Los resultados de una investigación desarrollada en Brasil indican que las técnicas de procesamiento de imágenes aplicadas a imágenes térmicas, con el objetivo de realizar un diagnóstico temprano de mastitis, lograron extraer características que ayudaron en la clasificación de las imágenes.
Sin embargo, se necesitan más estudios que involucren redes convolucionales y sus técnicas para obtener nuevos resultados que ayuden al productor en la toma de decisiones.
Así se desprende de las conclusiones de una investigación gestionada por varios expertos, tanto de la Universidad Federal Rural de Pernambuco como de la Universidad Federal de Ceará, investigación enfocada hacia la mastitis, que es una enfermedad que se considera un obstáculo en la producción lechera.
A lo largo de los años se han utilizado con éxito algunos métodos de diagnóstico de la mastitis , pero con un coste relativo asociado que reduce las ganancias del productor lechero.
El objetivo de dicha investigación fue desarrollar una metodología predictiva basada en la transferencia secuencial de conocimiento para la detección automática de mastitis subclínica bovina mediante visión artificial.
El banco de imágenes utilizado en esa investigación consistió en 165 imágenes, cada una con una resolución de 360 × 360 píxeles, provenientes de una base de datos de 55 animales diagnosticados con mastitis subclínica, todos los cuales no presentaban síntomas clínicos al momento de la toma de imágenes.
Según se explicó, las metodologías predictivas propuestas, basadas en la transferencia de conocimiento, fueron efectivas para clasificar con precisión las imágenes. Esto mejoró significativamente la detección automática tanto de animales sanos como de aquellos diagnosticados con mastitis subclínica mediante imágenes térmicas de las ubres de vacas lecheras.
Las imágenes utilizadas en la transferencia de aprendizaje secuencial fueron las de MammoTherm, que se utiliza para la detección de cáncer de mama en mujeres. El modelo optimizado demostró el rendimiento de red más óptimo, logrando una precisión del 92,1%, en comparación con el modelo con búsqueda manual (86,1%).
Cabe destacar que se utilizaron tecnologías de aprendizaje profundo y de transferencia secuencial de conocimiento, para mejorar la precisión de la clasificación de las imágenes térmicas asociadas al cuadro clínico del ganado lechero, lo que se evalúa que contribuyó significativamente a la detección automática de animales sanos y animales con mastitis subclínica.
CUESTION DE INTELIGENCIA
Lo que se ha averiguado, por parte de los investigadores de la Universidad Federal Rural de Pernambuco y de la Universidad Federal de Ceará se estima que es una muestra clara de la utilidad de la inteligencia artificial (IA), como tecnología de adquisición de la percepción, el aprendizaje, la experiencia pasada y la capacidad de pensamiento de la inteligencia humana por parte de ordenadores, máquinas o sistemas
La IA permite tomar decisiones y emprender las acciones necesarias ante nuevas situaciones predecibles o impredecibles. Durante este proceso de toma de decisiones, se enseñan estas variables a la inteligencia artificial, cuyos parámetros son evaluados por la inteligencia humana, y se crean fórmulas con la ayuda de modelos informáticos que pueden hacer comentarios similares a las funciones mentales humanas para asegurar la toma de decisiones.
Y así es como se crea un modelo de pensamiento y toma de decisiones con un software informático, similar a la mentalidad humana, útil en la agricultura moderna como en otras áreas del desarrollo industrial.
