DOI: https://doi.org/10.3390/poultry4040043
تاريخ النشر: 2025-09-24
المؤلف: Tommaso Bergamasco وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تتناول هذه الدراسة قضية رفاهية إصابات عظام الذيل (KBLs) في الدجاج البياض من خلال تطوير نظام تحليل صور آلي لاكتشاف وتصنيف هذه الإصابات في مقاطع فيديو المسالخ. يستخدم النظام نموذجًا قائمًا على YOLO تم تدريبه على مجموعة بيانات مشتقة من 600 إطار موضح لدجاج البيض البني، محققًا درجة F1 قدرها 0.85 ومتوسط دقة (mAP) قدره 0.892. بالإضافة إلى ذلك، أظهر متتبع BoT-SORT درجة F1 قدرها 0.882 لمهام التصنيف، مما يشير إلى قدرة النظام على تتبع وحساب الجثث أثناء تقدير انتشار الإصابات الكبيرة.
تشير النتائج إلى أن النهج القائم على التعلم العميق يمكن أن يكمل بفعالية الفحوصات البيطرية التقليدية من خلال توفير تقييمات رفاهية قابلة للتوسع وفعالة من حيث التكلفة. ومع ذلك، تعترف الدراسة بالقيود، مثل التصنيف الثنائي للإصابات، والذي قد يبسط بشكل مفرط التباين في الضرر. يجب أن تركز الأبحاث المستقبلية على تحسين جودة التوضيح، وزيادة تنوع الصور المعلّمة، واستكشاف تقنيات رؤية الكمبيوتر المتقدمة مثل التقسيم لتحسين متانة التصنيف. كما تسلط الدراسة الضوء على تحديات توافق المراجعين وتأثير جودة الإطارات على موثوقية التقييم، مما يبرز الحاجة إلى بروتوكولات توضيح مصقولة لضمان تقييمات دقيقة.
مقدمة
تسلط المقدمة الضوء على الطلب المتزايد من المستهلكين على الغذاء المستدام أخلاقيًا، مما دفع صناعة الدواجن، لا سيما في الاتحاد الأوروبي، إلى تعزيز معايير رفاهية الحيوان. ينعكس هذا التحول في تطور أنظمة إنتاج البيض التي تأثرت بتفضيلات المستهلك والتغييرات التشريعية، مما أدى إلى اعتماد بروتوكولات رفاهية أكثر صرامة. تكتسب التدابير المستندة إلى الحيوان (ABMs)، التي تقيم رفاهية الحيوان بشكل مباشر، زخمًا كمؤشرات رئيسية في تقييمات الرفاهية، لا سيما بالنسبة للدجاج البياض، على الرغم من أن التشريعات الحالية في الاتحاد الأوروبي لا تلزم التقييمات بعد الموت لهذه الطيور.
تعتبر إصابات عظام الذيل (KBLs) مؤشرات هامة على ضعف رفاهية الدجاج البياض، حيث قد تصل معدلات الحدوث إلى 90% بحلول نهاية دورة الإنتاج. إن مسببات KBLs معقدة وترتبط بمطالب الإنتاج العالية التي تؤثر على صحة العظام. بينما تشير بعض الدراسات إلى خطر أعلى للإصابات في الأنظمة الخالية من الأقفاص بسبب قابلية الإصابة، تشير دراسات أخرى إلى فوائد من زيادة الحركة. توجد منهجيات متنوعة لتقييم KBL، حيث تعتبر اللمس الأكثر شيوعًا على الرغم من طبيعته المستهلكة للوقت وتأثيراته على إجهاد الحيوانات. تهدف الدراسة إلى تطوير نظام تحليل صور آلي يستخدم رؤية الكمبيوتر والتعلم العميق لاكتشاف وتصنيف KBLs بكفاءة في الدجاج البياض أثناء الذبح، مما يحسن من ممارسات مراقبة الرفاهية.
الطرق
تركز المنهجية الموضحة في هذا القسم على النهج الشامل المتبع للتصنيف الآلي لإصابات عظام الصدر في الدجاج البياض. تشمل عدة مراحل رئيسية، بما في ذلك جمع البيانات، والتوضيح، وإعداد مجموعة البيانات، وتدريب النموذج، وتنفيذ التتبع، وتأسيس مقاييس التقييم. لعب استخدام أدوات الذكاء الاصطناعي التوليدية دورًا كبيرًا طوال الدراسة، مما ساعد في تصميم إطار البحث، وعملية الترميز باستخدام Python 3.12.2، وتفسير النتائج، وتنقيح النص الإنجليزي من أجل الوضوح والدقة. يبرز هذا التكامل للأدوات المتقدمة الطبيعة الابتكارية للبحث والتزامه بالصرامة المنهجية.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادة ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الأهداف الأولية الموضحة في الدراسة، مما يبرز الأنماط أو الارتباطات أو الشذوذات الملحوظة خلال البحث.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مؤكدين كيف تساهم في المعرفة الحالية في هذا المجال. بالإضافة إلى ذلك، يتم الاعتراف بأي قيود واجهت الدراسة وتأثيرها المحتمل على النتائج، مما يوفر فهمًا شاملاً لنتائج البحث. بشكل عام، يخدم هذا القسم في التحقق من أسئلة البحث المطروحة ويضع الأساس للنقاشات والاستنتاجات اللاحقة.
المناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجية والنتائج المتعلقة بالكشف الآلي وتصنيف إصابات عظام الذيل (KBLs) في الدجاج البياض في المسالخ. شمل جمع البيانات تسجيل مقاطع فيديو للجثث أثناء الفحوصات، تلاه عملية توضيح مفصلة حيث قام مشغلون مدربون بتقييم إصابات الذيل بناءً على التقييمات البصرية. كشفت التحليلات الأولية عن انخفاض في توافق المراجعين، مما دفع إلى مراجعة معايير التقييم لتعزيز الاتساق. حسنت المعايير المعدلة معدلات التوافق بشكل كبير، حيث حققت ما يصل إلى 86.8% بين المراجعين. تتكون مجموعة البيانات النهائية من 600 صورة موضحة، والتي تمت معالجتها لاحقًا لمعالجة عدم توازن الفئات والحالات الغامضة، مما أدى إلى إدخال فئة “غير قابلة للتصنيف”.
تسلط الدراسة الضوء على إمكانيات استخدام نموذج التعلم العميق، وبشكل خاص YOLO، لاكتشاف KBL، محققًا دقة عالية قدرها 94% لإصابات الفئة 0 ولكن حساسية أقل لإصابات الفئة 1 (73%). تم اعتبار هذا التبادل في الأداء مقبولًا نظرًا للسياق التشغيلي، مع إعطاء الأولوية لتقليل الإيجابيات الكاذبة لتجنب معاقبة المزارعين بسبب قضايا رفاهية الحيوان. أظهر نظام التتبع المنفذ توقعات مستقرة وتقديرات موثوقة لانتشار الفئات، مما يعزز فائدة النموذج في بيئات المسالخ. يؤكد المؤلفون أنه بينما يمكن للنظام الآلي دعم الفحوصات البيطرية، يجب ألا يحل محلها، ويجب أن تركز الأعمال المستقبلية على تحسين جودة التوضيح واستكشاف طرق تصنيف أكثر دقة، مثل تقسيم الحالات، لتعزيز متانة وقابلية تفسير النظام.
DOI: https://doi.org/10.3390/poultry4040043
Publication Date: 2025-09-24
Author(s): Tommaso Bergamasco et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This study addresses the welfare issue of keel bone lesions (KBLs) in laying hens by developing an automated image analysis system for detecting and classifying these lesions in slaughterhouse videos. The system utilizes a YOLO-based model trained on a dataset derived from 600 annotated frames of brown laying hens, achieving an F1 score of 0.85 and a mean Average Precision (mAP) of 0.892. Additionally, a BoT-SORT tracker demonstrated an F1 score of 0.882 for classification tasks, indicating the system’s capability to track and count carcasses while estimating the prevalence of significant lesions.
The findings suggest that the deep-learning-based approach can effectively complement traditional veterinary inspections by providing scalable and cost-effective welfare assessments. However, the study acknowledges limitations, such as the binary classification of lesions, which may oversimplify the variability in damage. Future research should focus on enhancing annotation quality, increasing the diversity of annotated images, and exploring advanced computer vision techniques like segmentation to improve classification robustness. The study also highlights the challenges of inter-annotator agreement and the impact of frame quality on scoring reliability, emphasizing the need for refined annotation protocols to ensure accurate assessments.
Introduction
The introduction highlights the increasing consumer demand for ethically sustainable food, which has prompted the poultry industry, particularly in the EU, to enhance animal welfare standards. This shift is reflected in the evolution of egg production systems influenced by consumer preferences and legislative changes, leading to the adoption of more stringent welfare protocols. Animal-based measures (ABMs), which assess animal welfare directly, are gaining traction as key indicators in welfare assessments, particularly for laying hens, despite current EU legislation not mandating post-mortem evaluations for these birds.
Keel bone lesions (KBLs) are identified as significant indicators of compromised welfare in laying hens, with incidence rates potentially reaching 90% by the end of the production cycle. The etiology of KBLs is complex and linked to high productivity demands that affect bone health. While some studies suggest a higher risk of KBLs in cage-free systems due to trauma susceptibility, others indicate benefits from increased mobility. Various methodologies exist for KBL evaluation, with palpation being the most common despite its time-consuming nature and stress implications for the animals. The study aims to develop an automated image analysis system utilizing computer vision and deep learning to efficiently detect and classify KBLs in laying hens during slaughter, thereby improving welfare monitoring practices.
Methods
The methodology outlined in this section focuses on the comprehensive approach taken for the automated classification of sternum lesions in laying hens. It encompasses several key stages, including data collection, annotation, dataset preparation, model training, tracking implementation, and the establishment of evaluation metrics. The use of generative AI tools played a significant role throughout the study, aiding in the design of the research framework, the coding process using Python 3.12.2, the interpretation of results, and the refinement of the English text for clarity and precision. This integration of advanced tools underscores the innovative nature of the research and its commitment to methodological rigor.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the initial hypotheses or objectives outlined in the study, highlighting significant patterns, correlations, or anomalies observed during the research.
In this section, the authors may also discuss the implications of their findings, emphasizing how they contribute to the existing body of knowledge in the field. Additionally, any limitations encountered during the study and their potential impact on the results are acknowledged, providing a comprehensive understanding of the research outcomes. Overall, this section serves to validate the research questions posed and lays the groundwork for subsequent discussions and conclusions.
Discussion
The discussion section of the research paper outlines the methodology and findings related to the automated detection and classification of keel bone lesions (KBLs) in laying hens at slaughterhouses. The data collection involved recording videos of carcasses during inspections, followed by a detailed annotation process where trained operators scored keel lesions based on visual assessments. Initial analyses revealed low inter-annotator agreement, prompting a revision of the scoring criteria to enhance consistency. The revised criteria improved agreement rates significantly, achieving up to 86.8% between annotators. The final dataset consisted of 600 annotated images, which were further processed to address class imbalances and ambiguous cases, leading to the introduction of a “Not Classifiable” category.
The study highlights the potential of using a deep learning model, specifically YOLO, for KBL detection, achieving a high accuracy of 94% for class 0 lesions but lower sensitivity for class 1 lesions (73%). This performance trade-off was deemed acceptable given the operational context, prioritizing the minimization of false positives to avoid penalizing farmers for animal welfare issues. The tracking system implemented demonstrated stable predictions and reliable class prevalence estimates, reinforcing the model’s utility in slaughterhouse environments. The authors emphasize that while the automated system can support veterinary inspections, it should not replace them, and future work should focus on improving annotation quality and exploring more nuanced classification methods, such as instance segmentation, to enhance the robustness and interpretability of the system.