An AI-enabled radiometric ocular thermography framework for monitoring heat vulnerability and welfare in poultry

El calor es un adversario silencioso pero implacable en el mundo de la avicultura. Cuando las gallinas se ven sometidas a temperaturas elevadas y prolongadas, sus cuerpos luchan por sobrellevarlas, lo que provoca una reducción del crecimiento, una menor producción de huevos y, en casos graves, la muerte. Para los granjeros, el desafío radica en detectar este malestar de forma temprana, a menudo antes de que las aves muestren signos obvios de enfermedad. Los ojos ofrecen una pista crucial. Debido a que la temperatura del ojo se correlaciona estrechamente con la temperatura corporal central de un ave, el monitoreo de los ojos puede servir como un sistema de alerta temprana para el estrés térmico. Sin embargo, revisar la temperatura de aves individuales en un galpón abarrotado es una tarea desalentadora. Hacerlo manualmente requiere detener a la bandada, manipular cada ave y tomar una lectura, un proceso que es lento, estresante para los animales e imposible de escalar para miles de aves.

Para resolver esto, los investigadores han recurrido a una combinación de imágenes térmicas e inteligencia artificial. Las cámaras térmicas pueden ver el calor que irradia la piel de un animal sin tocarlo nunca, creando una imagen donde las áreas más cálidas aparecen más brillantes. No obstante, una cámara por sí sola no puede distinguir qué parte de un ave es el ojo, ni puede calcular automáticamente la temperatura de ese punto específico a partir de una escena caótica llena de aves en movimiento. Aquí es donde entra la inteligencia artificial, actuando como un asistente digital que puede aprender a reconocer partes específicas del cuerpo y extraer datos precisos de imágenes complejas. El objetivo es crear un sistema que permita a los granjeros simplemente caminar por un galpón, capturar imágenes y recibir instantáneamente un informe sobre la salud térmica de su bandada.

En un estudio reciente realizado en la India, un investigador independiente desarrolló y probó un sistema de este tipo específicamente para la avicultura. El trabajo se centró en la creación de un marco completo que pudiera encontrar automáticamente los ojos de los pollos en imágenes térmicas y medir su temperatura, todo ello ejecutándose en un dispositivo móvil. El estudio se llevó a cabo durante un caluroso mes de verano en dos galpones avícolas en Odisha. Un galpón albergaba aves adultas, de aproximadamente veintiséis semanas de edad, mientras que el galpón adyacente albergaba aves juveniles más jóvenes, de unas trece semanas de edad. El investigador recorrió los galpones con una cámara térmica de mano conectada a un teléfono inteligente, capturando imágenes de las aves mientras se movían. La cámara registró tanto una foto de luz visible estándar como una imagen térmica bruta, la cual contiene los datos de temperatura reales para cada píxel del encuadre.

El núcleo del proyecto consistió en enseñar a un programa informático a reconocer e aislar los ojos de los pollos. El investigador primero marcó manualmente los ojos en una selección de imágenes utilizando software especializado, creando un conjunto de ejemplos para que la computadora aprendiera de ellos. Estos ejemplos se utilizaron para entrenar un tipo de modelo de inteligencia artificial conocido como red de segmentación. A diferencia de un modelo que simplemente dibuja un cuadro alrededor de un ave, este sistema fue entrenado para dibujar un contorno preciso alrededor solo del ojo, separándolo del resto de la cabeza del ave y del entorno circundante. Los investigadores entrenaron dos versiones separadas de este modelo: una específicamente para aves adultas y otra para los juveniles más jóvenes, ya que el tamaño y la apariencia de los ojos difieren entre los dos grupos de edad.

Una vez entrenados los modelos, se pusieron a prueba con cientos de las imágenes capturadas en los galpones. El sistema identificó y delineó con éxito los ojos de 123 aves adultas y 128 aves juveniles. Para cada ojo identificado, el software extrajo los datos de temperatura del área correspondiente de la imagen térmica. El análisis reveló una diferencia clara y significativa entre los dos grupos. La temperatura ocular promedio de las aves juveniles fue 0.741 °C superior a la de las aves adultas. Este hallazgo sugiere que las aves más jóvenes estaban experimentando un mayor estrés térmico o eran menos eficientes para enfriarse en comparación con las aves más viejas y maduras. El análisis estadístico confirmó que esta diferencia no fue una fluctuación aleatoria, sino un patrón constante observado en todos los datos.

Para asegurar que estos resultados fueran fiables, el investigador sometió los hallazgos a pruebas rigurosas. Realizó miles de simulaciones de pruebas de remuestreo para ver si la diferencia de temperatura se mantenía cuando los datos eran mezclados y reanalizados. En la gran mayoría de estas pruebas, las aves más jóvenes mostraron consistentemente temperaturas más altas. El estudio también abordó la dificultad de la tarea, señalando que el modelo entrenado con las aves más jóvenes era ligeramente menos preciso que el de los adultos, probablemente debido a que las características más pequeñas y menos distintivas de los ojos juveniles hacen que sean más difíciles de localizar para una computadora en una bandada concurrida y en movimiento. A pesar de este desafío, el sistema procesó con éxito los datos y proporcionó un perfil térmico claro para las aves.

La culminación de esta investigación es una herramienta práctica para los granjos. El investigador construyó una aplicación web móvil que permite a un usuario cargar una imagen térmica de un pollo, seleccionar si es un adulto o un juvenil, y recibir una estimación inmediata de la temperatura ocular del ave. La aplicación también proporciona una clasificación de severidad, ayudando al usuario a comprender si la temperatura indica un estado saludable o una señal de advertencia de estrés térmico. Este enfoque ofrece una forma de monitorear el bienestar de una bandada sin molestar a los animales ni requerir equipos estacionarios costosos. Al automatizar la detección del estrés térmico, el sistema permite a los granjeros intervenir tempranamente, potencialmente salvando a las aves de las consecuencias más graves del sobrecalentamiento.

Si bien el estudio presenta una solución prometedora, el investigador reconoce ciertas limitaciones. Los datos se recolectaron de dos casas separadas, lo que significa que factores distintos a la edad, como ligeras diferencias en la ventilación o microclimas entre los dos edificios, podrían haber influido en las lecturas de temperatura. Además, la naturaleza concurrida de los galpones significó que algunas aves estaban parcialmente ocultas, lo que puede introducir desafíos para cualquier sistema de imágenes. El investigador sugiere que, si bien la imagen térmica ocular es una herramienta poderosa, funciona mejor cuando se combina con otras observaciones, como la ingesta de agua o la postura general de las aves, para formar una imagen completa de la salud de la bandada.

En última instancia, este trabajo demuestra que es posible utilizar la inteligencia artificial para convertir una simple foto térmica en un informe de salud detallado para la avicultura. El estudio confirma que las aves más jóvenes son, de hecho, más vulnerables al calor del verano que sus contrapartes mayores, un hecho que ahora puede monitorearse de forma automática y continua. Al hacer que esta tecnología sea accesible a través de una plataforma móvil, la investigación allana el camino para un nuevo estándar en la gestión ganadera, donde el bienestar de la bandada se rastrea con precisión y cuidado, asegurando que el estrés térmico se detecte y se aborde antes de que se convierta en una crisis.