Detección de mastitis utilizando cámaras termográficas y su efectividad mediante el uso Machine Learning

Abstract

La mastitis es una de las enfermedades más frecuentes en los sistemas de producción de leche, lo que esto representa un desafío para la industria lechera debido a su impacto en la productividad. Recientemente, se ha estudiado el uso de cámaras termográficas como una herramienta para la observación del estado de la ubre. Estas permiten detectar cambios de temperatura asociados con la inflamación, que facilita un diagnóstico no invasivo. Sin embargo, con el amplio desarrollo del Deep Learning, esta tecnología se está volviendo cada vez más popular porque puede extraer objetos y sus características de fondos complejos de manera efectiva y precisa. Esto ha impulsado en el diagnostico automatizado de enfermedades animales. El estudio tuvo como objetivo implementar un modelo de detección de mastitis empleando Machine Learning. Se tomaron 160 imágenes vacas jersey (138 ubres sanas y 22 ubres con mastitis). Para aumentar el número de datos de la clase con mastitis, aplicamos técnicas de aumento de datos, específicamente rotación y volteo horizontal, lo que mejoro el balance de clases y resulto en 226 imágenes. Las imágenes fueron procesadas a un tamaño de 204x204 píxeles, normalizadas al rango [0,1], divididas en un 80% para entrenamiento (182 imágenes) y un 20% para validación (44 imágenes). Usando Google Colab con Python, y aprovechando, a infraestructura de computación de la nube, fueron entrenados los modelos ResNet50, VGG16 e InceptioV3, optimizados con Keras Tuner (optimizador Adam, tasas de aprendizaje 1e-4 a 1e-2, entropía cruzada binaria, Dropout), durante 50 épocas con Early Stopping y transferencia de aprendizaje desde ImageNet. Esta estrategia permitió aprovechar características pre entrenadas para mejorar la convergencia. VGG16 logro una precisión en validación (0.8182) y especificidad (0.67), pero con una sensibilidad baja (0.24) y 13 falsos negativos, dificultando la detección de mastitis. ResNet50 obtuvo una precisión de 0.84 en validación, sensibilidad de 0.41, especificidad de 0.52 y F1 Score de 0.38, aunque con 13 falsos positivos. InceptionV3 mostró la menor precisión (0.64), sensibilidad (0.24), especificidad (0.70) y F1 Score (0.27), con 13 falsos negativos y 8 falsos positivos.

Palabras clave: Mastitis, Termografía, Machine Learning

Mastitis is one of the most frequent diseases in milk production systems, representing a significant challenge for the dairy industry due to its impact on productivity. Additionally, it is associated with a decrease in milk quality, increased treatment costs, and higher discard rates. Recently, the use of thermographic cameras has been studied as a tool for observing udder health. These cameras allow the detection of temperature changes associated with inflammation, facilitating non-invasive diagnosis. However, with the widespread development of Deep Learning, this technology is becoming increasingly popular because it can extract objects and their specific features from complex backgrounds effectively and accurately. This has driven its application in the automated diagnosis of animal diseases. The study aimed to implement a mastitis detection model using Machine Learning techniques. A total of 160 images of Jersey cows were collected (138 healthy udders and 22 udders with clinically diagnosed mastitis). To increase the number of data points for the mastitis class, data augmentation techniques, specifically rotation and horizontal flipping, were applied, which improved class balance and resulted in 226 images. The images were processed to a size of 204x204 pixels, normalized to the range [0,1], and split into 80% for training (182 images) and 20% for validation (44 images). Using Google Colab with Python, and leveraging cloud computing infrastructure, the ResNet50, VGG16, and InceptionV3 models were trained, optimized with Keras Tuner (Adam optimizer, learning rates from 1e-4 to 1e-2, binary cross-entropy, Dropout), over 50 epochs with Early Stopping and transfer learning from ImageNet. This strategy enabled the use of pre-trained features to enhance convergence. VGG16 achieved a validation accuracy of 0.8182 and specificity of 0.67, but with low sensitivity (0.24) and 13 false negatives, hindering mastitis detection. ResNet50 obtained a validation accuracy of 0.84, sensitivity of 0.41, specificity of 0.52, and F1 Score of 0.38, though with 13 false positives. InceptionV3 showed the lowest accuracy (0.64), sensitivity (0.24), specificity (0.70), and F1 Score (0.27), with 13 false negatives and 8 false positives.

Keywords: Mastitis, Thermography, Machine Learning