Reconocimiento multiescalar ligero de comportamientos en gallinas ponedoras enjauladas mediante un marco YOLOv8 mejorado

Por qué vigilar a las gallinas puede proteger nuestra comida

Los huevos son un alimento habitual en las mesas del desayuno en todo el mundo, sin embargo las gallinas que los ponen a menudo viven en jaulas abarrotadas donde los primeros signos de enfermedad o estrés son fáciles de pasar por alto. Este estudio muestra cómo un sistema de inteligencia artificial compacto puede vigilar gallinas ponedoras enjauladas a través de cámaras, reconocer automáticamente comportamientos clave vinculados a la salud y el bienestar, y hacerlo lo suficientemente rápido como para funcionar en hardware sencillo de granja. El trabajo apunta a explotaciones donde centinelas digitales silenciosos detectan problemas en tiempo real, ayudando a mantener a las aves más sanas y la producción de huevos más fiable.

Cómo las cámaras se convierten en asistentes discretos del gallinero

Los investigadores primero construyeron una plataforma de monitorización práctica que pudiera soportar el polvo, el ruido y las largas jornadas de un gallinero comercial. Instalaron cámaras en cada nivel de las jaulas apiladas de una gran granja en Nankín, China, conectándolas a pequeños ordenadores de bajo consumo Jetson Nano y a paquetes de baterías. Las cámaras grabaron a las gallinas desde la madrugada hasta la tarde durante varias semanas, capturando cómo se movían, comían e interactuaban. Para asegurar que las imágenes fueran útiles, el equipo filtró los fotogramas con sombras intensas, desenfoque o vistas bloqueadas, conservando solo instantáneas claras de la vida típica del gallinero.

De vídeo bruto a comportamientos de gallinas etiquetados

De los miles de fotogramas de vídeo recogidos, los científicos etiquetaron cuidadosamente 2.035 imágenes usando software de código abierto. Se centraron en cuatro comportamientos relacionados con la cabeza: alimentación normal, respiración con el pico abierto, picoteo autopropiado y picoteo a otra gallina. Estos tres últimos se consideran señales de advertencia, vinculadas en trabajos anteriores a posibles problemas respiratorios, dolor o estrés social. En cada imagen, los expertos dibujaron cuadros alrededor de las cabezas de las gallinas y asignaron una de las cuatro categorías. El conjunto de datos se dividió luego en conjuntos de entrenamiento, validación y prueba para que el modelo informático pudiera aprender de una parte de los datos y evaluarse de forma justa en imágenes que nunca había visto.

Un observador digital más esbelto y preciso

En el núcleo del sistema hay una versión mejorada de un modelo popular de detección de objetos conocido como YOLOv8. El equipo rediseñó su estructura interna para que pudiera detectar cabezas de gallina pequeñas y en espacios concurridos de forma eficiente sin necesitar un ordenador voluminoso. Sustituyeron componentes por otros más ligeros que reducen cálculos repetidos, añadieron un mecanismo de atención que ayuda al modelo a centrarse en regiones importantes como los picos, y emplearon un paso inteligente de sobremuestreo para afinar los contornos de objetivos diminutos. También introdujeron una nueva receta de entrenamiento que da peso extra a ejemplos difíciles de clasificar, como aves parcialmente ocultas, haciendo el aprendizaje más estable y menos sesgado hacia los casos fáciles.

Qué tan bien entiende el sistema a las gallinas

Al evaluarlo con el conjunto de datos de la granja de Lukou, el modelo mejorado reconoció los comportamientos objetivo con alta precisión manteniéndose lo bastante pequeño para uso en tiempo real. Mejoró el rendimiento general de detección en comparación con la versión estándar de YOLOv8, al tiempo que redujo el tamaño del modelo en casi una cuarta parte y disminuyó las necesidades de cálculo. El sistema fue especialmente eficaz detectando alimentación, picoteo autopropiado y picoteo mutuo, superando a menudo el 93 % en puntuaciones de precisión comunes. La respiración con el pico abierto, una acción breve y sutil que puede parecerse al picoteo, siguió siendo más desafiante, mostrando menor precisión aunque el modelo aún detectó muchos casos verdaderos. Los autores señalan que el solapamiento de aves, las barras de las jaulas y la variación de iluminación dificultan distinguir este comportamiento en imágenes fijas individuales.

Qué implica esto para las futuras granjas inteligentes

Para un lector general, el mensaje clave es que las granjas pueden empezar a usar cámaras relativamente simples y modelos de IA compactos para mantener una vigilancia constante del bienestar de las gallinas, contabilizando de forma automática con qué frecuencia las aves comen, se picotean o se picotean entre sí. Aunque el sistema no es perfecto y solo se ha probado en una granja con una raza, ya demuestra que la monitorización automática de comportamientos puede funcionar en condiciones reales de gallinero y con hardware modesto. Con datos más diversos y modelos que analicen clips de vídeo cortos en lugar de fotogramas individuales, estas herramientas podrían convertirse en sistemas de alerta temprana que avisen a los granjeros de problemas de salud antes de que se propaguen, apoyando tanto el bienestar animal como un suministro estable de huevos.

Cita: Tang, Y., Wei, J., Xie, B. et al. Lightweight multiscale behavior recognition for caged laying hens using an enhanced YOLOv8 framework. Sci Rep 16, 14936 (2026). https://doi.org/10.1038/s41598-026-43523-7

Palabras clave: gallinas ponedoras, comportamiento animal, visión por computador, agricultura inteligente, bienestar avícola