Redes neuronales convolucionales para la detección de Salmonella spp. en aves de granja

Abstract

RESUMEN : La detección temprana de Salmonella spp. en aves de granja es crucial para mejorar la productividad de las compañías avícolas del país, pues no sólo se trata de reducir la mortalidad de sus aves y mantener la rentabilidad y reputación de las empresas, sino de garantizar la producción alimentos inocuos para la población. Sin embargo, la capacidad de respuesta y el costo de los métodos tradicionales limita el desempeño microbiológico de estas compañías. En esta monografía se compararon diferentes arquitecturas de Redes Neuronales Convolucionales (CNN) para la detección de salmonella spp. en imágenes de heces de aves de granja. Se utilizó un conjunto de 5029 imágenes tomadas en África entre 2020 y 2021, y se clasificaron entre "Healthy" y "Salmonella". Tras la limpieza y preprocesamiento de datos, se encontró que la implementación del regularizador L2 y una capa de Dropout (0.5) en combinación con el optimizador Adam (lr = 0.0001), son los parámetros de partida óptimos para la técnica de transferencia de aprendizaje en los modelos pre entrenados VGG16 y ResNet50v2. Los resultados mostraron que ambos modelos superaron al modelo base en términos de precisión y sensibilidad, con VGG16 obteniendo una precisión de 98.42 % y ResNet50v2 de 93.67 %. En conclusión, se demostró la efectividad de las técnicas de visión por computadora y el aprendizaje profundo en la detección de Salmonella spp., lo cual proporciona una base sólida para futuras investigaciones con imágenes tomadas en Colombia.

ABSTRACT : Early detection of Salmonella spp. in poultry is crucial for improving the productivity of poultry companies in the country, as it not only reduces the mortality in their farms and maintains the profitability and reputation of the companies, but also guarantees the production of safe food for the population. However, the response capacity and cost of traditional methods limits the microbiological performance of these companies. In this project, different architectures of Convolutional Neural Networks (CNN) were compared for the detection of salmonella spp. in images of poultry feces. A set of 5029 images taken in Africa between 2020 and 2021 was used, and they were classified as "Healthy" or "Salmonella." After data cleaning and preprocessing, it was found that the implementation of the L2 regularizer and a Dropout layer (0.5) in combination with the Adam optimizer (lr = 0.0001) are the optimal starting parameters for the transfer learning technique in the pre-trained VGG16 and ResNet50v2 models. The results showed that both models outperformed the baseline model in terms of accuracy and recall, with VGG16 achieving a precision of 98.42% and ResNet50v2 of 93.67%. In conclusion, the effectiveness of computer vision and deep learning techniques for the detection of Salmonella spp. was demonstrated, which provides a solid foundation for future research with images taken in Colombia.