[논문 리뷰] Broiler-Net: A Deep Convolutional Framework for Broiler Behavior Analysis in Poultry Houses

Tahereh Zarrat Ehsan, Seyed Mehdi Mohtavipour|arXiv (Cornell University)|2024. 01. 22.

Animal Behavior and Welfare Studies인용 수 4

한 줄 요약

브로일러-넷은 케이지프리 닭우제에서 비정상 브로일러 닭의 행동—특히 정지 및 뭉치기—를 실시간으로 감지하기 위한 딥러닝 프레임워크이다. YOLO 기반 감지, 빠른 추적 모듈, 행동 분류를 통합하여 시기적절한 간병 조치를 가능하게 하며, 벤치마크 데이터셋에서 높은 성능을 보이며 실제 영상 스트림에서도 높은 정확도를 달성한다.

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

연구 동기 및 목표

• 케이지프리 닭우제 내 브로일러 닭의 비정상 행동을 실시간으로 정확하게 감지하기 위한 시스템 개발.
• 정지 및 뭉치기와 같은 잠재적 질병 또는 스트레스 신호를 조기에 탐지하는 데 있어 농장 건강 모니터링의 핵심 과제 해결.
• 시기적절한 데이터 기반 간병 조치를 통해 농장 생산성을 향상시키고 경제적 손실을 줄이기.

제안 방법

• 영상 프레임 내 개별 브로일러를 식별하기 위해 최신 기술의 YOLO 기반 객체 감지 모델 사용.
• 연속된 영상 프레임 간 신원 연속성을 유지하기 위해 빠르고 경량의 추적 모듈 활용.
• 공간적 및 시간적 특징 기반으로 비정상 패턴—특히 정지 및 뭉치기—를 탐지하기 위해 행동 분류 헤드 적용.
• 농장 관리자가 즉각적인 경고를 받을 수 있도록 실시간 영상 스트림 처리.
• 실제 닭우제 환경에서 수집한 커스터마이즈된 데이터셋을 기반으로 훈련 및 평가.
• 감지, 추적, 행동 분석을 통합한 유일한 엔드 투 엔드 딥러닝 파이프라인 구축.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크는 케이지프리 닭우제 환경에서 실시간으로 브로일러 닭의 정지 및 뭉치기 행동을 정확하게 감지할 수 있는가?
• RQ2 객체 감지와 다중 객체 추적의 통합은 단독 방법에 비해 행동 분석 정확도를 얼마나 향상시키는가?
• RQ3 제안된 프레임워크는 떼 전체의 건강과 생산성 유지에 있어 시기적절한 간병 조치를 얼마나 잘 지원하는가?

주요 결과

• 정지 및 뭉치기 행동에 대해 높은 감지 정확도를 달성하여 실제 닭우제 환경 조건에서도 뛰어난 견고성을 보였다.
• 실시간 추론이 가능하여 농장 운영자에게 즉각적인 감지 및 잠재적 경고를 제공할 수 있었다.
• YOLO 기반 감지와 빠른 추적기의 통합은 추적 안정성과 행동 분류 성능을 크게 향상시켰다.
• 커스터마이즈된 데이터셋에서 기준 모델 대비 감지 속도와 정확도 모두에서 뛰어난 성능을 보였다.
• 정량적 결과는 강력한 mAP 및 F1 스코어를 보이며 신뢰할 수 있는 행동 인식 능력을 나타냈다.
• 효율성과 실시간 처리 능력 덕분에 실질적인 농장 환경에서의 구현이 가능하다.