Implicaciones
- Los avances tecnológicos garantizarán el desarrollo laboral, económico, y sostenibilidad ambiental para una avicultura robusta; mediante sistemas de manejo de los pollos y las reproductoras que simultáneamente mejoran el bienestar animal y la eficiencia productiva y económica.
- La producción de pollo de engorde será impulsada por la Inteligencia Artificial adaptativa (I.A.) mediante sistemas basados en datos, haciéndolos más resistentes a eventos anormales.
- El rápido desarrollo de sensores avanzados, mediante la robótica, la IA y los sistemas de transporte nos ayudarán a abordar y solucionar los problemas de los pollos de engorde y sus criadores, pues tendremos que adaptar los programas de manejo a las nuevas tecnologías.
Introducción
Imagine la cría y el procesamiento de aves de corral donde todo se optimiza mediante el uso de sistemas autónomos inteligentes con trabajadores humanos que gestionan las operaciones de forma remota y solo intervienen físicamente cuando es necesario. Esta visión es un real potencial para el futuro de la producción avícola donde el ecosistema está totalmente automatizado y gestionado por una inteligencia artificial (IA) en constante evolución. Como se muestra en la Figura 1, un cambio de paradigma se llevará a cabo desde un esquema de producción avícola de hoy a uno que es altamente inteligente, automatizado y basado en datos. Es decir un esquema que está dirigido por sistemas autónomos que pueden tomar decisiones y actúa por su cuenta en función de las entradas de los sensores.
La parte superior de la Figura 1 ilustra un paradigma futuro donde las aves de corral y las casetas serán administradas las 24 horas a través de un supervisor Marco de IA con sensores y robots asociados. Las aves serán transportadas de forma autónoma a las plantas de faenado o procesamiento. Conjuntos de datos enriquecidos incorporando cada momento en la producción de pollos de engorde y reproductoras, el transporte y el procesamiento se registrarán en servidores en la nube, y la IA procesará constantemente los datos de entrada y evolucionara con el tiempo, tomando decisiones informadas consistentemente. Los robots versatiles llevaran a cabo la mayoria de las tareas diarias como: sacar las aves muertas del galpón y monitorear el comportamiento de la parvada para garantizar el crecimiento y bienestar de las aves.
Los sistemas permiten la gestión remota y la manipulación de los equipos en el galpón. Son varios los retos a abordar ante tal visión para convertirla en una realidad. Con dispositivos mecánicos más sofisticados, sensores, computadoras y procesadores más rápidos será posible analizar mayor cantidad de datos, integrando estrechamente todos los aspectos de la producción y el procesamiento avícola. Este artículo arroja una visión muy novedosa del futuro de la avicultura. Describe las limitaciones actuales e introduce algunas investigaciones en curso en el contexto de la producción y el transporte de pollos de engorde y reproductoras que podría indicar una transformación en el futuro de la producción de proteína animal. Los desafíos en las aves de corral de engorde y reproductoras que incluyen dificultades como: escasez de mano de obra, brotes de enfermedades, seguridad alimentaria total, calidad, uniformidad de los lotes de aves; además, la obligación de garantizar bienestar animal; si bien se prevee que la producción se aumente con el paso de los años, cada día se tendrán más problemas para conseguir los operarios dispuestos a trabajar en las zonas rurales para la industria avícola; por lo anterior se hace necesario que el Estado mejore las condiciones de vida de las personas y que llegue la tecnología y los servicios públicos (Nuñez y Ross, 2019).
Se calcula que las pérdidas mundiales desde 2003 causadas por brotes de gripe aviar altamente patógena podrían ascender a miles de millones de dólares (McLeod et al., 2005). Además, los trabajadores agrícolas pueden convertirse en vectores de enfermedades al transportar sin saberlo patógenos y virus de una de un gallinero a otro y ayudando a contaminar las parvadas. Se estima que los problemas de seguridad alimentaria son responsables de 9,4 millones de enfermedades de transmisión alimentaria al año en todo el mundo (Scallan et al., 2011).
Tanto la seguridad alimentaria como los resultados de las enfermedades mejorarían mediante diagnósticos rápidos y un mejor control predictivo. La produccion de pollos de engorde y reproductoras tambien ocasionan problemas medioambientales ya que la yacija tiene un alto valor nutritivo (contenido de N) (Box, et al.,2020) con el agravante que si se realiza una gestion equivocada puede producir una lixiviacion de nutrientes.
Las herramientas y los procesos para gestionar mejor la uniformidad de la alimentación y suministro de agua a las parvadas especialmente de las reproductoras, con el objetivo de producir la mayor eficiencia en el proceso y el rendimiento zootécnico y económico.
Los residuos sólidos de las explotaciones avicolas pueden producir la acidificación del suelo (Beausang et. al., 2020), la emisión de gases nocivos como el amoniaco (Joardar et. al., 2020) y la propagación de patógenos (Reddy et. al.,2003). Por ejemplo, la bahía de Chesapeake ha sufrido contaminación por fósforo y floraciones de algas en las últimas dos décadas como se documenta en un informe publicado recientemente por Environmental Integrity Project ( Lamm et al., 2021).
Por último, la gestión del bienestar de las aves de corral es una oportunidad en constante evolución. Amoníaco con niveles superiores a 50 ppm producido por la excreción afecta las membranas mucosas del sistema respiratorio de las aves, una herramienta vital para combatir las infecciones respiratorias.
Los estudios muestran que la presencia de 50 y 75 ppm de amoníaco redujo el peso de las aves en un 6 % y un 9 %, respectivamente, en comparación con 0 ppm (Miles et al., 2004). El trato humanitario de los pollos de engorde durante la producción y el procesamiento también es una prioridad.
Las actividades rutinarias previas al sacrificio como: la captura y el transporte de aves vivas, luego colgarlos en el matadero son algunos de los momentos más estresantes para las aves durante el proceso de producción que tienen efectos negativos, fisiológicos y conductales conocidas.
Los investigadores continúan comprendiendo mejor los comportamientos y tendencias naturales de las aves y adaptando ambientes de preferencia de las aves de corral (Ferreira et. al., 2020). La capacidad de detectar estas preferencias y medir comportamientos permitira un mejor control ambiental que no solo proporciona bienestar animal, sino que ayuda al rendimiento general de la parvada. La manera incorrecta de la distribución del alimento y el agua se convierte en un problema de bienestar animal; pues algunas aves no reciben la nutrición completa. (Zuidhof et. al., 2017).
El seguimiento de estas secciones proyectan una visión de las granjas avícolas del futuro y como se administran a través de la automatización inteligente.
Una Visión para el Sistema de Producción Avícola de el futuro
El sistema de producción de pollos de engorde y reproductoras del futuro podría emplear innovaciones novedosas en sensores, sistemas automatizados y robóticos, recopilación de datos y análisis, todo complementado por un marco de IA en evolución. El trabajo manual podría convertirse en una fuerza del conocimiento que no está físicamente presente en las aves de corral, pero equipado con una capacidad mejorada para remotamente administrar, tomar acciones para resolver problemas relacionados con eventos anómalos y finalmente decidir muy rápidamente basados en la Inteligencia Artificial. Robots y dispositivos automatizados impulsado por sensores y clasificadores inteligentes que aprovechan la IA y el aprendizaje automático podría proporcionar la mayor parte de la mano de obra intensiva.
Tareas: Robots móviles autónomos disponibles las 24 horas realizarán oficios rutinarios que actualmente ejecuta la mano de obra humana; como recoger los huevos, retirar la basura, aplicar vacunas mediante rocío, lo mismo que desinfectantes. Además; estos robots recopilan datos localizados sin parar mientras deambulan a través de las casetas. Se despliegan drones para explorar y evaluar los galpones de pollos de engorde y reproductoras para detectar problemas actuales y emergentes, proporcionando datos de sensores e inteligencia a los robots terrestres para una respuesta rápida y dirigida. Podrían detectarse problemas relacionados con enfermedades y seguridad alimentaria y abordando temprano a través de una red de sensores inteligentes que alimentan datos a clasificadores de IA que permiten una respuesta rápida y específica a patógenos indeseables.
Un biosensor preciso y robusto podría detectar la presencia de patógenos virales y bacterianos potenciales en aire y heces en tiempo real, por lo que las intervenciones oportunas pueden ser más exitosas o efectivas porque se trata es detectar anormalidades muy tempranamente. Basados en datos históricos la IA predice posibles brotes de enfermedades antes de que ocurran; los datos también se utilizan para rastrear el vector de la enfermedad, el modo de transmisión y otros patrones, lo que mejora la alerta temprana de la IA capacidades que podrían ayudar a prevenir futuros brotes. Cuando se detecta un brote de enfermedad o una infección patógena de las aves los sistemas robóticos autónomos previstos se implementan rápidamente para aplicar las intervenciones adecuadas como eliminar una ave enferma o aislar un grupo de aves de otros en el galpón en un espacio segregado especifico. La investigación preliminar ha demostrado que los robots terrestres autónomos pueden entrar en contacto físico cercano con las aves (Usher et. al., 2015).
Desde una perspectiva de sostenibilidad, las futuras granjas podrían estar equipadas con tecnologías para extraer materiales de mayor valor y nutrientes de los residuos tradicionales. Esto incluye avanzado material adsorbente para capturar amoniaco del aire o ambiente del gallinero o biorreactores para eliminar el fósforo de la cama del pollo o producir otros compuestos a partir del P para ser utilizados como enmiendas del suelo (Xu et. al., 2017).
Las consideraciones de bienestar animal podrían mejorarse significativamente mediante el uso de sistemas de automatización inteligentes que puedan capturar datos en tiempo real. Por ejemplo, los sistemas inteligentes que procesan y clasifican imágenes, videos, audios de aves reales sobre su comportamiento y esto podría conducir a una mejor comprensión de los parámetros operativos como la temperatura que impactan el bienestar al asociar un patrón entre los comportamientos de las aves y la condición ambiental a lo largo del tiempo. Infraestructura inteligente y robots autónomos equipados con químicos y biológicos Los sensores permiten una colección de datos heterogéneos robustos que se puedan utilizar para revelar las preferencias naturales de las aves con respecto a las condiciones de crecimiento, incluida la iluminación, el flujo de aire y los materiales de cama; 2) monitorear el crecimiento y el estado de salud de las aves a través de biodetección en tiempo real; y 3) caracterizar el crecimiento animal, la microbiota del medio ambiente con respecto a enfermedades y patógenos, así como concentraciones de amoníaco. Además, la IA puede mejorar los sistemas de alimentación de precisión como se describe en Zuidhof et al. (2017) por tomar una decisión más informada para la programación de alimentación basada en datos ambientales, de salud y de comportamiento localizados de aves individuales. Esto podría permitir un mejor control del crecimiento y uniformidad de las parvadas, lo que ayuda al procesamiento o sacrificio.
Los futuros sistemas de transporte de aves de corral pueden eliminar el movimiento de aves vivas para minimizar los factores estresantes como: la incomodidad física, los entornos sociales anormales y otros aspectos negativos (Asociación Americana de Medicina Veterinaria, 2016), que todos contribuyen a acumulaciones significativas de estrés.
Las actividades asociadas con el aturdimiento y la matanza que se realizan actualmente en la planta de procesamiento también podrían trasladarse río arriba a la granja.
Para que todo esto sea posible, los robots conducirán a las aves a una estación de aturdimiento y las encadena. Un sistema de transporte ofrece las aves encadenadas mientras realiza un seguimiento de las aves individuales para que los datos de cada ave recopilados durante el manejo de pollos de engorde y reproductoras, como el peso y la salud, se puedan transmitir al planta procesadora.
Brechas tecnológicas entre el estado actual y Futuro Visualizado
Recientemente, ha habido un repunte en los sistemas de robots diseñados para operación en gallineros ( Ren et al., 2020). La mayoría conlleva a realizar tareas específicas o singulares. Los ejemplos incluye la recolección de huevos por robots (Joffe y Usher, 2017) y robots de desinfección (Feng et al., 2021). Claramente existe la necesidad de un robot automatizado que puede ejecutar una variedad de tareas relacionadas con la gestión de las casetas.
Para controlar las enfermedades y garantizar la calidad y seguridad de los alimentos de manera más eficiente, es necesario contar con sensores bioquímicos de bajo costo para detectar patógenos y virus de forma rápida y precisa. Métodos actuales de detección de gripe aviar que utilizan aislamiento del virus, o en tiempo real la reaccion en cadena de la polimerasa con transcriptasa reversa (RRT-PCR) que es un metodo en tiempo real que detecta la presencia de material genetico especifico de los patogenos virus o bacterias es uno de los metodos mas sensibles en medicina veterinaria es una tecnica para la ampliación de ácidos nucleicos, ADN y ARN que son una secuencia de oligonucleótidos y los inmunoensayos de captura de antígenos que tienen serios inconvenientes. El aislamiento viral requiere de 5 a 7 días para obtener resultados; RRT-PCR solo está disponible a través de laboratorios de diagnóstico veterinario y requiere equipo costoso; e inmunoensayos de captura de antígenos, incluso aunque más rápido que los otros dos métodos, son costosos e insensibles.
sistemas de detección rápidos y utilizables en el campo para hacer posible una intervención oportuna. Además, grandes cantidades de datos deben recopilarse para crear un modelo impulsado por IA para predecir posibles brotes de enfermedades. Para la detección localizada, la detección bioquímica debe estar estrechamente integrada con el robot ya que este ultimo debe identificar aves individualmente para realizar seguimiento de la salud de cada una de ellas, y para esto el robot tendría que entrar en contacto e interactuar con las aves de forma segura para aplicar vacunas y recoger muestras de patógenos directamente de las aves.
Se requiere una monitorización en tiempo real de los cinco dominios del bienestar animal, que incluyen: la nutrición, el entorno, la salud, el comportamiento y estado mental (Mellor et al., 2020). bienestar de las aves de corral. En la actualidad los cinco puntos supervisados y evaluados manualmente por los trabajadores con la pequeña muestra de datos que pueden recoger debido a las tecnologías. Los sensores ambientales especializados como los de amoniaco suelen tener problemas como la escasa duración de las pilas, la deriva de la línea de base, los problemas de selectividad, falsas alarmas y necesidad de recalibración frecuente.
Además, la finalidad original de muchos de estos sensores comerciales era la supervisión de la seguridad personal para detectar una baja concentración de amoníaco, lo que no es adecuado para su uso en naves avícolas que suelen tener una alta concentración de amoníaco. Es necesario recopilar una gran cantidad de datos y aplicar algoritmos de IA. para reconocer de forma autónoma estos comportamientos en tiempo real y evaluar el bienestar de las aves. Para ello una métrica cuantificable y una forma estándar de evaluar el bienestar. Tambiénse se necesitan robots versátiles que puedan responder rápidamente a cualquier acontecimiento indeseable y estimular determinados comportamientos en las aves. Es necesario determinar cómo perciben los pollos a los robots y cuál es la mejor forma de hacerlo. (Hubbard et al., 2020; Savage et al., 2000).
Una mejora de los sistemas de gestión de la alimentación mediante métodos basados en datos y proporcionar enriquecimiento ambiental también podría ayudar a reducir el picoteo perjudicial en aves de corral y aves cautivas (Dong et al., 2019).
La visión de lograr una gestión o producción de pollos de engorde y reproductoras totalmente automatizada e inteligente, requiere una marco de supervisión de IA y robótica capaz de tomar datos de sensores y entradas de conocimiento experto; procesar esos datos y convertirlos en tareas tangibles y procesables que puedan llevar a cabo sistemas robóticos. Los recientes avances en hardware y software, incluidos sensores, robots, redes 5G e infraestructuras en la nube permiten la recopilación de grandes cantidades de datos de las naves avícolas. Los motores de IA que toman decisiones basadas en estos datos de entrada para controlar sistemas automatizados mejorarán continuamente a través del aprendizaje automático interactivo. La IA mejorada puede dotar al sistema de de datos, como el control predictivo y la toma de decisiones. También puede informar a los ingenieros sobre cómo mejorar el diseño del sistema para que pueda recoger datos más ricos y precisos, que a su vez pueden utilizarse para actualizar la propia IA. Este proceso de aprendizaje iterativo se producirá constantemente a lo largo del tiempo y esfuerzos en curso para colmar las brechas tecnológicas.
Los investigadores del Instituto de Investigación Tecnológica de Georgia (GTRI)
División de Tecnologías Inteligentes Sostenibles desde hace varias décadas en un esfuerzo por colmar las lagunas antes descritas.
En las secciones siguientes se destacan las tecnologías desarrolladas en robótica, visión por ordenador, procesamiento de audio, aprendizaje automático, detección química y biológica y sistemas de transporte que podrían tener un impacto en la consecución del sistema de producción avícola del futuro.
Robótica para naves de pollos de engorde y reproductoras
Se han dedicado varios años a desarrollar y evaluar un vehículo terrestre automatizado y un dron para su uso en naves de pollos de engorde y reproductoras de pollo de engorde. Los primeros esfuerzos demostraron que sistemas robóticos tanto aéreos como terrestres no eran perjudiciales para el bienestar de los lotes de aves. Poco después se desarrollaron rutinas que permitían la automatización inteligente de un robot terrestre y se demostró con éxito que podía navegar entre una bandada de pollos e interactuar directamente con ellos mediante un movimiento con sonido suave que anima a las aves a apartarse de su camino.
En la figura 2 se muestra la plataforma robótica desarrollada en el GTRI. La plataforma consta de un chasis comercial de cuatro ruedas equipado con un ordenador, un lidar, cámaras 2D y 3D, un sistema de localización por ultrasonidos, y un brazo robótico COTS con un efector final de ventosa.
La plataforma también cuenta con un conjunto de sensores para registrar temperatura, la humedad relativa, los niveles de luz ambiental y varios gases como CO2, CO, CH4 GLP y NH3.
Con el sistema de localización del robot por ultrasonidos de alta precisión se desarrollaron rutinas personalizadas para permitir al robot buscar un espacio para la recogida de huevos, garantizando una cobertura total del suelo; esto se consigue haciendo que el robot recuerde las zonas del galpón que ya ha recorrido durante varias veces. De este modo, el robot puede buscar en toda la caseta con un número muy limitado de puntos de paso predefinidos una configuración muy sencilla y poco técnica. Los algoritmos de IA se entrenaron para clasificar los huevos y los pollos, cómo se encuentra en la figura 3 y el equipamiento de los galpones lo que permite al robot tener conciencia de su entorno (Joffe y Usher, 2017). Ademas, de localizar objetos de interés, el sistema de localización permite al robot marcar y almacenar estas ubicaciones en un mapa del gallinero para proporcionárselo a un granjero.
Esta función, combinada con las capacidades de detección del entorno, permite al granjero conocer la ubicación y las condiciones ambientales de las aves problemáticas. En el caso de las reproductoras, esto puede incluir la ubicación de donde se encuentran huevos puestos en el suelo con regularidad, lo que puede permitir al granjero ajustar las condiciones y reducir el potencial de huevos de suelo. La IA de detección de huevos y el sensor de profundidad 3 D permiten al robot percibir y localizar los huevos con respecto a sí mismo. Esto, combinado con el brazo robótico COTS, permite detectar y retirar de forma autónoma los huevos del suelo en las naves de reproductoras avícolas. El robot se ha sometido a pruebas para realizar diversas operaciones totalmente autónomas, como la navegación y la recogida de huevos, durante más de 200 horas.
Detección de audio
Los investigadores han desarrollado un sistema para evaluar las condiciones y el bienestar de los pollos de engorde a través del audio. Por señales de audio captadas en naves avícolas, como se muestra en la figura 4 , los investigadores demostraron la capacidad de detectar enfermedades como laringotraqueitis, bronquitis infecciosa, así como la respuesta del ave al estrés por temperatura y amoníaco. Esto se ha logrado utilizando técnicas de procesamiento digital de sonidos; IA y aprendizaje automático (Carroll, 2018). El resultado de este trabajo ha sido la formación de una empresa emergente, Audio T que tiene como objetivo comercializar este tipo de herramientas especificas que proporcionan medidas cuantitativas de bienestar animal.
Este proporcionaría al granjero y al gestor de pollos de engorde información para monitorear las aves de una manera más holística. Con el tiempo, gracias a las repetidas aportaciones de los expertos, el marco de supervisión de la IA podría desplegar automáticamente las intervenciones necesarias.
Detección de amoníaco
Los investigadores del GTRI han desarrollado un sistema de sensores multifunción (Lotfi et al., 2019) con un componente de análisis robusto y reproducible para la monitorización continua del nivel de amoníaco como se muestra en la Figura 5. El novedoso sensor de gas electrotérmico se basa en el calentamiento joule de un elemento eléctricamente conductor y la medición del cambio de resistencia del elemento, que es una función de la tasa de perdida de calor (Lotfi, et. al., 2019). Cuando hay disipación de energía eléctrica tiene lugar en el sensor suspendido en el gas; la conductividad térmica del gas que rodea al calentador. Por lo tanto, la temperatura del calentador depende de las propiedades termofísicas del gas ambiente. Para mejorar el límite del sensor de detección y sensibilidad, se ha desarrollado un 3- omega totalmente diferencial (Lotfi et. al., 2019) para mejorar el limite de detección, magnificando el cambio de resistencia del micropuente con una amplificación mínima del ruido. En comparación con los sensores químicos tradicionales, los sensores electrotérmicos tienen tiempos de respuesta más rápidos, menor consumo de energía, y son muy duraderos y de bajo costo.
Detección química de enfermedades
Los investigadores han desarrollado un novedoso biosensor de detección rápida para identificar la gripe aviar ( Xu et al., 2007) , que es barato, portátil y capaz de detectar varias cepas aviares diferentes simultáneamente y en cuestión de minutos. El chip sensor consta de dos canales: uno de detección y otro de referencia. El canal sensor está recubierto con anticuerpos específicos de la gripe aviar, mientras que el canal de referencia anticuerpos no específicos. Los anticuerpos específicos de la gripe aviar están diseñados para captar una proteína de la superficie del virus; El canal de referencia actúa como un control diseñado para minimizar el impacto de las interacciones no específicas, los cambios de temperatura, el pH y el movimiento mecánico.A continuación, el sensor utiliza un proceso denominado interferometría para detectar y medir la presencia de partículas víricas.
En este proceso, la luz de un diodo láser se acopla de esa guía de ondas ópticas y se desplaza por debajo de la guía de ondas y viaja por debajo de los canales de referencia y detección. Esto crea un campo electromagnético sobre las guías de ondas, que es sensible a la interacción entre el anticuerpo y el antígeno. En presencia de partículas víricas, las moléculas de agua se desplazan debido a la unión del antígeno con el anticuerpo de superficie de la guía de ondas, lo que introduce un cambio en la velocidad de la luz que atraviesa la guía de ondas. En el extremo de la guía de ondas, la luz de los canales de detección y referencia se combina, creando un patrón de interferencia. Un detector sencillo capta este patrón y, observando el desplazamiento de fase asociada, el sistema puede determinar la cantidad de virus presente.
Sacrificio y transporte en la granja
Como parte de los esfuerzos por replantearse el futuro del procesado y la producción avícola, los investigadores han estado estudiando conceptos de procesamiento avícola que tienen el potencial de mejorar drásticamente el bienestar de los pollos de engorde, minimizar la manipulación manual de las aves de corral reducir las necesidades de mano de obra, disminuir los costos de transporte, mejorar la sostenibilidad del proceso y aplicar nuevos avances tecnológicos. En el diseño de este nuevo proceso, se eliminó el transporte de aves vivas, reduciendo así el estrés y disminuyendo significativamente la cantidad de manipulación de pollos de engorde vivos. Para este nuevo proceso se propuso un paradigma que traslada las tareas de aturdimiento y sacrificio de la planta de procesado a la granja. Para ello fue necesario diseñar un sistema móvil de procesado y transporte en granja (FP aT) con dos unidades: un remolque de procesado y otro de transporte construidos sobre remolques estándar de 53 pies, como lo muestra la figura 6.
Los cambios propuestos suponen una ruptura radical con el proceso actual, bien establecido. Investigadores de la Universidad de Georgia, la Universidad de Auburn, el USDA-ARS y el Georgia Tech están estudiando las implicaciones derivadas del proceso propuesto sobre la calidad de la carne y la seguridad alimentaria. Los resultados preliminares sugieren que no hay diferencias significativas en los principales parámetros de calidad de los alimentos, como las propiedades físicas y las puntuaciones de miopatía, matriz de calidad alimentaria, como las propiedades físicas y las propiedades visuales, capacidad de retención de agua, rendimiento de eficiencia en el marinado, textura, calidad y rendimiento entre las canales procesadas con el nuevo método propuesto. Sin embargo queda mucho por investigar; actualmente el equipo encargado está ejecutando trabajos relacionados con el procesamiento FPaT.; además, de mejorar el bienestar de los pollos de engorde ya que reduce la manipulación de los mismos; hay otros beneficios de esta nueva tecnología como la reducción del consumo de agua debido a la menor necesidad de escaldado (Med, 2004).
Se puede mejorar la eficiencia del rendimiento de las canales y la distribución del peso para informar de un producto que llega con antelación para personalizar el procesamiento de las canales. Para minimizar la contaminación cruzada entre cargas, el sistema está equipado con un proceso de lavado que se utiliza antes de transportar otra carga. Además, este sistema mejora la seguridad del transporte. Esto se consigue eliminando el desplazamiento de las cargas, ya que todas las canales llevan grilletes y están fijas en su sitio, lo que es típico del sistema actual de transporte de aves de corral.
Conclusión
El futuro de la producción de pollos de engorde y reproductoras está lleno de posibilidades de cambio transformador. La innovación residirá en la inteligencia artificial altamente adaptativa y los sistemas basados en datos, junto con los avances en tecnologías de detección, robótica y transporte. Este surgimiento de nuevas investigaciones y desarrollos dentro del cual está el ecosistema de producción y procesado de las aves que van a sacrificio, resolviendo problemas que van desde la escasez de mano de obra y el control de enfermedades hasta la seguridad alimentaria y la uniformidad de las manadas, al tiempo que se mejora el bienestar de las aves. El objetivo final del sistema de gestión de reproductoras y pollo de engorde será tan robusto, resistente y equipado para ser frente a situaciones anómalas; garantizando un suministro seguro de proteína animal.
Referencias Bibliográficas
- American Veterinary Medical Association. 2016. AVMA Guidelines for the Humane Slaughter of Animals: 2016 Edition. ISBN 978-1-882691-07-4.
- American Veterinary Medical Association. 2016. AVMA Guidelines for the Humane Slaughter of Animals: 2016 Edition. ISBN 978-1-882691-07-4.
- Beausang, C., K. McDonnell, and F. Murphy. 2020. Anaerobic digestion of poultry litter—a consequential life cycle assessment. Sci. Total Environ. 735:139494. doi: 10.1016/j.scitotenv.2020.139494.
- Bora, R.R., M. Lei, J.W. Tester, J. Lehmann, and F. You. 2020. Life cycle assessment and technoeconomic analysis of thermochemical conversion technologies applied to poultry litter with energy and nutrient recovery. ACS Sustain. Chem. Eng. 8(22):8436–8447. doi: 10.1021/ acssuschemeng.0c02860.
- Carroll, B.T. 2018. Characterizing Acoustic Environments with OLAF and ELSA [PhD thesis]. Atlanta (GA): Georgia Institute of Technology.
- Dong, Y., D. Karcher, and M. Erasmus. 2019. An explanation of damaging pecking behavior in poultry and captive birds. Purdue University Extension: Purdue University Extension; vol. Product code: AS-651-W (pp. 1–8).
- Feng, Q., B. Wang, W. Zhang, and X. Li. 2021. Development and test of spraying robot for anti-epidemic and disinfection in animal housing. In: 2021 WRC Symposium on Advanced Robotics and Automation (WRC SARA) (pp. 24–29). IEEE. doi: 10.1109/ WRCSARA53879.2021.9612617.
- Ferreira, V.H.B., K. Germain, L. Calandreau, and V. Guesdon. 2020. Range use is related to free-range broiler chickens’ behavioral responses during food and social conditioned place preference tests. Appl. Anim. Behav. Sci. 230:105083. doi: 10.1016/j.applanim.2020.105083.
- Hubbard, L.E., C.E. Givens, D.W. Griffin, L.R. Iwanowicz, M.T. Meyer, and D.W. Kolpin. 2020. Poultry litter as potential source of pathogens and other contaminants in groundwater and surface water proximal to largescale confined poultry feeding operations. Sci. Total Environ. 735:139459.
- doi: 10.1016/j.scitotenv.2020.139459.
- Jacobs, L., E. Delezie, L. Duchateau, K. Goethals, and F.A. Tuyttens. 2017. Impact of the separate pre-slaughter stages on broiler chicken welfare. Poult. Sci. 96(2):266–273. doi: 10.3382/ps/pew361. Joardar, J.C., B. Mondal, and S. Sikder. 2020. Comparative study of poultry litter and poultry litter biochar application in the soil for plant growth. SN Appl. Sci. 2(11):1–9. doi: 10.1007/s42452-020-03596-z.
- Joffe, B.P., and C.T. Usher. 2017. Autonomous robotic system for picking up floor eggs in poultry houses. In: 2017 ASABE Annual International Meeting (p. 1). American Society of Agricultural and Biological Engineers. doi: 10.13031/aim.201700397.
- Lamm, M., L. Markow, C. Bernhardt, T. Pelton. 2021. Blind eye to big chicken: the environmental integrity project. https://environmentalintegrity.org/ wp-content/uploads/2021/10/MD-Poultry-Report-10-28-21.pdf.
- Lotfi, A., M. Navaei, and P.J. Hesketh. 2019. A platinum cantilever-based thermal conductivity detector for ammonia sensing using the 3-omega technique. ECS J. Solid State SC. 8(6):Q126. doi: 10.1149/2.0231906jss.
- McLeod, A., N. Morgan, A. Prakash, and J. Hinrichs. 2005. Economic andsocial impact of avian influenza. Proceedings of the joint FAO/OMS/ OIE/World Bank Conference on Avian Influenza and Human Pandemic Influenza.
- Mead, G., ed. 2004. Poultry meat processing and quality. Amsterdam, Netherlands: Elsevier.
- Mellor, D.J., N.J. Beausoleil, K.E. Littlewood, A.N. McLean, P.D. McGreevy, B. Jones, and C. Wilkins. 2020. The 2020 five domains model: including human–animal interactions in assessments of animal welfare. Animals. 10(10):1870. doi: 10.3390/ani10101870.
- Miles, D.M., S.L. Branton, and B.D. Lott. 2004. Atmospheric ammonia is detrimental to the performance of modern commercial broilers. Poult. Sci. 83(10):1650–1654. doi: 10.1093/ps/83.10.1650.
- Mitchell, M.A., and P.J. Kettlewell. 2009. Welfare of poultry during transport—a review. In: Poultry Welfare Symposium (pp. 90–100). Cervia: Association Proceeding.
- Nuñez, I.A., and T.M. Ross. 2019. A review of H5Nx avian influenza viruses. Ther. Adv. Vaccin. Immunother. 7:2515135518821625. doi: 10.1177/2515135518821625
- Reddy, K.C., S.S. Reddy, R.K. Malik, J.L. Lemunyon, and D.W. Reeves. 2008. Effect of five-year continuous poultry litter use in cotton production on major soil nutrients. Agron. J. 100(4):1047–1055. doi: 10.2134/ agronj2007.0294.
- Ren, G., T. Lin, Y. Ying, G. Chowdhary, and K.C. Ting. 2020. Agricultural robotics research applicable to poultry production: a review. Comput. Electron. Agric. 169:105216. doi: 10.1016/j.compag.2020.105216.
- Saraiva, S., A. Esteves, I. Oliveira, M. Mitchell, and G. Stilwell. 2020. Impact of pre-slaughter factors on welfare of broilers. Vet. Anim. Sci. 10:100146. doi: 10.1016/j.vas.2020.100146.
- Savage, J., R.A. Sanchez-Guzman, W. Mayol-Cuevas, L. Arce, A. Hernandez, L. Brier, F. Martinez, A. Velazquez, and G. Lopez. 2000. Animalmachine interfaces. In: Digest of Papers. Fourth International Symposium on Wearable Computers (pp. 191–192). IEEE. doi: 10.1109/ISWC.2000.888496.
- Scallan, E., P.M. Griffin, F.J. Angulo, R.V. Tauxe, and R.M. Hoekstra. 2011. Foodborne illness acquired in the United States—unspecified agents. Emerg. Infect. Dis. 17(1):16. doi: 10.3201/eid1701.P21101.
- Schwartzkopf-Genswein, K.S., L. Faucitano, S. Dadgar, P. Shand, L.A. González, and T.G. Crowe. 2012. Road transport of cattle, swine and poultry in North America and its impact on animal welfare, carcass and meat quality: a review. Meat Sci. 92(3), 227–243. doi: 10.1016/j.meatsci.2012.04.010.
- Usher, C.T., W.D. Daley, A.B. Webster, and C. Ritz. 2015. A study on quantitative metrics for evaluating animal behavior in confined environments. In: 2015 ASABE Annual International Meeting (p. 1). American Society of Agricultural and Biological Engineers. doi: 10.13031/aim.20152190148.
- Xu, J., L. Luu, and Y. Tang. 2017. Phosphate removal using aluminumdoped magnetic nanoparticles. Desalination Water Treat. 58:239–248. doi: 10.5004/dwt.2017.0356.
- Xu, J., D. Suarez, and D.S. Gottfried. 2007. Detection of avian influenza virus using an interferometric biosensor. Anal. Bioanal. Chem. 389:1193–1199. doi:10.1007/s00216-007-1525-3.
- Zahniser, S., J.E. Taylor, T. Hertz, and D. Charlton. 2018. Farm labor markets in the United States and Mexico pose challenges for US agriculture. U. S. D. o., Ed. U.S. Department of Agriculture: U.S. Department of Agriculture; vol. Economic Information Bulletin No. EIB-201, (pp. 1–40). doi: 10.22004/ag.econ.281161.
- Zuidhof, M.J., M.V. Fedorak, C.A. Ouellette, and I.I. Wenger. 2017. Precision feeding: Innovative management of broiler breeder feed intake and flock uniformity. Poult. Sci. 96(7):2254–2263. doi: 10.3382/ps/pex013.
