Riconoscimento leggero di comportamenti multiscala per galline ovaiole in gabbia usando un framework YOLOv8 migliorato

Perché osservare le galline può proteggere il nostro cibo

Le uova sono un alimento fondamentale sulle tavole della colazione in tutto il mondo, eppure le galline che le producono spesso vivono in gabbie affollate dove i primi segni di malattia o stress possono facilmente passare inosservati. Questo studio mostra come un sistema di intelligenza artificiale compatto possa sorvegliare le galline ovaiole in gabbia tramite telecamere, riconoscere automaticamente i comportamenti chiave collegati a salute e benessere e farlo abbastanza rapidamente da funzionare su hardware agricolo semplice. Il lavoro indica una direzione verso allevamenti in cui sentinelle digitali silenziose segnalano i problemi in tempo reale, contribuendo a mantenere gli animali più sani e la produzione di uova più affidabile.

Come le telecamere diventano assistenti silenziosi della stalla

I ricercatori hanno prima costruito una piattaforma di monitoraggio pratica, capace di resistere alla polvere, al rumore e alle lunghe giornate di un allevamento commerciale. Hanno installato telecamere su ogni piano delle gabbie impilate in un grande allevamento a Nanchino, Cina, collegandole a piccoli computer a basso consumo Jetson Nano e a pacchi batteria. Le telecamere hanno registrato le galline dall’alba al tramonto per diverse settimane, catturando come si muovevano, mangiavano e interagivano. Per garantire la qualità delle immagini, il team ha filtrato i fotogrammi con ombre intense, sfocature o visuali ostruite, conservando solo istantanee nitide della vita tipica della stalla.

Trasformare video grezzi in comportamenti di galline etichettati

Dalle migliaia di fotogrammi video raccolti, gli scienziati hanno etichettato con cura 2.035 immagini usando software open source. Si sono concentrati su quattro comportamenti legati alla testa: alimentazione normale, respirazione a bocca aperta, beccata verso se stessa e beccata verso un’altra gallina. Questi ultimi tre sono considerati segnali d’allarme, collegati in lavori precedenti a possibili problemi respiratori, dolore o stress sociale. In ogni immagine gli esperti hanno tracciato riquadri attorno alle teste delle galline e assegnato una delle quattro categorie. Il dataset è stato poi suddiviso in insiemi di addestramento, validazione e test in modo che il modello potesse apprendere da una parte dei dati ed essere valutato in modo equo su immagini mai viste prima.

Un osservatore digitale più snello e più preciso

Al centro del sistema c’è una versione migliorata di un noto modello di rilevamento oggetti chiamato YOLOv8. Il team ha ridisegnato la sua struttura interna in modo che potesse individuare teste di gallina piccole e affollate in modo efficiente senza richiedere un computer ingombrante. Hanno sostituito componenti pesanti con blocchi più leggeri che riducono i calcoli ripetuti, aggiunto un meccanismo di attenzione che aiuta il modello a concentrarsi su regioni importanti come il becco e utilizzato un passaggio di upsampling intelligente per affinare i contorni di bersagli minuscoli. Hanno inoltre introdotto una nuova ricetta di addestramento che dà peso aggiuntivo agli esempi difficili da classificare, come gli uccelli parzialmente nascosti, rendendo l’apprendimento più stabile e meno sbilanciato verso i casi semplici.

Quanto bene il sistema comprende le galline

Testato sul dataset dell’allevamento di Lukou, il modello migliorato ha riconosciuto i comportamenti target con elevata accuratezza rimanendo sufficientemente piccolo per l’uso in tempo reale. Ha migliorato le prestazioni complessive di rilevamento rispetto alla versione standard di YOLOv8, riducendo però la dimensione del modello di quasi un quarto e abbassando i requisiti di calcolo. Il sistema è risultato particolarmente efficace nel rilevare alimentazione, beccata verso se stessa e beccate reciproche, spesso superando il 93% nelle metriche di accuratezza comuni. La respirazione a bocca aperta, un’azione breve e sottile che può somigliare a una beccata, è rimasta più difficile, mostrando precisione inferiore sebbene il modello abbia comunque individuato molti casi veri. Gli autori notano che uccelli sovrapposti, sbarre delle gabbie e variazioni di illuminazione rendono più difficile distinguere questo comportamento in singole immagini fisse.

Cosa significa per i futuri allevamenti intelligenti

Per un lettore non specialista, il messaggio principale è che gli allevamenti possono iniziare a usare telecamere relativamente semplici e modelli AI compatti per tenere costantemente sotto controllo il benessere delle galline, contando automaticamente quanto spesso gli animali mangiano, si beccano da soli o si beccano a vicenda. Pur non essendo perfetto e testato in un solo allevamento con una sola razza, mostra già che il monitoraggio automatico dei comportamenti può funzionare nelle condizioni reali della stalla e su hardware modesto. Con dati più diversificati e modelli che analizzino brevi clip video invece di singoli fotogrammi, questi strumenti potrebbero diventare sistemi di allerta precoce che avvisano gli allevatori di problemi di salute prima che si diffondano, supportando sia il benessere animale sia una fornitura stabile di uova.

Citazione: 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

Parole chiave: galline ovaiole, comportamento animale, computer vision, agricoltura intelligente, benessere avicolo