Revisión de literatura para la lectura de comederos en corrales de engorda de ganado bovino
DOI:
https://doi.org/10.36825/RITI.12.28.005Palabras clave:
Lectura de Comederos, Ganadería de Precisión, Inteligencia ArtificialResumen
Las condiciones actuales de la ganadería en el norte de Sinaloa para la engorda de ganado se realiza mediante métodos tradicionales y solo el 11.5% la practica en corral, la engorda en corrales permite controlar la alimentación y obtener una eficiente conversión alimenticia, sin embargo, todos los días una persona realiza la lectura de comederos mediante la observación de la cantidad de alimento residual, con la finalidad de determinar si la cantidad de alimento es el adecuado o es necesario realizar un ajuste, por inconsistencias en la clasificación, puede resultar una variación excesiva de alimento y provocar pérdidas económicas por desperdicio o enfermedades ocasionadas por la descomposición del alimento acumulado, la ganadería de precisión es la aplicación de tecnología de la información en las ciencias agropecuarias, por lo que es importante realizar una revisión de la literatura y evaluar los avances tecnológicos en la ganadería y considerar de qué forma pueden aplicarse en la lectura de comederos.
Citas
Consejo Mexicano de la Carne. (2023). Compendio Estadístico 2023. https://comecarne.org/
INEGI. (2023). Censo agropecuario 2022. https://www.inegi.org.mx/programas/ca/2022/
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
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
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
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
Moreno, F., Ramírez, E. (2017). Algoritmos de Visión por Computador para un SBC. https://www.researchgate.net/publication/320107559
Hernández Sampieri, R., Fernández Collado, C., Baptista Lucio, P. (2014). Metodología de la Investigación (6ta. Ed.). Mc Graw Hill.
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
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
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
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
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
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
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
