📄 agricultura

Multi-Species Egg Morphometry and Weight Prediction Using Computer Vision

Este estudio demuestra que un sistema de visión artificial que utiliza imágenes de teléfonos inteligentes y aprendizaje automático, específicamente YOLO11x-OBB para la detección y regresión de Ridge para la predicción, puede medir con precisión las dimensiones de los huevos y predecir el peso de huevos tanto de gallina como de ganso con alta precisión.

Autores originales: Henna Hamadani, Ambreen Hamadani, Pakcha H Boje, Amelia Moyon, Maliha Gulzar, A A Khan, R Kumar

Publicado 2026-09-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Henna Hamadani, Ambreen Hamadani, Pakcha H Boje, Amelia Moyon, Maliha Gulzar, A A Khan, R Kumar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el bullicioso mundo de la avicultura, el huevo es más que un simple elemento básico del desayuno; es un indicador biológico preciso. Para los criadores y los gestores de incubadoras, el tamaño y el peso de un huevo cuentan una historia sobre la salud de la gallina, la calidad del linaje y el éxito potencial de la siguiente generación. Tradicionalmente, la recopilación de esta información ha sido una tarea lenta y laboriosa. Los trabajadores deben recoger cada huevo, medir su longitud y anchura con calibres y pesarlo en una báscula. Este proceso manual no solo consume mucho tiempo, sino que también es propenso al error humano y a la fatiga, creando un cuello de botella en industrias que dependen de la velocidad y la consistencia.

El desafío reside en la forma única del huevo. No es una esfera perfecta ni un cilindón simple; es una curva tridimensional asimétrica que varía de una especie a otra. Capturar esta compleja forma utilizando una cámara bidimensional plana ha sido difícil durante mucho tiempo, requiriendo a menudo escáneres 3D especializados o sistemas láser costosos que son demasiado caros para el uso diario. Sin embargo, el rápido avance de la inteligencia artificial y la visión por computadora ha abierto una nueva puerta. Estas tecnologías permiten que las máquinas "vean" e interpreten imágenes con un nivel de detalle que rivaliza con la observación humana, ofreciendo la promesa de una forma automatizada y sin contacto para medir estos objetos frágiles sin siquiera tocarlos.

Un equipo de investigadores de la Universidad de Ciencias Agrícolas y Tecnologías de la Agricultura de Sher-e-Kashmir de Cachemira se propuso probar si un simple teléfono inteligente podría reemplazar al calibre y a la báscula. Se centraron en dos tipos distintos de aves: la familiar gallina y el más grande ganso. Su objetivo era construir un sistema que pudiera fotografiar un huevo, calcular automáticamente sus dimensiones y predecir su peso con alta precisión, todo ello sin necesidad de hardware costoso. Recopilaron una colección de 661 huevos, incluyendo 504 huevos de gallina y 157 huevos de ganso, y fotografiaron cada uno utilizando la cámara de un teléfono estándar. Para asegurar que las mediciones digitales fueran precisas, colocaron un cuaderno con dimensiones conocidas junto a cada huevo, sirviendo como una regla visual para que la computadora tuviera como referencia.

Los investigadores entrenaron un programa informático sofisticado, un tipo de inteligencia artificial conocida como detector, para reconocer los huevos y el cuaderno de referencia en las fotos. Este programa fue diseñado para dibujar un cuadro angulado preciso alrededor de cada objeto, una técnica que tiene en cuenta el hecho de que los huevos rara vez se colocan perfectamente rectos en una foto. Una vez que el programa identificó los objetos, midió su longitud y anchura en píxeles y convirtió esos números en centímetros del mundo real utilizando el cuaderno como guía. Para asegurar que las mediciones de la computadora fueran confiables, el equipo las comparó con las mediciones reales tomadas a mano con calibres. Descubrieron que, si bien la computadora era muy buena encontrando los huevos, sus mediciones iniciales eran ligeramente erróneas debido a la forma en que la cámara capturaba la imagen. Al crear ajustes matemáticos específicos para las gallinas y otro conjunto para los gansos, pudieron corregir estos pequeños errores.

Los resultados fueron sorprendentes. El sistema de visión por computadora identificó con éxito cada uno de los huevos en las imágenes de prueba, logrando una tasa de detección casi perfecta. Tras aplicar las correcciones específicas para cada especie de ave, las mediciones de la longitud del huevo realizadas por la computadora se volvieron increíblemente cercanas a las mediciones manuales. Para los huevos de gallina, la diferencia promedio entre la lectura de la computadora y la lectura humana fue de menos de un milímetro. Para los huevos de ganso, la diferencia fue ligeramente mayor, pero aun así muy pequeña. El sistema utilizó entonces estas mediciones corregidas para adivinar el peso de los huevos. Para los huevos de gallina, las predicciones de peso de la computadora fueron notablemente precisas, igualando el peso real con un nivel de precisión que rivaliza con los mejores métodos manuales. Para los huevos de ganso, las predicciones fueron menos precisas, probablemente debido a que el conjunto de datos para los gansos era más pequeño y la forma más ancha de los huevos era más difícil de capturar con precisión mediante una sola foto plana.

Este estudio demuestra que la combinación de un teléfono inteligente, un objeto de referencia simple y un software inteligente puede medir y pesar huevos eficazmente sin contacto físico. Los investigadores descubrieron que, si bien un enfoque de "talla única" no funciona bien para diferentes especies, adaptar el sistema al tipo específico de ave lo hace altamente efectivo. Las predicciones de peso más precisas para los huevos de gallina provinieron de un modelo que consideraba la longitud, la anchura y la forma del huevo juntas, en lugar de solo mirar los números de forma aislada. Este enfoque sugiere que la industria avícola podría adoptar un sistema de clasificación automatizado y de bajo costo que sea más rápido y menos estresante para las aves que los métodos manuales actuales. Aunque la tecnología funcionó mejor con las gallinas, los investigadores señalaron que se necesitaría más trabajo con conjuntos de datos más grandes para perfeccionar el sistema para los gansos y otras especies. En última instancia, este trabajo demuestra que la precisión de alta tecnología no siempre requiere equipos costosos; a veces, solo requiere una imagen clara y la forma correcta de mirar.

Resumen Técnico: Morfometría de Huevos Multiespecie y Predicción de Peso mediante Visión Artificial

Planteamiento del Problema
El tamaño y el peso de los huevos son métricas críticas para la industria avícola, ya que sirven como indicadores para la selección de cría, la gestión de incubadoras y la clasificación de calidad. Los métodos de medición tradicionales dependen de calibradores manuales y balanzas, los cuales requieren mucha mano de obra, son lentos y propensos al error humano. Si bien la visión artificial ofrece una alternativa no invasiva, persisten desafíos significativos: los huevos poseen una forma ovoide asimétrica y tridimensional que es difícil de capturar con precisión mediante imágenes 2D, y existe una falta de investigación que valide la precisión de las mediciones morfométricas derivadas de imágenes frente a los estándares manuales en diferentes especies de aves. Además, la transferibilidad de los modelos morfométricos entre especies (por ejemplo, pollo frente a ganso) sigue sin explorarse ampliamente.

Metodología
Este estudio utilizó un sistema de obtención de imágenes basado en un teléfono inteligente combinado con aprendizaje profundo para automatizar la detección, medición y predicción de peso de los huevos.

Conjunto de Datos: Se fotografiaron un total de 661 huevos (504 de pollo, 157 de ganso) utilizando la cámara de un teléfono inteligente. Cada imagen incluía un objeto de referencia (un cuaderno con dimensiones conocidas de 21.1 cm × 16.0 cm) para la calibración de la escala. El conjunto de datos fue estratificado y dividido en conjuntos de entrenamiento (69.9%), validación (15.0%) y prueba (15.1%).
Modelo de Detección: Los autores emplearon YOLO11x con Cajas Delimitadoras Orientadas (OBB) para detectar tanto los huevos como el objeto de referencia. El modelo fue entrenado en imágenes de 416 × 416 píxeles durante hasta 400 épocas.
Cálculo de Dimensiones: Un procedimiento de múltiples pasos convirtió las coordenadas de las OBB basadas en píxeles a centímetros del mundo real. Esto implicó el cálculo de un factor de escala basado en el objeto de referencia y la aplicación de factores de corrección específicos (longitud: -0.058 cm; anchura: -1.641 cm) para minimizar los errores sistemáticos.
Calibración: Para abordar el sesgo sistemático, se ajustaron calibraciones lineales específicas por especie utilizando predicciones fuera de la muestra (OOF) de 5 pliegues. El modelo de calibración tomó la forma: manual = a · cv_raw + b.
Predicción de Peso: El peso del huevo se predijo utilizando tres enfoques de modelado basados en la longitud (L) y la anchura (W):
1. Regresión lineal de mínimos cuadrados ordinarios.
2. Modelos de ley de potencia log-lineales.
3. Regresión Ridge (RidgeCV) sobre un conjunto de características expandido que incluye L, W, L·W, L², W², índice de forma (L/W), un proxy de volumen de elipsoide prolato, y L³.
Métricas de Evaluación: El rendimiento se evaluó utilizando el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE), la correlación de Pearson, el análisis de Bland–Altman (sesgo y límites de concordancia) y los valores de $R^2$ fuera de la muestra (out-of-fold).

Resultos Clave

Rendimiento de la Detección: El modelo YOLO11x-OBB logró métricas de detección excepcionales, con una precisión del 99.93%, una recuperación (recall) del 100% y un mAP@0.5 del 99.50% en el conjunto de prueba.
Precisión Morfométrica:
- Mediciones Brutas: Antes de la calibración, las mediciones de visión artificial (CV) mostraron un mayor error para los huevos de ganso en comparación con los de pollo, particularmente en la estimación de la anchura. Esto se atribuyó al menor tamaño del conjunto de datos de ganso y a la menor representación de píxeles efectivos en las imágenes de ganso.
- Impacto de la Calibración: La calibración específica por especie redujo significativamente el sesgo sistemático. Para los huevos de pollo, el MAE de la longitud descendió de 0.662 cm (bruto) a 0.088 cm (calibrado). Para los huevos de ganso, el MAE de la longitud mejoró de 1.491 cm a 0.283 cm. Sin embargo, la calibración de la anchura para los huevos de ganso no mejoró significativamente la correlación, la cual se mantuvo baja.
Predicción de Peso:
- Huevos de Pollo: La regresión Ridge sobre las dimensiones de CV calibradas alcanzó un $R^2$ fuera de la muestra de 0.929 con un MAE de 2.21 g. Los modelos entrenados con dimensiones manuales funcionaron ligeramente mejor ( $R^2$ = 0.962, MAE = 1.41 g).
- Huevos de Ganso: La predicción de peso fue menos precisa. La regresión Ridge sobre dimensiones manuales produjo un $R^2$ de 0.816 (MAE 4.52 g), mientras que las dimensiones de CV calibradas resultaron en un $R^2$ de 0.436 (MAE 9.29 g). Los autores señalan que el bajo rendimiento para los huevos de ganso está vinculado a las limitaciones en la precisión de la predicción de la anchura.

Significancia y Reivindicaciones
El artículo sostiene que una configuración de bajo costo basada en un teléfono inteligente, que utiliza detección OBB, calibración específica por especie y modelado morfométrico, proporciona una solución práctica y sin contacto para la medición y predicción de peso de los huevos.

Practicidad: El estudio demuestra que no es estrictamente necesario contar con sistemas láser 3D costosos; la obtención de imágenes 2D combinada con aprendizaje automático puede lograr una utilidad comparable para la clasificación sin contacto.
Especificidad de la Especie: La investigación destaca que un enfoque de "talla única" es insuficiente. La calibración específica por especie es esencial para mejorar sustancialmente la concordancia de las mediciones, particularmente para la longitud.
Limitaciones y Alcance: Los autores reconocen modestamente que, si bien el sistema funciona bien para los huevos de pollo, la precisión para los huevos de ganso está actualmente limitada por el tamaño del conjunto de datos y la resolución de la imagen, particularmente en lo que respecta a la estimación de la anchura. Sugieren que cámaras de mayor resolución o la obtención de imágenes multivista podrían mejorar el rendimiento para especies con diferentes morfologías.
Aplicaciones: El sistema propuesto se identifica con potencial de aplicación en la cría de aves, incubadoras y plantas de empaque de huevos para la clasificación automatizada y la graduación de calidad.

El estudio concluye que, si bien el manejo de los huevos sigue siendo un desafío físico, la integración de la detección OBB con modelos de regresión calibrados ofrece una vía viable para automatizar la morfometría y la predicción de peso de los huevos en la industria avícola.

Resumen Técnico: Morfometría de Huevos Multiespecie y Predicción de Peso mediante Visión Artificial

Más como este