Sistema de monitoreo del comportamiento de los pollos de engorde, empleando algoritmos de reconocimiento de imágenes, para reducir la tasa de mortalidad en la producción avícola.

Abstract

El sector avícola ecuatoriano se enfrenta a pérdidas económicas significativas en el proceso de crianza de pollos de engorde. Debido a que la observación manual es costosa y propensa al error humano. Para abordar esta problemática, la investigación busca implementar un sistema de monitoreo basado en reconocimiento de imágenes y aprendizaje autónomo para detectar patrones de comportamiento anormal en pollos de engorde y contribuir a la reducción de la tasa de mortalidad. La investigación adopto un enfoque mixto, al contar con datos cuantitativos y cualitativos enfocados en un desarrollo experimental. Se entrenaron tres diferentes modelos YOLOv8n, YOLOv11n, YOLOv26n en las mismas condiciones, de tal manera se establecen tres categorías de clasificación: “Good”, “Warning” y “Bad”. La selección del modelo se fundamentó en un análisis estadístico no paramétrico y mediante la prueba de Kruskal-Wallis y U-Mann-Whitney con corrección de Bonferroni, se logró determinar el modelo óptimo y adecuado para la integración en el prototipo basado en la Raspberry Pi 5. YOLOv8n fue seleccionado por su eficiencia computacional en hardware embebido, operando establemente a 5.69 FPS. La validación demostró que el sistema contabiliza correctamente el 65.7% de las aves y detecta anomalías en el 54.3%. Aunque es una herramienta funcional para la supervisión automatizada, la detección de mortalidad alcanzó apenas el 26.67%. Esta efectividad moderada representa su principal limitación, orientando futuras investigaciones a perfeccionar el entrenamiento del modelo para mejorar dicha precisión.