![\"\"](\"https:\/\/genus-develop.go-vip.co\/pic\/wp-content\/uploads\/sites\/3\/2023\/02\/GenTrend_FVW_TZ_ES.png?w=700\")
Alta productividad combinada con un f\u00e1cil manejo<\/h3>\n\n\n\n
Adem\u00e1s de optimizar continuamente nuestro \u00edndice de selecci\u00f3n centr\u00e1ndonos en el rendimiento, la calidad del producto, la eficiencia, la rentabilidad y la robustez, utilizamos las \u00faltimas tecnolog\u00edas cient\u00edficamente probadas para seguir avanzando en el progreso gen\u00e9tico. En particular, la atenci\u00f3n se centra actualmente en el comportamiento de los animales. Criar cerdos tranquilos que al mismo tiempo cumplan los exigentes criterios de rentabilidad y eficiencia sigue siendo un gran reto. Por un lado, el comportamiento tiene una heredabilidad muy baja y, por otro lado, es especialmente dif\u00edcil realizar mediciones de forma fiable.<\/p>\n\n\n\n
La observaci\u00f3n significativa del comportamiento es costosa<\/h3>\n\n\n\n
Las observaciones correctas del comportamiento suelen requerir mucho tiempo y, por lo tanto, son costosas, sobre todo porque los comportamientos de inter\u00e9s (por ejemplo, los enfrentamientos agresivos) suelen ser de duraci\u00f3n bastante corta. Adem\u00e1s, se necesitan observadores formados para registrar el comportamiento de forma estandarizada y, por tanto, comparable.<\/p>\n\n\n\n
Las pruebas de comportamiento estandarizadas suelen ser propensas a errores<\/h3>\n\n\n\n
Las llamadas pruebas de comportamiento, es decir, el registro del comportamiento de los animales en una situaci\u00f3n estandarizada para sacar conclusiones sobre el comportamiento general del animal, suelen ser propensas a errores, y adem\u00e1s se ven influenciadas por m\u00faltiples factores. Esto significa que es muy f\u00e1cil seleccionar para algo, pero no necesariamente para el comportamiento deseado.<\/p>\n\n\n\n
La tecnolog\u00eda y la inteligencia artificial permiten una evaluaci\u00f3n objetiva<\/h3>\n\n\n\n
El camino basado en la ciencia que siempre ha seguido PIC puede parecer a veces m\u00e1s largo, ya que puede pasar alg\u00fan tiempo hasta que los descubrimientos cient\u00edficos salgan de las lentas \u201ctorres de marfil\u201d universitarias y se conviertan en algo realmente pr\u00e1ctico, pero al final es el camino m\u00e1s exitoso, ya que se basa en hechos contrastados. La ciencia -y, por tanto, tambi\u00e9n PIC- se apoya cada vez m\u00e1s en soluciones t\u00e9cnicas que utilizan la inteligencia artificial en lo que respecta al registro v\u00e1lido de comportamientos. Por ejemplo, gracias al progreso t\u00e9cnico, las c\u00e1maras de v\u00eddeo son cada vez m\u00e1s asequibles y, al mismo tiempo, menos sensibles con respecto a las condiciones sub\u00f3ptimas de las naves de porcino (suciedad, polvo, coberturas) y, por tanto, cada vez m\u00e1s interesantes para un uso pr\u00e1ctico normalizado. Con el fin de conseguir el mayor beneficio posible para la pr\u00e1ctica, PIC ha participado y forma parte de proyectos de investigaci\u00f3n con varias universidades para la recogida autom\u00e1tica de datos. Pero tambi\u00e9n de forma interna en PIC, un equipo dirigido por Eric Psota, profesor de Ingenier\u00eda El\u00e9ctrica y Ciencias de la Computaci\u00f3n, anteriormente en la Universidad de Nebraska, est\u00e1 trabajando en este campo. En su investigaci\u00f3n, Eric Psota se centra en la automatizaci\u00f3n en la nave de producci\u00f3n porcina, en particular en el reconocimiento autom\u00e1tico de diversos comportamientos a partir de im\u00e1genes de v\u00eddeo. El algoritmo resultante, as\u00ed como su automatizaci\u00f3n est\u00e1n actualmente en constante desarrollo.<\/p>\n\n\n\n
Pero \u00bfc\u00f3mo funciona un algoritmo automatizado?<\/h3>\n\n\n\n
El cient\u00edfico habla de una \u00abred neuronal\u00bb que subyace en el sistema. En pocas palabras, si se quiere entrenar a un sistema para que reconozca autom\u00e1ticamente que hay un cerdo en una foto, primero se necesitan miles de fotos de diferentes cerdos en diferentes poses. Si este entrenamiento ha tenido \u00e9xito, el sistema es capaz de identificar correctamente incluso im\u00e1genes desconocidas y, por ejemplo, distinguir correctamente un cerdo de una vaca.<\/p>\n\n\n\n
Por tanto, no basta con colgar una c\u00e1mara de v\u00eddeo en un bol\u00edgrafo, sino que el verdadero trabajo comienza cuando las im\u00e1genes capturadas se han almacenado y transferido. As\u00ed, se empieza por entrenar al sistema para que reconozca un (\u00fanico) cerdo y, por ejemplo, acabe reconociendo el n\u00famero de animales del grupo. A continuaci\u00f3n, al menos para poder tomar decisiones de mejora gen\u00e9tica, queremos, por ejemplo, ser capaces de distinguir los animales entre s\u00ed de forma individual, lo que supone un gran reto incluso para el ganadero experimentado en un grupo homog\u00e9neo de cerdos. El algoritmo que utiliza PIC se basa en las marcas auriculares individuales. De este modo, incluso en las secuencias de im\u00e1genes en las que los cerdos se han movido, se puede garantizar que todos los cerdos siguen estando correctamente identificados.<\/p>\n\n\n\n
Ahora viene la parte realmente emocionante: analizar autom\u00e1ticamente el comportamiento. Una vez m\u00e1s, las im\u00e1genes de entrenamiento tienen que ser etiquetadas con los comportamientos correspondientes (por ejemplo, descansar, estar de pie, comer). El algoritmo que usa PIC es ahora capaz de reconocer los comportamientos de reposo lateral, tumbado, de pie, sentado, comiendo, bebiendo, as\u00ed como la distancia recorrida individualmente de forma autom\u00e1tica. En la Fig. 2 se muestra una secci\u00f3n de dicho reconocimiento, que tiene lugar 24\/7.<\/p>\n\n\n\n
![\"\"](\"https:\/\/genus-develop.go-vip.co\/pic\/wp-content\/uploads\/sites\/3\/2023\/02\/PIC_Capturing-Behaviour.png?w=941&resize=1166%2C1269\")
<\/figure>Fig. 2: Con la ayuda del algoritmo de PIC, los animales de un corral pueden ser reconocidos individualmente de forma automatizada y se les asignan las categor\u00edas de comportamiento de estar tumbado de lado, boca abajo (azul), de pie (rojo), sentado (amarillo), comiendo (verde) y bebiendo.<\/p>\n<\/div><\/div>\n\n\n\n
El algoritmo de PIC se utiliza actualmente en las explotaciones n\u00facleo (\u00e9lite). En el proceso, el sistema est\u00e1 constantemente \u00abaprendiendo\u00bb a trav\u00e9s de los datos que entran continuamente y se vuelve m\u00e1s preciso. De este modo, se puede registrar el comportamiento de forma continua y, por ejemplo, cuantificar el nivel de actividad o el comportamiento de ingesta de los animales. Las enfermedades pueden detectarse en una fase temprana debido a la reducci\u00f3n de la actividad, lo que simplifica, por ejemplo, la selecci\u00f3n para la robustez.<\/p>\n\n\n\n
La siguiente etapa de desarrollo est\u00e1 en marcha<\/h3>\n\n\n\n
Los siguientes pasos son, por ejemplo, la detecci\u00f3n autom\u00e1tica de comportamientos temporalmente muy cortos, como los eventos de mordedura de cola o el comportamiento de desplazamiento. En este caso, el entrenamiento es m\u00e1s dif\u00edcil porque ya no es posible entrenar a partir de im\u00e1genes individuales (como ocurre, por ejemplo, con el reconocimiento de los contornos de los animales), sino que se necesitan secuencias de v\u00eddeo completas, es decir, una secuencia de varias im\u00e1genes que se suceden en un orden determinado, para clasificar correctamente el comportamiento.<\/p>\n\n\n\n
Al mismo tiempo, se sigue investigando en otras \u00e1reas, por ejemplo, la investigaci\u00f3n de las causas del trastorno de comportamiento de mordedura de colas. Gracias al enfoque cient\u00edfico, se espera que en el futuro sea posible identificar de forma fiable a los mordedores y seleccionarlos en consecuencia. Para que esto sea realmente preciso, el enfoque basado en la ciencia es esencial.<\/p>\n\n\n\n
Inteligencia artificial para la evaluaci\u00f3n objetiva de los aplomos<\/h3>\n\n\n\n
Una modificaci\u00f3n del algoritmo de PIC para el reconocimiento automatizado del comportamiento ya se utiliza en la evaluaci\u00f3n de los aplomos (evaluaci\u00f3n de estructura y extremidades). La llamada puntuaci\u00f3n de las patas se realizaba anteriormente mediante personal de selecci\u00f3n entrenado y actualmente se est\u00e1 derivando en un reconocimiento basado en im\u00e1genes de v\u00eddeo. Las diferentes regiones articulares se reconocen autom\u00e1ticamente y se puede calcular el \u00e1ngulo que forman las extremidades (v\u00e9ase la Fig. 3). De este modo, se mejora la calidad de la selecci\u00f3n y, en \u00faltima instancia, tambi\u00e9n la fiabilidad del sistema.<\/p>\n\n\n\n
![\"\"](\"https:\/\/genus-develop.go-vip.co\/pic\/wp-content\/uploads\/sites\/3\/2023\/01\/PIC_Digital-Phenotyping-Promo-Image_600x400_FINAL_1022.jpg?w=600&resize=600%2C400\")