Lichtgewicht multiscale gedragsherkenning van kippen in kooien met een verbeterd YOLOv8‑raamwerk

Waarom het observeren van kippen onze voedselvoorziening kan beschermen

Eieren zijn een basisproduct op ontbijttafels wereldwijd, maar de kippen die ze leggen leven vaak in drukbezette kooien waar vroege tekenen van ziekte of stress gemakkelijk over het hoofd worden gezien. Deze studie laat zien hoe een compact kunstmatig‑intelligentiesysteem kooikippen via camera’s kan volgen, automatisch sleutelgedragingen die samenhangen met gezondheid en welzijn kan herkennen, en dit snel genoeg kan doen om op eenvoudige boerderijhardware te draaien. Het werk wijst op boerderijen met stille digitale wachters die in real‑time problemen signaleren, waardoor vogels gezonder blijven en de eiproductie betrouwbaarder wordt.

Hoe camera’s stille helpers in de schuur worden

De onderzoekers bouwden eerst een praktische monitoringsopstelling die bestand is tegen stof, geluid en lange dagen in een commerciële kippenstal. Ze plaatsten camera’s op elke laag van gestapelde kooien op een grote boerderij in Nanjing, China, en verbonden die met kleine, energiezuinige Jetson Nano‑computers en accu’s. De camera’s filmden kippen van vroeg in de ochtend tot de avond gedurende meerdere weken en legden vast hoe ze zich bewogen, aten en met elkaar omgingen. Om te zorgen dat de beelden bruikbaar waren, filterde het team frames met zware schaduwen, bewegingsonscherpte of geblokkeerde zichtlijnen weg en bewaarde alleen heldere momentopnamen van het typische stalgebeuren.

Ruwe video omzetten in gelabelde kippengedragingen

Uit de duizenden verzamelde videoframes labelden de onderzoekers zorgvuldig 2.035 afbeeldingen met behulp van open‑source software. Ze concentreerden zich op vier kopgerelateerde gedragingen: normaal eten, open mond ademhaling, zelfpikken en het pikken van een andere kip. Deze laatste drie worden beschouwd als waarschuwingssignalen en zijn in eerder onderzoek gekoppeld aan mogelijke ademhalingsproblemen, pijn of sociale stress. In elke afbeelding tekenden experts vakken rond de koppen van de kippen en wekten één van de vier categorieën toe. De dataset werd vervolgens opgesplitst in trainings-, validatie‑ en testsets zodat het computermodel kon leren van een deel van de data en eerlijk beoordeeld kon worden op afbeeldingen die het nog nooit had gezien.

Een slanker, scherper digitaal waarnemingsinstrument

In het hart van het systeem staat een verbeterde versie van een populair objectdetectiemodel, bekend als YOLOv8. Het team herontwierp de interne structuur zodat het kleine, dicht opeengepakte kippenkoppen efficiënt kan herkennen zonder een zware computer nodig te hebben. Ze vervingen onderdelen door lichtere bouwstenen die herhaalde berekeningen verminderen, voegden een attentiemechanisme toe dat het model helpt zich te concentreren op belangrijke regio’s zoals snavels, en gebruikten een slimme upsamplingstap om de contouren van kleine doelen aan te scherpen. Ze introduceerden ook een nieuw trainingsrecept dat extra gewicht geeft aan moeilijk te classificeren voorbeelden, zoals gedeeltelijk verborgen vogels, waardoor het leerproces stabieler wordt en minder bevooroordeeld naar eenvoudige gevallen.

Hoe goed het systeem kippen begrijpt

Getest op de Lukou‑boerderijdataset herkende het verbeterde model de doelgedragingen met hoge nauwkeurigheid terwijl het klein genoeg bleef voor realtime gebruik. Het verbeterde de algehele detectieprestaties vergeleken met de standaard YOLOv8‑versie, maar verkleinde het model met bijna een kwart en verlaagde de rekenbelasting. Het systeem presteerde vooral goed bij het detecteren van eten, zelfpikken en wederzijds pikken, en scoorde vaak boven de 93 procent op gebruikelijke nauwkeurigheidmaten. Open mond ademhaling, een korte en subtiele handeling die op pikken kan lijken, bleef lastiger en liet lagere precisie zien, hoewel het model nog steeds veel echte gevallen vond. De auteurs merken op dat overlappende vogels, kooi‑stangen en wisselend licht dit gedrag moeilijker maken om op enkele stilstaande beelden te onderscheiden.

Wat dit betekent voor toekomstige slimme boerderijen

De kernboodschap voor een algemeen publiek is dat boerderijen relatief eenvoudige camera’s en compacte AI‑modellen kunnen inzetten om continu het welzijn van kippen in de gaten te houden en automatisch te tellen hoe vaak vogels eten, zichzelf pikken of elkaar pikken. Hoewel het systeem niet perfect is en alleen op één boerderij met één ras is getest, laat het al zien dat automatische gedragsmonitoring kan werken onder reële stalomstandigheden en op bescheiden hardware. Met meer diverse data en modellen die naar korte videoclips kijken in plaats van naar losse frames, zouden dergelijke hulpmiddelen vroege waarschuwingssystemen kunnen worden die boeren attenderen op gezondheidsproblemen voordat ze zich verspreiden, wat zowel het dierenwelzijn als een stabiele eierlevering ondersteunt.

Bronvermelding: 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

Trefwoorden: legkippen, dieren gedrag, computer vision, slimme landbouw, pluimvee welzijn