Легковесное многомасштабное распознавание поведения крудующихся кур-несушек в клетках с использованием усовершенствованной структуры YOLOv8

Почему наблюдение за курами может защитить наш рацион

Яйца — привычный продукт на столах многих стран, но куры-несушки часто содержатся в тесных клетках, где ранние признаки болезни или стресса легко пропустить. В этом исследовании показано, как компактная система искусственного интеллекта может с помощью камер наблюдать за курами в клетках, автоматически распознавать ключевые поведенческие проявления, связанные со здоровьем и благополучием, и делать это достаточно быстро, чтобы работать на простом фермерском оборудовании. Работа указывает путь к фермам, где бесшумные цифровые стражи в реальном времени отмечают проблемы, помогая сохранять птиц здоровыми и стабилизировать производство яиц.

Как камеры становятся тихими помощниками в сарае

Исследователи сначала создали практичную платформу мониторинга, способную выдерживать пыль, шум и долгие рабочие дни коммерческого птичника. Они установили камеры на каждом ярусе многоярусных клеток на крупной ферме в Нанкине (Китай), подключив их к небольшим маломощным компьютерам Jetson Nano и аккумуляторным блокам. Камеры записывали поведение кур с раннего утра до вечера в течение нескольких недель, фиксируя их движения, приём пищи и взаимодействия. Чтобы изображения были пригодны для анализа, команда отфильтровывала кадры с сильными тенями, смазанными изображениями или закрытым обзором, оставляя только чёткие снимки типичной жизни в птичнике.

Преобразование необработанного видео в размеченные поведенческие данные

Из тысяч собранных видеокадров учёные вручную разметили 2 035 изображений, используя открытое программное обеспечение. Они сосредоточились на четырёх поведенческих проявлениях, связанных с головой: нормальное питание, дыхание с открытым клювом, самоклевание и клевание другой птицы. Последние три считаются предупредительными знаками, в предыдущих работах связывавшимися с возможными респираторными проблемами, болью или социальным стрессом. На каждом изображении эксперты рисовали рамки вокруг голов кур и присваивали одну из четырёх категорий. Набор данных затем был разделён на тренировочную, валидационную и тестовую части, чтобы модель могла обучаться на одной части данных и честно оцениваться на ранее не виденных изображениях.

Более компактный и точный цифровой наблюдатель

В основе системы лежит улучшенная версия популярной модели обнаружения объектов YOLOv8. Команда переработала её внутреннюю структуру, чтобы эффективно обнаруживать небольшие, плотные головы кур без необходимости в громоздком оборудовании. Они заменили тяжёлые компоненты более лёгкими блоками, сократив повторяющиеся вычисления, добавили механизм внимания, который помогает модели фокусироваться на важных областях, таких как клювы, и использовали продуманный шаг увеличения разрешения для уточнения контуров мелких целей. Также была предложена новая схема тренировки, которая придаёт больший вес трудным для классификации примерам, таким как частично скрытые птицы, делая обучение более стабильным и менее смещённым в пользу простых случаев.

Насколько хорошо система «понимает» кур

При тестировании на наборе данных фермы Лукоу модернизированная модель с высокой точностью распознавала целевые проявления поведения при остававшейся достаточно компактной для работы в реальном времени. Она улучшила общую эффективность обнаружения по сравнению со стандартной версией YOLOv8, при этом уменьшив размер модели почти на четверть и снизив вычислительные потребности. Система была особенно сильна в распознавании питания, самоклевания и взаимного клевания, часто превышая 93 процента по распространённым метрикам точности. Дыхание с открытым клювом — кратковременное и тонкое действие, которое может напоминать клевание — оставалось более сложным для распознавания: точность по этой категории была ниже, хотя модель всё же находила многие истинные случаи. Авторы отмечают, что перекрывающиеся птицы, прутья клетки и изменчивое освещение усложняют различение этого поведения по одиночным статическим кадрам.

Что это значит для будущих умных ферм

Для неспециалиста ключевая мысль такова: фермы могут начать использовать относительно простые камеры и компактные модели ИИ для постоянного мониторинга благополучия несушек, автоматически фиксируя, как часто птицы едят, клюют себя или клюют друг друга. Хотя система не идеальна и была протестирована на одной ферме с одной породой, она уже демонстрирует, что автоматический мониторинг поведения возможен в реальных условиях птичников и на скромном оборудовании. С более разнообразными данными и моделями, анализирующими короткие видеоклипы вместо отдельных кадров, такие инструменты могли бы стать системами раннего предупреждения, оповещающими фермеров о проблемах со здоровьем до их распространения, что поддержит как благополучие животных, так и стабильность поставок яиц.

Цитирование: 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

Ключевые слова: несушки, поведение животных, компьютерное зрение, умное сельское хозяйство, благополучие птицы