[論文レビュー] Broiler-Net: A Deep Convolutional Framework for Broiler Behavior Analysis in Poultry Houses

Tahereh Zarrat Ehsan, Seyed Mehdi Mohtavipour|arXiv (Cornell University)|Jan 22, 2024

Animal Behavior and Welfare Studies被引用数 4

ひとこと要約

Broiler-Net は、ケージフリーの家禽舎におけるブロイラー鶏の異常行動（特に不動や団欒）をリアルタイムで検出するためのディープラーニングフレームワークである。YOLOに基づく検出、高速トラッキングモジュール、行動分類を統合し、早期の対応を可能にし、実世界の動画ストリームにおいて高い正確性を達成している。ベンチマークデータセットでも優れた性能を示している。

ABSTRACT

Detecting anomalies in poultry houses is crucial for maintaining optimal chicken health conditions, minimizing economic losses and bolstering profitability. This paper presents a novel real-time framework for analyzing chicken behavior in cage-free poultry houses to detect abnormal behaviors. Specifically, two significant abnormalities, namely inactive broiler and huddling behavior, are investigated in this study. The proposed framework comprises three key steps: (1) chicken detection utilizing a state-of-the-art deep learning model, (2) tracking individual chickens across consecutive frames with a fast tracker module, and (3) detecting abnormal behaviors within the video stream. Experimental studies are conducted to evaluate the efficacy of the proposed algorithm in accurately assessing chicken behavior. The results illustrate that our framework provides a precise and efficient solution for real-time anomaly detection, facilitating timely interventions to maintain chicken health and enhance overall productivity on poultry farms. Github: https://github.com/TaherehZarratEhsan/Chicken-Behavior-Analysis

研究の動機と目的

• ケージフリーの家禽舎におけるブロイラー鶏の異常行動をリアルタイムかつ高精度に検出するシステムの開発。
• 不動や団欒といった、病気やストレスの兆候を示す行動の早期検出を含む、家禽健康モニタリングにおける重要な課題への対応。
• 即時のデータドリブンな対応によって、農場生産性の向上と経済的損失の低減。

提案手法

• ビデオフレーム内の個体ブロイラーを特定するために、最先端のYOLOベースの物体検出モデルを活用。
• 連続するビデオフレーム間でのアイデンティティの継続性を維持するため、高速で軽量なトラッキングモジュールを採用。
• 空間的・時間的特徴に基づき、不動や団欒といった異常パターンを検出するための行動分類ヘッドを適用。
• リアルタイムでの動画ストリーム処理により、農場管理者への即時のアラートを可能に。
• 実際の家禽舎環境から収集したカスタムデータセットを用いて学習および評価。
• 検出、トラッキング、行動分析を統合した、エンドツーエンドのディープラーニングパイプラインとして構築。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングフレームワークは、ケージフリーの家禽舎において、リアルタイムで不動や団欒行動を高精度に検出できるか？
• RQ2 物体検出とマルチオブジェクトトラッキングの統合は、単独の手法と比較して、行動分析の正確性をどの程度向上させるか？
• RQ3 提案されたフレームワークは、群の健康状態と生産性を維持するための即時の対応をどの程度支援できるか？

主な発見

• 不動および団欒行動の両方において、高い検出正確性を達成しており、実際の家禽舎環境下でも頑健であることが示された。
• リアルタイム推論が可能であり、農場オペレーターによる即時の検出およびアラート発生が可能である。
• YOLOベースの検出と高速トラッカーの統合により、トラッキングの安定性および行動分類性能が顕著に向上した。
• カスタムデータセットにおいて、ベースラインモデルと比較して、検出速度および正確性の両面で優れた性能を示した。
• 定量的評価では、mAPおよびF1スコアの両方で優れた結果が得られ、信頼性の高い行動認識が可能であることが示された。
• 効率性とリアルタイム処理能力のため、実際の農場環境への導入が可能である。