التعرف متعدد المقاييس وخفيف الوزن لسلوك الدجاج البياض المحبوس باستخدام إطار عمل YOLOv8 معزَّز

لماذا يمكن لمراقبة الدجاج أن تحمي غذائنا

البيض عنصر أساسي على موائد الإفطار في أنحاء العالم، ومع ذلك غالبًا ما يعيش الدجاج الذي يضعه في أقفاص مزدحمة حيث يصعب ملاحظة العلامات المبكرة للمرض أو الضغط النفسي. توضح هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي مضغوط أن يراقب الدجاج البياض المحبوس بالكاميرات، يتعرف تلقائيًا على سلوكيات رئيسية مرتبطة بالصحة والرفاهية، ويفعل ذلك بسرعة كافية لتشغيله على أجهزة مزرعة بسيطة. يشير العمل إلى مزارع يمكن أن تتضمن مرابط رقمية هادئة تميِّز المشكلات في الزمن الحقيقي، مما يساعد في الحفاظ على صحة الطيور وإنتاجية بيض أكثر موثوقية.

كيف تتحول الكاميرات إلى مساعدين هادئين في الحظيرة

بنَى الباحثون أولاً منصة مراقبة عملية قادرة على الصمود في وجه الغبار والضوضاء وأيام العمل الطويلة في بيت دجاج تجاري. ركبوا كاميرات على كل طابق من أقفاص متدرجة في مزرعة كبيرة في نانجينغ، الصين، وربطوها بأجهزة Jetson Nano صغيرة منخفضة الطاقة وبطاريات. سجلت الكاميرات الدجاج من الصباح الباكر إلى المساء على مدى عدة أسابيع، ملتقطة كيف تحرّك الطيور وأكلت وتفاعلت. وللتأكد من أن الصور مفيدة، قام الفريق بتصفية الإطارات ذات الظلال الكثيفة أو الضبابية أو المشاهد المحجوبة، محتفظين فقط باللقطات الواضحة لحياة الحظيرة الاعتيادية.

تحويل الفيديو الخام إلى سلوكيات دجاج معنونة

من بين آلاف إطارات الفيديو المجمعة، قام العلماء بتوسيم 2035 صورة بعناية باستخدام برمجيات مفتوحة المصدر. ركزوا على أربعة سلوكيات مرتبطة بالرأس: الأكل العادي، التنفس بفم مفتوح، النقر الذاتي، والنقر على دجاجة أخرى. تعتبر الثلاثة الأخيرة علامات تحذيرية، مرتبطة في أعمال سابقة بمشاكل تنفسية محتملة أو ألم أو ضغط اجتماعي. في كل صورة، رسم الخبراء مربعات حول رؤوس الدجاج وصنَّفوا كل حالة ضمن إحدى الفئات الأربع. ثم قُسِّمَت مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار بحيث يتعلم نموذج الحاسوب من جزء من البيانات ويُقيَّم بعدالة على صور لم يرها من قبل.

مراقب رقمي أكثر نحافة ودقة

في قلب النظام توجد نسخة محسنة من نموذج كشف الأشياء الشائع المعروف باسم YOLOv8. أعاد الفريق تصميم بنيته الداخلية ليتمكن من رصد رؤوس الدجاج الصغيرة والمكتظة بكفاءة دون الحاجة إلى حاسوب ضخم. استبدلوا مكونات بنائية أخف تقلل الحسابات المتكررة، أضافوا آلية انتباه تساعد النموذج على التركيز على مناطق مهمة مثل المناقير، واستخدموا خطوة رفع عينات ذكية لتوضيح حدود الأهداف الصغيرة. كما أدخلوا وصفة تدريبية جديدة تعطي وزنًا إضافيًا للأمثلة الصعبة التصنيف، مثل الطيور المخبأة جزئيًا، مما يجعل التعلم أكثر استقرارًا وأقل ميلًا للتحيز نحو الحالات السهلة.

ما مدى فهم النظام للدجاج

عند اختباره على مجموعة بيانات مزرعة لوكو، تعرف النموذج المطوَّر على السلوكيات المستهدفة بدقة عالية مع بقائه صغيرًا بما يكفي للاستخدام في الزمن الحقيقي. حسن الأداء العام في الكشف مقارنة بنسخة YOLOv8 القياسية، في حين قلَّ حجم النموذج بنحو الربع وخفض متطلبات الحوسبة. كان النظام قويًا بشكل خاص في كشف الأكل، والنقر الذاتي، والنقر المتبادل، متجاوزًا غالبًا 93 في المئة في مقاييس الدقة الشائعة. بقيت حالة التنفس بفم مفتوح، وهي حركة موجزة ودقيقة قد تشبه النقر، أكثر تحديًا، حيث أظهرت دقة أقل رغم أن النموذج اكتشف العديد من الحالات الحقيقية. يلاحظ المؤلفون أن تراكب الطيور، وقضبان الأقفاص، وتباين الإضاءة كلها تجعل تمييز هذا السلوك أصعب في صور ثابتة مفردة.

ماذا يعني هذا للمزارع الذكية في المستقبل

بالنسبة للقارئ العادي، الرسالة الأساسية هي أن المزارع يمكنها البدء في استخدام كاميرات بسيطة نسبيًا ونماذج ذكاء اصطناعي مدمجة للحفاظ على مراقبة مستمرة لرفاهية الدجاج، عدًّا تلقائيًا لمرّات أكل الطيور أو نقرها لأنفسها أو لنقر بعضها البعض. وبينما النظام غير مثالي وتم اختباره في مزرعة واحدة وعلى سلالة واحدة، إلا أنه يُظهر بالفعل أن المراقبة التلقائية للسلوك يمكن أن تعمل تحت ظروف الحظيرة الحقيقية وعلى أجهزة متواضعة. مع بيانات أكثر تنوعًا ونماذج تنظر إلى مقاطع فيديو قصيرة بدلًا من إطارات فردية، يمكن أن تصبح هذه الأدوات أنظمة إنذار مبكر تنبه المزارعين إلى مشاكل صحية قبل انتشارها، داعمةً كل من رفاهية الحيوان وإمدادًا مستقرًا من البيض.

الاستشهاد: Tang, Y., Wei, J., Xie, B. et al. Lightweight multiscale behavior recognition for caged laying hens using an enhanced YOLOv8 framework. Sci Rep 16, 14936 (2026). https://doi.org/10.1038/s41598-026-43523-7

الكلمات المفتاحية: دجاج بياض, سلوك الحيوان, رؤية حاسوبية, الزراعة الذكية, رفاهية الدواجن