A lightweight visual system for determining the gender of poultry based on artificial intelligence
Este artículo propone un sistema visual de bajo costo impulsado por IA llamado YBDF, el cual utiliza un conjunto de datos de gónadas de polluelos recientemente establecido y un nuevo modelo de clasificación BDF para lograr una precisión del 91.33% en la determinación del sexo de las aves de corral, superando eficazmente las limitaciones de los métodos manuales e instrumentales existentes.
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 moderna, un simple hecho biológico impulsa decisiones económicas complejas: los pollitos machos y hembras requieren dietas diferentes para prosperar. Los machos crecen mejor con alimentos de alta energía para ganar peso, mientras que las hembras necesitan comidas ricas en proteínas para maximizar la producción de huevos. Durante décadas, los granjeros han dependido de dos formas principales para distinguir los sexos después de que los pollitos eclosionan. Un método implica a trabajadores calificados inspeccionando manualmente la diminuta cloaca, una tarea que es rápida pero propensa al error humano y a la fatiga. El otro utiliza máquinas especializadas que son precisas pero prohibitivamente costosas y lentas para operaciones a gran escala. Ambos enfoques luchan por mantenerse al día con las demandas de las granjas modernas y eficientes, dejando un vacío para una solución que sea tanto asequible como precisa.
Este desafío ha llevado a los investigadores a explorar la inteligencia artificial, específicamente utilizando la visión por computadora para "ver" las diferencias entre pollitos machos y hembras. Aunque algunos intentos previos han tratado de analizar el sonido del piar o la textura de las plumas, estos métodos suelen fallar en el entorno ruidoso e impredecible de una criadora real. El sonido se ahoga fácilmente por la maquinaria y las plumas pueden ocultar las sutiles diferencias físicas necesarias para la identificación. Para resolver esto, un equipo de investigadores ha desarrollado un nuevo sistema visual que se centra directamente en las gónadas de los pollitos, los órganos internos que determinan el sexo. Al combinar el reconocimiento de imágenes avanzado con una configuración de cámara especializada, han creado una herramienta que puede identificar el género de un pollito con alta precisión, ofreciendo un camino potencial hacia una agricultura más humana y eficiente.
Los investigadores comenzaron abordando el obstáculo más fundamental: los datos. Para enseñar a una computadora a distinguir entre un pollito macho y uno hembra, necesitaban una vasta biblioteca de imágenes claras que mostraran los rasgos físicos específicos de cada uno. Recopilaron más de 1,200 fotografías de alta resolución de pollitos broilers amarillos de un día de vida. En un proceso cuidadoso y no invasivo, especialistas expusieron suavemente la región cloacal de cada pollito para capturar las gónadas. Las imágenes revelaron una diferencia distintiva: los pollitos machos muestran una pequeña protuberancia circular, mientras que las hembras aparecen relativamente planas. Sin embargo, capturar estas imágenes es difícil porque los órganos están ocultos bajo el suave plumón, y el proceso a menudo involucra dedos humanos sosteniendo al pollito, lo que también puede bloquear la vista o crear sombras confusas. Para superar esto, el equipo construyó el primer conjunto de datos estandarizado de su tipo en China, etiquetando meticulosamente cada imagen como macho o hembra, creando una base para su sistema de inteligencia artificial.
Con los datos en mano, el equipo construyó un sistema de dos partes diseñado para imitar la forma en que un experto humano abordaría la tarea, pero con la velocidad y consistencia de una máquina. La primera parte actúa como un localizador. Utilizando una tecnología de detección de objetos bien conocida, el sistema escanea una imagen de un pollito y encuentra instantáneamente el lugar exacto donde se encuentran las gónadas, ignorando el resto del ave, las plumas y los dedos humanos que la sujetan. Luego recorta solo esa pequeña área, redimensionándola a un formato estándar. Este paso es crucial porque elimina el desorden visual que suele confundir a otros sistemas, asegurando que la computadora solo observe las características biológicas relevantes.
La segunda parte del sistema es el clasificador, el "cerebro" que toma la decisión final. Este componente utiliza una red neuronal especializada, un tipo de programa informático modelado según el cerebro humano, para analizar la imagen recortada. Los investigadores diseñaron esta red para que preste atención a dos cosas específicas: la forma general del área y los detalles específicos dentro de ella. Integraron un mecanismo que permite al sistema concentrarse en las partes más importantes de la imagen mientras ignora el ruido, de forma muy similar a como un humano podría entrecerrar los ojos para enfocarse en un detalle específico mientras bloquea el fondo. Al combinar capas profundas de extracción de características con este enfoque dual, el sistema aprende a reconocer el sutil bulto circular de un macho o la superficie plana de una hembra, incluso cuando la imagen es ligeramente imperfecta.
Al ser probado, el sistema funcionó con una precisión notable. En experimentos controlados, el nuevo sistema identificó correctamente el género de un pollito en más del 91 por ciento de los casos. Esto supuso una mejora significativa respecto al uso de un modelo de detección estándar por sí solo, que tenía dificultades con una precisión de solo el 55 por ciento, lo que resalta cuán esencial fue el diseño especializado para manejar la realidad desordenada de las imágenes del mundo real. Los investigadores también compararon su sistema con varios otros modelos populares de inteligencia artificial, incluidos aquellos basados en arquitectas de transformadores complejos y redes convolucionales clásicas. Su sistema no solo logró la mayor precisión, sino que también lo hizo con menos recursos computacionales, lo que lo hace más rápido y adecuado para el hardware limitado que se encuentra a menudo en granjas más pequeñas.
Para asegurar que el sistema no estuviera simplemente adivinando, sino que realmente estuviera aprendiendo las características biológicas correctas, los investigadores utilizaron una técnica para visualizar hacia dónde "miraba" la computadora cuando tomaba una decisión. Los resultados mostraron que su sistema se enfocaba nítidamente en la región gonadal, específicamente en la protuberancia o en el área plana, mientras que otros modelos a menudo se distraían con las plumas circundantes o los dedos humanos. Esto confirmó que el sistema se estaba apoyando en las mismas señales anatómicas que utilizan los expertos humanos, en lugar de encontrar patrones accidentales en el fondo. En una prueba en el mundo real establecida en una criadora comercial, el sistema funcionó continuamente durante seis horas en un hardware modesto y asequible, procesando alrededor de 11 a 12 pollitos cada segundo con una precisión constante, independientemente de los cambios en la iluminación o de quién estuviera manipulando las aves.
El estudio concluye que este sistema visual ligero ofrece una alternativa viable y de bajo costo para la industria avícola. Al automatizar el proceso de identificación de género con alta precisión, promete reducir la dependencia de la mano de obra manual y la maquinaria costosa, mejorando potencialmente los costos y el bienestar animal. Los investigadores han puesto a disposición del público tanto su conjunto de datos como el código fuente de su sistema, invitando a otros a construir sobre este trabajo. Si bien el sistema actual fue probado en una sola raza de pollito bajo condiciones específicas, el éxito de este enfoque sugiere un camino claro hacia el desarrollo de herramientas automatizadas y robustas que puedan adaptarse a los diversos y exigentes entornos de la agricultura moderna.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.