Sin embargo, la precisión y la viabilidad de los métodos de pesaje actuales son limitadas. Un trabajo desarrollado por la Universidad Queen's de Belfast propone un sistema no invasivo que utiliza cámaras convencionales de bajo costo, combinadas con visión artificial e inteligencia artificial, para pesar automáticamente pollos. Los objetivos principales del trabajo fueron: evaluar los descriptores de características de video 2D, junto con modelos de regresión, para predecir el peso vivo de los pollos de engorde; establecer el impacto de la postura (es decir, sentado/de pie) y la edad del ave en la precisión de la estimación del peso; evaluar la viabilidad del sistema de pesaje con cámara para monitorear el peso a diferentes edades de las aves. En el primer experimento, se realizó un análisis de características de video para evaluar la precisión de los descriptores de características 2D (ejes de la elipse, área de la elipse, ancho del cuadro delimitador, altura del cuadro delimitador) para predecir el peso de los pollos de engorde. Se pesaron manualmente aves individuales para establecer un peso de referencia. La relación entre los conjuntos de características y el peso de referencia se evaluó utilizando seis modelos de regresión multivariante. El enfoque se probó en dos grupos de pollos de engorde de 23 y 35días de edad, con un peso entre 570 y 2.980 g. En el experimento 2, el conjunto de características de mejor rendimiento y el modelo de regresión lineal del experimento 1 se aplicaron a un mayor número de aves en un rango de edad más amplio (5 a 35 días de edad, n = 222 pollos de engorde). Para ser más representativo de la aplicación prevista de esta tecnología, se grabó material del área de alimentación de un gallinero y se aplicó un detector de pollos automatizado y un método de seguimiento. El modelo se volvió a entrenar utilizando pesos de referencia del experimento 2 (que van desde 100 a 3.085 g) para refinar el rendimiento del modelo. En el experimento 1, la característica de postura no mejoró la estimación del peso, mientras que la edad mejoró el rendimiento de todos los modelos. La precisión de la estimación del peso corporal fue mayor cuando se utilizaron como características del modelo la edad del ave y el eje de la elipse menor (extremos x,y de los puntos máximos perpendiculares a la línea más larga que puede trazarse a través de un objeto). En el experimento 2, el modelo mostró el peor rendimiento en aves de 5 días de edad, con un error relativo medio del 12,1 ± 7,9 %. Sin embargo, en general, el modelo pudo estimar el peso de un pollo de engorde con un error relativo medio del 7,0 ± 5,8 %. Los resultados indican que el análisis de las características de imágenes 2D mediante análisis de vídeo y modelos de regresión es un método prometedor para obtener estimaciones rápidas, rentables y precisas del peso vivo de los pollos de engorde.