A Machine Vision System for Monitoring Wild Birds on Poultry Farms to Prevent Avian Influenza
Notice bibliographique
Résumé
The epidemic of avian influenza outbreaks, especially high-pathogenicity avian influenza (HPAI), which causes respiratory disease and death, is a disaster in poultry. The outbreak of HPAI in 2014–2015 caused the loss of 60 million chickens and turkeys. The most recent HPAI outbreak, ongoing since 2021, has led to the loss of over 50 million chickens so far in the US and Canada. Farm biosecurity management practices have been used to prevent the spread of the virus. However, existing practices related to controlling the transmission of the virus through wild birds, especially waterfowl, are limited. For instance, ducks were considered hosts of avian influenza viruses in many past outbreaks. The objectives of this study were to develop a machine vision framework for tracking wild birds and test the performance of deep learning models in the detection of wild birds on poultry farms. A deep learning framework based on computer vision was designed and applied to the monitoring of wild birds. A night vision camera was used to collect data on wild bird near poultry farms. In the data, there were two main wild birds: the gadwall and brown thrasher. More than 6000 pictures were extracted through random video selection and applied in the training and testing processes. An overall precision of 0.95 (mAP@0.5) was reached by the model. The model is capable of automatic and real-time detection of wild birds. Missed detection mainly came from occlusion because the wild birds tended to hide in grass. Future research could be focused on applying the model to alert to the risk of wild birds and combining it with unmanned aerial vehicles to drive out detected wild birds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».