Identificación de patrones en imágenes preprocesadas para la detección de enfermedades y comportamientos anómalos en animales mediante Backbones de redes neuronales

Abstract

Este Trabajo Fin de Máster aborda el desafío de la detección automatizada de patrones anó- malos y enfermedades en animales mediante la aplicación de técnicas de Visión Artificial y Deep Learning. El objetivo principal es desarrollar un sistema robusto que pueda asistir en el diagnóstico precoz dentro de contextos de salud animal, etología y conservación. Para lograrlo, se implementó un pipeline de inferencia en cascada que combina dos modelos de redes neuronales. En la primera etapa, se utiliza un modelo ConvNeXt pre-entrenado para la clasificación del tipo de animal (perro o gato). En la segunda etapa, la imagen clasificada se alimenta a un modelo de detección de objetos YOLOv11 entrenado para localizar y clasificar enfermedades cutáneas. La metodología incluyó el preprocesamiento de datasets de fuente abierta y la modificación de uno de ellos para adaptarse a la detección multiespecie. Los resultados mostraron que el modelo ConvNeXt-Base superó a su versión Tiny en precisión para la tarea de clasificación, pero debido al gran costo computacional de este se optó por el modelo Tiny. Sin embargo, el modelo YOLOv11 presentó un rendimiento limitado en la detección (mAP50-95 <0.40) y una tendencia al sobrea juste, lo que se atribuye a la calidad y la heterogeneidad del dataset de entrenamiento. Se concluye que el pipeline en cascada es técnicamente factible para el diagnóstico visual automatizado, y su rendimiento final está directamente limitado por la calidad de los datos de entrenamiento y las anotaciones precisas, siendo el modelo de detección el principal punto de mejora.