Sick and Dead Chicken Detection System Based on YOLO Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The poultry industry faces significant challenges in maintaining the health and welfare of chickens, with early detection of sick or dead birds being crucial for effective management and disease control. This paper presents a novel Sick and Dead Chicken Detection System leveraging the YOLO (You Only Look Once) algorithm, a state-of-the-art object detection framework. Our system employs YOLO's real-time image processing capabilities to identify and classify sick and deceased chickens from video feeds or images with high accuracy and speed. Currently chicken farmers are still unable to develop their farms to be able to keep up with increasing needs, this is due to the many chicken farming systems that have not been maximized in the development of their livestock systems, as one example is controlling sick chickens which are still being checked manually. system utilizes YOLO's real-time image processing capabilities to identify and classify sick and deceased chickens by paying attention to symptoms of disease including the movement of chickens by utilizing image processing with the YOLO algorithm, there are several stages in implementing YOLO, namely dataset collection and annotation, preprocessing, dataset division, label file creation, validation and hyperparameter setup, training and model application. We trained our model on a dataset comprising 435 annotated images of chickens exhibiting various health conditions. The proposed system enhances operational efficiency, minimizes human error, and supports timely interventions. Results indicate a significant improvement in detection accuracy and response time compared to traditional methods. The performance of the model applied using the confusion matrix method, so that good results are obtained by applying the YOLOv8 algorithm with an F1 rate of 94%, Precision 100%, Confidence 89.2%, Recall-Confidence of 100%, and Precision-Recall by 97% mAP@0.5. Each variable obtained an accuracy of 71.25% for dead chickens, 98.25% for sick chickens and healthy chickens.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle