1. Introducción

El consumo de carne es una fuente de proteína en la alimentación del ser humano, por lo que la producción de carne es una actividad que demanda cada día mayor producción, A nivel mundial el consumo de carne en el 2022 alcanzo 57 millones 380 mil toneladas, México, ocupa el séptimo lugar en la producción de carne de res con 2 millones 180 mil toneladas. En promedio el consumo per cápita es de 15.6 kilos por año, La producción en el lapso del 2017 al 2022 aumento en un 2.5% por año, el volumen de carne de res exportado alcanzo un máximo histórico de 341 mil toneladas, el cual pondero un crecimiento anual del 9.9%, el crecimiento de las exportaciones a influido en el número de cabezas sacrificadas en los rastros tipo TIF, En el intercambio internacional de ganado en pie, se exportaron 873 mil 227 unidades para engorda y se importaron 97 mil 411 para sacrificio. Los datos presentados en el compendio estadístico del 2023 por el consejo mexicano de la carne [1], indican que Sinaloa ocupa el séptimo lugar en la producción de volumen en canal con 110 mil 673 toneladas, aportando el 5.1% del total nacional.

Con datos del INEGI [2] del censo agropecuario del 2022 publicados en noviembre del 2023, A nivel nacional se cuenta con 1,002,662 unidades de producción agropecuaria (UPA) activas con cría y explotación de bovinos, de los cuales Sinaloa aporta 20,449, ósea el 2%. En la Tabla 1, se muestran las Unidades de Producción agropecuaria en los municipios del Norte de Sinaloa.

En total los municipios señalados acumulan 853 unidades de producción agropecuaria para los grandes productores y 6,842 para los pequeños y medianos productores, la producción de ganado se encuentra distribuida entre el libre pastoreo, pastoreo controlado, corral o estabulado y semi estabulado, como se muestran los datos de la Tabla 2.

Como se puede apreciar el 56.39% es de libre pastoreo mientras que el 11.49% se maneja en corral o estabulado y otro 11.59% semi estabulado. En la Tabla 3 se muestra el porcentaje de equipamiento y tipos de instalaciones utilizados.

En promedio; el 5.14% utiliza silo forrajero, el 3.3 mezcladoras de alimento, el 4.10% cuenta con corrales de engorda y el 7.9% cuenta con bascula ganadera, apenas el 5.2% de los grandes productores aplica inseminación artificial, quedando rezagados los pequeños y medianos productores que la practican con un 1.58%. La identificación del ganado es aplicada en un 92% por medio de etiquetas colocadas en las orejas INEGI [2].

Mediante los avances tecnológicos los grandes productores han logrado una mayor eficiencia, pero estos beneficios no han llegado a los pequeños ganaderos, las condiciones actuales de la ganadería para los pequeños y medianos productores en los municipios del norte de Sinaloa, es muy desfavorable, ya que la producción de ganado para engorda se realiza principalmente con métodos tradicionales, los pequeños y medianos productores, entregan el ganado en pie a grandes productores para su comercialización, obligándolos a obtener un margen económico muy reducido ya que el kilo de carne de ganado en pie es muy bajo y este se incrementa un 99% al pasar al kilo en canal de sacrificio en un rastro TIF [1]. como lo muestra la Figura 1.

Figura 1.
Precios del kilogramo de carne de res [1].

2. Estado del Arte

La engorda de ganado bovino en corrales de acuerdo con Ceconi et al.[3], permite controlar la alimentación y obtener un aumento de peso eficiente con respecto al alimento suministrado (conversión alimenticia), antes de suministrar la ración del alimento, todos los días a la misma hora, una persona mediante la observación realiza una lectura de comederos y clasifica como lo propone Dorea y Cheong [4], la cantidad de alimento residual de la servida anterior, con el fin de determinar si la cantidad de alimento servido es el adecuado o es necesario realizar un ajuste a la alza o a la baja, solo si se mantiene la misma tendencia por lo menos durante tres días consecutivos. Por lo que la lectura de comederos es determinante para establecer la cantidad adecuada de alimento, además evita pérdidas económicas por desperdicio o enfermedades ocasionadas por la descomposición del alimento acumulado en el comedero presentadas por Desdémona Martínez [5].

Al no contar con mediciones, ni registros históricos accesibles mediante la aplicación de tecnología, en donde se relacione la temperatura del ambiente, época del año, tipo y cantidad de alimento, edad y genero del ganado, es casi imposible detectar algún problema en el ganado y realizar ajustes oportunos para lograr una eficiente conversión alimenticia y como consecuencia difícilmente se podrá identificar los mejores productores que tienen nacimientos y que esas crías sean buenas productoras de carne.

Se identifica la necesidad de la utilización de un sistema de inteligencia artificial para la lectura de comederos en tiempo real como el considerado por Dorea y Cheong [4], Estos comederos deben contar con controles y registros, sobre la cantidad de alimento servido y detectar cambios en el comportamiento de la alimentación del ganado como posibles indicadores de trastornos de salud de cada individuo como los vistos en González et al. [6], además también incorporar controles de peso desde el ingreso al corral de engorda que permitirá conocer las métricas, que maximicen la conversión alimenticia y como consecuencia generar mayor utilidad, aunado a esto debe identificar con anticipación la rentabilidad de cada familia de ganado, que llegue a retroalimentar al productor y pueda obtener crías de mejores rendimientos.

Actualmente no existen muchos artículos publicados acerca de la lectura de comederos en corrales de engorda por medio de visión artificial donde conviven en promedio cincuenta cabezas de ganado y que además incluya un monitoreo de la asistencia al comedero de cada individuo. Por lo que se realiza un enfoque únicamente en la lectura de comedero por medio de visión artificia validando diferentes algoritmos como los analizados por Moreno y Ramírez [7], ya que al ser un área poco explorada es un importante tema de investigación, en este apartado se presenta una recopilación y análisis de trabajos relacionados (revisión de la literatura sobre el tema), donde los autores demuestran la importancia y el interés en esta área.

3. Materiales y métodos

En este apartado se definieron las etapas para realizar una revisión de la literatura de acuerdo con Hernández Sampieri [8], se consideró, el objetivo y las palabras clave o términos de búsqueda, para delimitar el tema de la investigación dividiéndose en etapas de planeación, ejecución y resultados.

3.1. Planeación

En la primera etapa se estableció la estrategia de búsqueda considerando el objetivo y las preguntas de investigación, los conceptos y palabras claves identificados fueron “Precision livestock farming”, “cattle”, “neural network” y “RFID”. el periodo de tiempo seleccionado fue del año 2019 al 2023, en los criterios de inclusión se consideró “Computer and electronics”, mientras que en la exclusión se consideró “Agriculture”, las bases de datos a consultadas fueron IEEE, PROQUEST, Google Scholar y Science Direct.

3.2. Ejecución

En la etapa de ejecución se realizaron las búsquedas, aplicando lógica booleana, utilizando combinaciones de las palabras y términos en idioma inglés y español, en las consultas a las bases de datos de IEEE, PROQUEST, GOOGLE SCHOLAR Y SCIENCE DIRECT, los resultados en la primera búsqueda arrojaron un total de 94, 32, 52, y 22 artículos respectivamente, además de los criterios de inclusión y exclusión considerados en la búsqueda, también se incluyó que fueran: (1) informe arbitrado. (2) el documento aborda el tema de la alimentación del ganado. (3) se trata de artículos. (4) utilización de software y electrónica. Al realizar el análisis de los 200 artículos considerando el titulo y el resumen, quedaron, 21 de IEEE, 2 de PROQUEST, 6 de Google Scholar y 10 de Science Direct, a estos 39 artículos se les realizo un análisis profundo considerando la relación con las preguntas del tema de la investigación, así como su contenido, al final solo 7 artículos cumplieron con alguna de las condiciones definidas en la revisión de la literatura. Las características de interés se agrupan en dos áreas una en la parte de software con algoritmos de inteligencia artificial y la segunda en la parte de hardware utilizando cámaras, sin embargo, llama la atención que la utilización de tecnología de identificación por radio frecuencia por sus siglas en ingles Radio Frequency Identification (RFID) es considerada en uno de los artículos de este estudio.

3.3. Resultados

La información obtenida se presenta, destacando las características, así como el hardware utilizado y la contribución de los autores, identificando las regiones donde se realizaron las investigaciones.

4. Resultados

Se encontró que existen investigaciones orientadas a medir la cantidad de alimento y agua que consume el ganado de forma individual y en grupo de hasta diez individuos. Las soluciones tecnológicas relacionadas con la alimentación del ganado para engorda y producción de carne, están relacionadas con la ganadería de precisión, incluyendo la inteligencia artificial, como se muestra en la Tabla 4.

Una característica que predomina en los artículos es el uso de algoritmos de visión artificial como el de Islam et al.[9], donde por medio de cámaras y sensores, captura videos identificando cinco puntos clave de la posición del ganado y por medio de redes neuronales realiza un reconocimiento con una precisión del 98.25%, mientras que Bezen et al.[14], utiliza además de una cámara RGB-D de bajo costo, integra también una báscula para pesar el alimento y al mismo tiempo tomar una imagen la cual es etiquetada, para formar parte de un dataset que es utilizado para entrenamiento y pruebas de una red neuronal residual. Por otra parte, utilizando un dataset de ImageNet y Kaggle, Tiwari et al.[13], aplica modelos de redes neuronales residuales simulando contar y realizar un seguimiento del bienestar animal.

Además, se encontró que Dorea y Cheong [4], en un primer intento desarrolló un sistema para la lectura de comederos por medio de sistema de visión por computadora aplicando redes neuronales residuales en donde se analiza el comedero y el comportamiento del ganado, obteniendo resultados satisfactorios. Otros autores como Sokullu et al.[12], coinciden en la utilización de ganadería de precisión y machine learning, en su investigación, propone registrar diariamente el patrón de alimentación y el reloj biológico en el que se alimenta el ganado y asegurar la disponibilidad del alimento, es importante señalar que de Marques de Paula et al. [10], elaboro un dataset, el cual está disponible para su utilización y no ha sido probado. Los países donde se han realizado las investigaciones son; Estados Unidos, China, Brasil, India, Israel y Turquía.

De acuerdo con la planeación que se realizó y después de ejecutar la búsqueda, el resultado nos arrojó la contribución de cada uno de los autores mostrados en la Tabla 5.

5. Conclusiones

La finalidad de este estudio fue analizar el estado del arte, publicado desde el 2019 al 2023, referente a la utilización y el tipo de tecnología, aplicada en la ganadería de precisión. Para conocer la influencia que tiene en la alimentación y engorda del ganado bovino a través de la lectura de comederos, que permita obtener datos precisos del consumo de alimento para optimizar la alimentación y mejorar la producción de carne.

Desde el 2012 Hu et al.[15], planteo la utilización de sistemas destinados a la seguridad como lo son los de circuito cerrado de televisión, aplicarlos con fines de operación y mantenimiento de una granja de engorda.

Las principales soluciones propuestas, encontradas en esta investigación relacionadas con el uso y aplicación de dispositivos electrónicos en conjunto con software, destacan la importancia de integrar cámaras, sensores y aplicaciones informáticas, principalmente del área de la inteligencia artificial para fortalecer la ganadería en la región y del país.

Las investigaciones y desarrollos se han enfocado en el individuo, algunos dispositivos comerciales que fueron localizados como Nedap CowControl, orientados a la alimentación relacionada con la producción de leche, el celo y el bienestar animal, no consideran la lectura del comederos por aplicar diferente métodos en la alimentación, es importante destacar que en las investigaciones encontradas no considera un seguimiento de la asistencia ni el tiempo que se mantiene el ganado en el comedero o bebedero y es un buen indicador que debe ser considerado en las investigaciones. Mientras que en las investigaciones de Dorea y Cheong [4] y Marques de Paula et al.[10], presentan escenarios como los que se encuentran en nuestra región y que son de interés para ganaderos y productores de carne, abriendo la posibilidad de trabajos futuros en profundizar en la investigación relacionada con la lectura de comederos y el monitoreo del tiempo de alimentación del ganado.

La información documentada de esta revisión de la literatura pone en evidencia la disponibilidad de dispositivos de uso común que pueden ser aplicados como cámaras y sensores, combinados con desarrollo de software aplicado en dos ejes, uno como es la inteligencia artificial y otro como administrativo, para atender necesidades tecnológicas que se padecen en la ganadería de engorda y que mantienen limitado el desarrollo intensivo y eficiente de la producción de carne.

6. Agradecimientos

Directivos y personal que forman parte del Grupo Rubio, Guasave Sinaloa. México.

7. Referencias

[1] Consejo Mexicano de la Carne. (2023). Compendio Estadístico 2023. https://comecarne.org/

[2] INEGI. (2023). Censo agropecuario 2022. https://www.inegi.org.mx/programas/ca/2022/

[3] Ceconi, I., Ferreyra, S., Méndez, D., Davies, P. (2018). Día Ganado 2018 - General Villegas, Argentina Terminación a corral: lectura de comederos y su impacto sobre resultados productivos. [Video]. YouTube. https://youtu.be/NWNyElOiLKM

[4] Dorea, J. R. R., Cheong, S. (2019). PSXI-2 A computer vision system for feed bunk management in beef cattle feedlot. Journal of Animal Science, 97 (Suppl 3), 389–390. https://doi.org/10.1093%2Fjas%2Fskz258.776

[5] Desdémona Martínez, E. (2023). Implicaciones que influyen en el desempeño productivo, características de la canal y de la carne de ganado bovino engordado en corral. Revista de Investigaciones Veterinarias del Perú, 34 (3). http://dx.doi.org/10.15381/rivep.v34i3.24517

[6] González, L. A., Tolkamp, B. J., Coffey, M. P., Ferret, A., Kyriazakis, I. (2008). Changes in feeding behavior as possible indicators for the automatic monitoring of health disorders in dairy cows. Journal of Dairy Science, 91 (3), 1017–1028. https://doi.org/10.3168/jds.2007-0530

[7] Moreno, F., Ramírez, E. (2017). Algoritmos de Visión por Computador para un SBC. https://www.researchgate.net/publication/320107559

[8] Hernández Sampieri, R., Fernández Collado, C., Baptista Lucio, P. (2014). Metodología de la Investigación (6ta. Ed.). Mc Graw Hill.

[9] Islam, M. N., Yoder, J., Nasiri, A., Burns, R. T., Gan, H. (2023). Analysis of the Drinking Behavior of Beef Cattle Using Computer Vision. Animals, 13 (18), 1-10. https://doi.org/10.3390/ani13182984

[10] Marques de Paula, B., Rezende da Silva, G., Ferreira, S. E., Coimbra Maia, B. L., Gomes Almeida, M. E., Soares Júnior, V. M., da Silva Maciel, L. M., Chaves, A. S. (2023). Dataset of feed bunk score images of cattle feedlot. Data Brief, 47, 1-6. https://doi.org/10.1016/j.dib.2023.108996

[11] Shangru, L., Chengrui, Z., Ruixue, W., Jiamei, S., Hangshu, X., Yonggen, Z., Yukun, S. (2022). Establishment of a feed intake prediction model based on eating time, ruminating time and dietary composition. Computers and Electronics in Agriculture, 202. https://doi.org/10.1016/j.compag.2022.107296

[12] Sokullu, R., Tanriverdi,B. Y., Goleva, R. (2022). Iot Based Livestock Precision Feeding System Using Machine Learning. 8th International Conference on Energy Efficiency and Agricultural Engineering (EE&AE). Ruse, Bulgaria. https://doi.org/10.1109/EEAE53789.2022.9831244

[13] Tiwari, A., Sachdeva, K., Jain, N. (2021). Computer Vision and Deep Learning-based Framework for Cattle Monitoring. IEEE 8th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON). Dehradun, India. https://doi.org/10.1109/UPCON52273.2021.9667617

[14] Bezen, R., Edan, Y., Halachmi, I. (2020). Computer vision system for measuring individual cow feed intake using RGB-D camera and deep learning algorithms. Computers and Electronics in Agriculture, 172. https://doi.org/10.1016/j.compag.2020.105345

[15] Hu, B., Tian, Q., Chen, A., Xiong, G., Wang, X., Wang, Q. (2014). Intelligent Farming Control System based on Computer Vision. IEEE International Conference on Service Operations and Logistics, and Informatics. Qingdao, China. https://doi.org/10.1109/SOLI.2014.6960720