duración del juego (expresada como porcentaje del período de observación, %OP), incluyendo la granja como un efecto aleatorio. Los modelos multivariables controlaron la edad, la salud, la ingesta de leche y la calidad de la cama y el tamaño del grupo.

Resultados Clave

Asignación de Espacio y Comportamiento de Juego

• Juego General: Los terneros pasaron un promedio del 1.0% del período de observación jugando (aproximadamente 10 minutos por un día de 17 horas). El juego social constituyó la mayor parte del tiempo de juego (55% del tiempo total), seguido del locomotor (26%), de objetos (15%) y de paja (2%).
• Relación No Lineal: Se encontró una relación significativa y no lineal entre la asignación de espacio y la duración total del juego ($P < 0.01$).
  • Rendimiento Máximo: Los niveles más altos de juego ocurrieron a 8–10 m² por ternero (1.59% OP, ~16 minutos/día).
  • Puntos Bajos: El juego fue menor a 6–8 m² y 12–14 m² (<0.6% OP).
  • Meseta: A 16–18 m², los niveles de juego (1.29% OP) no superaron significativamente a los de 8–10 m², lo que sugiere un efecto de meseta en lugar de un aumento lineal.
• Especificidad de Subtipos: La asignación de espacio predijo significativamente la duración del juego social ($P < 0.05$), con picos a 8–10 m² y 16–18 m². No se encontró un efecto significativo para el juego de objetos, y el efecto sobre el juego locomotor fue menos pronunciado que sobre el juego total.

Desempeño del Monitoreo Automatizado

• Precisión de Clasificación: El clasificador MLP alcanzó una precisión general del 97.6% en el conjunto de prueba reservado.
• Recall para Juego Activo: El modelo demostró un recall del 99.4% para la detección de juego activo, lo que indica una tasa muy baja de falsos negativos, algo crítico para el monitoreo del bienestar.
• Precisión (Precision): La precisión para el juego activo fue de 0.96.
• Eficiencia del Pipeline: Procesar 90,000 fotogramas (5 horas de video) requirió aproximadamente 35 horas de tiempo de cómputo en un clúster de Databricks (relación de procesamiento-video de 7:1). El sistema procesó con éxito 108 horas de metraje de 6 granjas para el entrenamiento.

Desafíos Técnicos Identificados

El estudio destacó desafíos específicos de implementación en entornos comerciales:

• Ángulos de Cámara: Las cámaras cenitales (desde arriba) proporcionaron una mayor estabilidad de seguimiento (100% de éxito de fotogramas) pero sufrieron de bajas tasas de detección inicial (25%) debido al cambio de dominio respecto a los datos de entrenamiento a la altura de los ojos. Las cámaras laterales tuvieron mayores tasas de detección pero menor estabilidad de seguimiento debido a las oclusiones.
• Alucinación de Objetos Blancos: SAM2 exhibió una "alucinación de objeto blanco", donde los terneros blancos sobre la cama de paja blanca causaron que las máscaras de segmentación se filtraran hacia el fondo, provocando fallos en el seguimiento.
• Alineación Temporal: Las tasas de éxito de OCR para la extracción de marcas de tiempo variaron ampliamente (3% a 99.8%) dependiendo del contraste de la fuente y la calidad de renderizado, afectando la alineación de la verdad de campo con los fotogramas de video.

Contribuciones Clave y Significado

1. Evidencia Empírica para Estándares de Espacio:
El estudio proporciona la primera caracterización exhaustiva de la relación espacio-juego a través de un amplio gradiente (2.7–18 m²) bajo condiciones comerciales. Desafía la suposición de que más espacio equivale linealmente a más juego, identificando 8–10 m² por ternero como un objetivo práctico que maximiza el comportamiento de juego. Este hallazgo sugiere que los mínimos actuales de la UE (1.5–1.8 m²) son inadecuados, mientras que la recomendación de la EFSA de 20 m² puede exceder el umbral donde el espacio es el factor limitante principal para el juego.

2. Monitoreo Automatizado Escalable:
La investigación demuestra que los pipelines de visión computacional que utilizan modelos fundacionales (YOLOv12, SAM2, DinoV2) pueden escalar proyectos de anotación manual pequeños (108 horas) en sistemas de evaluación de bienestar objetivos y continuos. El sistema logra una alta fidelidad (97.6% de precisión) con un entrenamiento específico de la tarea mínimo, superando las limitaciones de escalabilidad de la observación manual.

3. Guías de Implementación Práctica:
El documento ofrece recomendaciones basadas en evidencia para el despliegue de monitoreo automatizado, enfatizando los compromisos entre los ángulos de montaje de la cámara (cenital para estabilidad vs. lateral para detección) y la necesidad de superposiciones de marcas de tiempo de alto contraste para la alineación temporal.

4. Declaraciones Modestas sobre Causalidad:
Los autores reconocen explícitamente la naturaleza observacional del estudio, señalando que, aunque los modelos estadísticos controlaron los factores de confusión medidos, otros factores a nivel de granja no medidos (por ejemplo, estilo de gestión, enriquecimiento) pueden influir en los resultados. El estudio no pretende probar la causalidad, sino que proporciona datos de alta validez ecológica para informar los estándares de bienestar y futuros ensayos aleatorizados.

En resumen, este trabajo une la ciencia del comportamiento animal con la innovación tecnológica, ofreciendo un método validado para monitorear indicadores de bienestar positivo a escala y proporcionando una guía basada en datos para optimizar el espacio de alojamiento para mejorar el bienestar de los terneros.