Resumen

Predecir las trayectorias futuras del peso corporal (BW) en la producción avícola ofrece ventajas sustanciales para la eficiencia operativa, la optimización de la gestión nutricional y la sostenibilidad ambiental. Los enfoques tradicionales para el monitoreo individual de la obesidad corporal requieren un trabajo manual extenso y un manejo frecuente de animales, lo que genera desafíos tanto económicos como de bienestar. Aunque los avances recientes en visión por ordenador (CV) e inteligencia artificial han demostrado su capacidad en la estimación de peso corporal en tiempo real, la aplicación de estas tecnologías para la predicción temporal, es decir, para predecir pesos en futuros momentos, sigue sin explorar. Esta investigación implementó un sistema de monitorización longitudinal para evaluar si los métodos basados en CV podían generar predicciones fiables y prospectivas de BW en pavos tom. Se utilizó una cámara Intel RealSense D435 para capturar imágenes aéreas de imágenes superpuestas en color y profundidad de 30 pavos machos alojados colectivamente y observados desde el día 37 hasta el día 133. Los pesos de referencia se obtuvieron mediante pesaje manual cinco veces por semana. Tras aislar aves individuales mediante segmentación de instancias, se entrenaron las arquitecturas ResNet para realizar estimaciones de BW el mismo día, pronósticos de BW hasta tres semanas en el futuro y predicciones de peso de cadáveres refrigerados. Los modelos se ajustaron con precisión mediante una validación cruzada de dejar un animal fuera, a pesar de la significativa sobrecarga computacional asociada a las iteraciones de aprendizaje profundo. Los resultados indican un fuerte rendimiento predictivo: la estimación de peso corporal en el mismo día alcanzó un R² de 0,96 ± 0,04 con 7,39 ± un error porcentual absoluto medio (MAPE) del 4,06%. Los modelos de previsión temporal mantuvieron una precisión robusta, dando MAPE 7,15 ± 3,17%, mientras que la predicción de rendimiento de canales refrigerados logró MAPE de 7,53 ± 4,30%, mostrando la viabilidad técnica de la previsión de BW impulsada por IA en sistemas de producción avícola.