Применение компьютерного зрения и искусственного интеллекта для мониторинга поведения птицы при воздействиях различных стресс-факторов

УДК 636.5.033
DOI 10.33861/2071-8020-2024-6-41-45

Зеленков А. П., Фомина А. С., Кочеткова Н. А., Васильев П. В. Федеральное государственное бюджетное образовательное
учреждение высшего образования «Донской государственный технический университет», Ростовская область,
г. Ростов-на-Дону

Технологический стресс как результат неблагоприятного действия стресс-факторов, возникающих в процессе производства, в настоящее время распространен в современном животноводстве. Основными причинами его возникновения являются отъем, перегруппировка, перемещение и транспортировка животных, а также вакцинация и смена обслуживающего персонала. В первую очередь признаки технологического стресса отражаются в небольших изменениях двигательной активности. Их идентификация и отслеживание на начальном этапе может способствовать предотвращению развития более серьезных последствий (напряженность иммунитета, снижение показателей продуктивности) [1].

В современном сельском хозяйстве, особенно в птицеводстве, одной из ключевых задач является повышение эффективности производства при одновременном обеспечении благополучия животных. Куры, как одни из самых распространённых видов сельскохозяйственных животных, подвергаются значительным изменениям условий содержания и ухода в стремлении к увеличению продуктивности. Однако внедрение инновационных технологий и методов интенсивного производства сопровождается различными стресс-факторами, которые могут негативно сказываться на здоровье и продуктивности птиц [2].

Технологический стресс, возникающий в условиях промышленного производства, включает в себя множество аспектов — от технических решений и условий содержания до биологических и поведенческих реакций кур. Изменение светового и теплового режима, высокая плотность посадки, шум, механические воздействия и другие факторы могут вызывать хронический стресс у птиц, что, в свою очередь, может приводить к снижению иммунитета, ухудшению качества яиц и мяса, а также к повышенной смертности [3, 4, 5].

Одним из ключевых механизмов, влияющих на продуктивность и благополучие сельскохозяйственной птицы, является их способность справляться с экстремальными температурными условиями. Тепловой стресс является одним из наиболее критических факторов окружающей среды, который может негативно повлиять на продуктивность и здоровье птицы [6]. Этот феномен оказывает негативное влияние не только на здоровье и продуктивность кур, но и на экономические показатели сельскохозяйственных предприятий. Тепловой стресс влияет на физиологические параметры животных, такие как гематологические показатели крови и метаболические параметры, и реакции варьируются в зависимости от продолжительности и тяжести термического воздействия [7].

Многие исследователи активно работают над изучением механизмов воздействия технологического стресса и разработкой методов его минимизации в агропромышленном комплексе [5]. Введение новых технологий и адаптация стратегий содержания птицы в условиях повышенных температур становятся неотъемлемыми компонентами эффективного управления хозяйством. Однако для этого необходимы глубокие знания о механизмах теплового стресса, его последствиях и методах смягчения его воздействия [8].

В настоящее время в зарубежных исследованиях активно развивается разработка систем машинного зрения и глубокого обучения для решения проблем сельского хозяйства и управления производством. Данный подход получил название «точное животноводство» (Precision livestock farming, PLF) [9, 10, 11, 12, 13, 14, 15]. Применение цифровых видеокамер для рутинного отслеживания поведения животных и птицы дает возможность получения и анализа данных в режиме реального и отсроченного времени. Подобный подход при высокой точности анализа не вносит помех в производственный процесс, не создает беспокойства для животных и не требует постоянного присутствия сотрудников предприятий [9-17]. В результате сочетание рутинных методов работы и применения систем искусственного интеллекта позволяет заблаговременно выявить ранние признаки снижения благополучия, повысить выживаемость и уровень продуктивности. Поскольку поведенческие реакции являются важным отражением благополучия, автоматизированное изучение поведения в непрерывном режиме является простым и неинвазивным методом оценки благополучия животных [18].

Это современный способ оценки комфортности условий содержания и выявления признаков дезадаптации без внесения помехи в производственный цикл. В результате оказывается возможным создание системы эффективного адаптивного управления благополучием, включающую анализ условий содержания, состояния здоровья, весоростовых показателей, отклонений в поведении, признаков дистресса, дезадаптации, что в дальнейшем приведет к снижению продуктивности [10, 12, 17].

Модели поведения сельскохозяйственных птиц и выращиваемой дикой птицы являются важными индикаторами состояния стресса и уровня адаптивности в условиях птицефабрик и крупных коммерческих хозяйств [16]. Важность правильной, рутинной, неинвазивной оценки благополучия сельскохозяйственной птицы определяет качество продуктов животноводства, нормальный рост птицы, снижение заболеваемости [18]. При этом высокая плотность поголовья сельскохозяйственной и дикой птицы определяет актуальность и проблемность использования систем компьютерного зрения в сравнении с крупными животными [11].

Целью исследований стало проведение анализа литературных данных о возможности применения компьютерного зрения для раннего выявления поведенческих признаков стресса у сельскохозяйственной и дикой птицы. Задачи исследований:

• проведение анализа литературных данных касательно признаков технологического и теплового стресса у сельскохозяйственной птицы в отечественной и зарубежной литературе;
• оценка возможности применения методов компьютерного зрения для раннего выявления поведенческих признаков стресса у сельскохозяйственной и дикой птицы.

Материалы и методы исследований. При проведении исследования авторами статьи были проанализированы литературные источники, представленные в базе научной литературы Elibrary (elibrary.ru), Pubmed (pubmed.ncbi.nlm.nih. gov), Science Direct (https://www.sciencedirect.com/), Google Academy (https://scholar.google.ru/schhp?hl=ru). Для анализа были отобраны полнотекстовые научные и краткие сообщения, опубликованные на русском и английском языках в период с 2010 по 2024 гг. Отбор научных публикаций осуществлялся по ключевым словам: технологический стресс, тепловой стресс, сельскохозяйственная птица, дикая птица, компьютерное зрение, искусственный интеллект, точное животноводство, проблемное поведение птицы. При работе с зарубежными базами статей использовались аналогичные ключевые слова на английском языке.

Ключевые слова для отбора определялись на основании наиболее часто применяемых научных терминов в разработках, известных авторам настоящей статьи. Включение статьей в анализ проводилось на основании экспертизы не менее двух авторов статьи.

При первоначальном отборе во всех указанных базах было отобрано не менее 150 источников. После исключения статей с недоступной полнотекстовой версией, а также не соответствующим целям анализа для написания обзора было отобрано 41 наиболее подходящих источников. Включение статьей в анализ проводилось на основании экспертизы не менее 2 авторов статьи.

Результаты исследований и их обсуждение. Птицеводческая промышленность добилась значительных улучшений в производстве мяса за счет улучшения содержания сельскохозяйственной птицы и интенсивного генетического отбора для повышения скорости роста. Тем не менее, развитие систем терморегуляции не поспевало за бурным ростом мышечной массы, что приводило к трудностям современных птиц в поддержании температуры тела при изменениях окружающей среды и высокой метаболической активности. Кроме этого, птицы проявляют большую чувствительность к повышенным температурам по сравнению с другими моногастрическими существами, что связано с наличием перьев и отсутствием потоотделительных желез [19].

В научных источниках описаны два основных вида теплового стресса - острый и хронический. Острый тепловой стресс возникает после резкого возрастания температуры, а хронический стресс после длительного повышения температуры, которое может длится несколько дней или недель [19, 20].

Воздействие высокой температуры нарушает метаболические и эндокринные реакции, приводя к серьезным молекулярным, клеточным и иммунным дисфункциям. Переносчики питательных веществ играют критически важную роль в желудочно-кишечном тракте, обеспечивая поглощение питательных веществ из пищи. Разрушение основных переносчиков может привести к недостатку питательных веществ, что приведет к значительному снижению показателей роста [20].

Okanlawon M. Onagbesan et al., указали, что при тепловом стрессе наблюдается уменьшение кровотока и усиление притока крови для поддержания стабильного артериального давления и усиления теплоотдачи. Уменьшение кровообращения, способное снижать поступление кислорода к органам, вместе с изменениями в кишечнике, часто вызывает окислительный стресс и воспаление.

Тепловой стресс оказывает значительное воздействие на метаболизм птиц, изменяя их физиологические процессы и значительно снижая их продуктивность. Изменение режима метаболизма ведет к увеличению расхода энергии на поддержание гомеостаза, что отражается на общем состоянии организма. В условиях теплового стресса организм пытается адаптироваться, что сопровождается увеличением дыхательной частоты и сердечного ритма, образование тепла превышает его рассеяние, что способствует повышению температуры тела.

В результате сниженной активности щитовидной железы у птиц наблюдается уменьшение производства тиреоидных гормонов, которые играют ключевую роль в регуляции обмена веществ. Это ведет к снижению скорости основных обменных процессов в организме и уменьшению общей активности птиц. При этом усиливается липогенез - процесс образования жира, что приводит к его накоплению в мышцах и других тканях, ухудшая как работоспособность, так и качество продукции, такой как мясо и яйца [22].

На фоне метаболического ацидоза, вызванного тепловым стрессом, обменные пути переключаются в сторону анаэробного гликолиза, что приводит к накоплению лактата и развитию мышечной усталости. Ухудшение функции митохондрий, основных энергопроизводящих структур клеток, ведет к уменьшению синтеза АТФ и снижению общей энергетической эффективности клеток. Это создаёт дополнительную нагрузку на организм, пытающийся компенсировать недостаток энергии за счёт мобилизации резервов, что, в свою очередь, еще больше усугубляет состояние птицы [19].

Интенсивное отложение жира в мышцах и других органах ухудшает терморегуляцию, так как жировые отложения способствуют затруднению отдачи тепла в окружающую среду. Все вышеупомянутые процессы приводят к снижению общей продуктивности птиц, ухудшению их здоровья и увеличению частоты возникновения различных болезней, таких как опорно-двигательных, сердечно-сосудистых, а также снижение иммунной системы. В этих условиях крайне важно оптимизировать управление микроклиматом в птичниках и рассматривать применение различных добавок для улучшения адаптивных способностей птиц [19, 23]

В настоящее время самые распространенные подходы к смягчению негативных последствий от термического воздействия на домашнюю птицу включают стратегии управления, питания и генетики [23].

Одним из ключевых факторов в борьбе с тепловым стрессом является использование качественного оборудования для контроля температуры и влажности. В современных птицеводческих хозяйствах активно применяются автоматические системы управления климатом, которые позволяют оперативно реагировать на изменения внешних условий. Применение таких систем обеспечивает не только поддержание комфортной для птицы температуры, но и позволяет минимизировать риск сквозняков, что также может быть стрессовым фактором. Помимо технических решений, важно уделять внимание и биологическим аспектам. Рацион птицы должен быть скорректирован с учетом повышенных температур. Включение в рацион витаминов и добавок, способствующих укреплению иммунной системы и повышению устойчивости к стрессу, также играет важную роль. При этом следует учитывать, что перегруженность кормовых линий может привести к дополнительному стрессу для птицы, поэтому необходимо соблюдать правильный режим кормления [24].

Таким образом, своевременное и эффективное управление микроклиматом в птицеводческих хозяйствах является необходимым условием для минимизации негативного воздействия теплового стресса. Объединение технических решений с правильным менеджментом питания и содержания птицы создает благоприятные условия для их роста и развития, что в конечном итоге сказывается на общей производительности и экономической эффективности хозяйства [24, 27].

Monson, M.S., et al., 2018, отмечают в своих исследованиях отмечают, что генетика играет ключевую роль в реагировании на воздействии повышенных температур. Как утверждают, генетический отбор - перспективный метод для выведения пород, устойчивых к жаре. В качестве примера можно привести ген голой шеи, доминирующий аутосомный ген, который уменьшает численность перьев на шее у птиц, что способствует эффективному отведению тепла этой областью. У бройлеров этот ген связан с увеличением массы грудных мышц и общего веса тела, понижением температуры тела и изменением соотношения гетерофилов к лимфоцитам в жаркий период [25]. Angelica Van Goor и его коллеги (2015) показали, что точное картирование с использованием QTL (локусов количественных признаков) может быть эффективным в скрининге птиц на устойчивость к жаре. Эти данные указывают на потенциал использования таких генов для селекций цыплят, приспособленных к высоким температурам [26].

Также, еще одним геном может служить ген frizzle - это частичный доминантный ген, снижает интенсивность оперения, тем самым увеличивая способность птиц к чрезмерному рассеиванию тепла и снижению температуры тела [27].

Корректирование рациона представляет собой допустимый способ уменьшения последствий теплового стресса у птиц и часто используется вместе с иными методами управления, экологическими мерами и генетическими подходами [28]. Для уменьшения последствий теплового стресса в основной рацион птицы добавляют кормовые добавки, питательные вещества, фитохи-мические соединения, биоактивные компоненты и др. [29].

При повышенных температурах испарение помогает домашней птице терять тепло. Этот процесс главным образом осуществляется через дыхание, способствуя рассеиванию внутреннего тепла путем испарения воды с влажной слизистой оболочки дыхательных путей. Эффективный метод кормления, который способствует уменьшению тепловыделения, улучшает теплоотдачу и повышает устойчивость к высоким температурам, заключается в подаче воды либо в виде питья, либо в смеси с едой [30]. Предоставление птице влажного корма и охлажденной воды играет важную роль в поддержании её метаболизма, гомеостаза и физиологических реакций. Это также поможет минимизировать выделение воды с фекалиями и, следовательно, увеличит количество воды, доступной для испарения через дыхание [31].

M.A.M. Sayed и J. Downing (2011) рекомендуют применять одновременное систему кормление вместе с подачей холодной воды с питательными добавками для смягчения теплового стресса в условиях производства [32].

Системы компьютерного зрения для оценки состояния сельскохозяйственной птицы. Автоматизированные методы отслеживания состояния сельскохозяйственных животных и птицы на основе систем компьютерного зрения могут применяться для решения широкого спектра задач - от мониторинга поведения до идентификации отдельных особей [9-12]. Золотой стандарт подсчета при клеточном, батарейном и напольном содержании, заключающийся в ручном подсчете, применим для небольших групп птиц и других животных, требует больших затрат времени и трудовых ресурсов, обладает низкой точностью и помехоустойчивостью [33]. Эффективность и результативность непрерывного мониторинга и анализа данных человеком зависит от индивидуального уровня экспертности, связан с большим % ошибок, потерей данных и невозможностью ранней детекции поведенческих и физиологических изменений [15]. При этом правильная рутинная оценка благополучия сельскохозяйственной птицы является одним из факторов, определяющих качество продукции, нормальный рост птицы, снижение заболеваемости [18]. Инструменты на основе искусственного интеллекта позволяют осуществлять постоянный мониторинг в реальном времени, собирать и анализировать большие объемы данных, что помогает производителям принимать обоснованные управленческие решения и обеспечивает раннее выявление заболеваний и неэффективности в производственном процессе [14].

Преимущества систем компьютерного зрения на основе сверточных нейронных сетей заключаются в возможности создания неинвазивных и экономически эффективных решений для непрерывного мониторинга сельскохозяйственных животных и птиц в режиме реального времени. Такие системы создают возможность объективного анализа показателей поведения, тем самым снижая погрешность при наблюдении человеком [14]. Поэтому, несмотря на высокую техническую сложность, системы автоматического подсчёта животных и птиц имеют большой потенциал для применения на предприятиях [33].

Использование нейронных сетей для определения признаков нарушения поведения и здоровья животных способствует повышению уровня благосостояния, позволяет отслеживать отдельных особей в больших группах и выявлять их потребности, а также анализировать общую динамику активности групп без необходимости увеличения доли ручного труда и удорожания производства [15]). Проведение анализа видеозаписей и фотоснимков как в реальном времени, так и с задержкой, предоставляет возможность отслеживать и подсчитывать отдельных особей, анализировать плотность стада и его распределение по территории, а также выявлять маркеры теплового и технологического стресса [15, 16, 33]. Применение подобных систем позволяет значительно сократить время и повысить точности подсчета птицы в сравнении с ручным методом, традиционно используемым в качестве «золотого стандарта» [33]. Также одним из ключевых преимуществ подобных систем является возможность автоматически обнаруживать ключевые признаки поведения из необработанных данных [14].

Необходимо указать, что в зарубежной литературе, в которой системы точного животноводства являются научным фронтиром, имеется не так много исследований, посвященных анализу возможностей применения систем глубокого обучения именно для сельскохозяйственной птицы. Основной проблемой, замедляющей развитие научных решений в данной области, остается уникальность наборов данных для обучения нейронной сети под конкретную задачу. Это обуславливает сложность и трудоемкость разработки подобных систем, и их уникальность. Серьезным препятствием, затрудняющим широкое внедрение систем компьютерного зрения на производстве, является их высокая техническая и технологическая сложность, необходимость обучения нейронных сетей под каждую конкретную задачу. Это обусловлено различием содержания поставленных перед разработчиками задач, поведением и особенностями фенотипа животных и птицы. Существует риск недостаточного качества работы нейронных сетей ввиду плохого качества видеозаписей и фотосьемки, особенностей расположения оборудования, освещения, а также разнообразием форм и размеров самих животных, наложением изображений [13, 14].

Поэтому в настоящее время данная тематика представлена единичными узкоспециализированными исследованиями. Основное внимание уделяется сегментации изображений, анализу движения и применению оптического потока для анализа поведения и здоровья птиц [13]. Также важным аспектом является сегментация изображений для выделения областей интереса (ROI), что позволяет упростить анализ и интерпретацию данных. Основные методы сегментации включают вычитание фона, детекцию переднего плана и техники на основе обучения. В частности, для сегментации изображений птиц используются такие признаки, как цвет для визуальных сенсоров и глубина для ИК-сенсоров [13].

В системе точного животноводства могут применяться все пять задач, для решения которых применяются нейронные сети: классификация, детекция и сегментация изображений, отслеживание траектории движения животных и идентификация положения тела [14]. Основными метриками для визуального анализа состояния птиц в условиях птицефабрик является размер, вес и внешний вид самой птицы, яиц и мяса. Использование систем компьютерного зрения позволяет накопить и проанализировать Big Data, отследить тенденции, и спрогнозировать заболеваемость и снижение продуктивности (Neethirajan, 2022). Ключевыми измеряемыми показателями при создании автоматизированных систем для мониторинга поведения и заболевания птиц являются анализ издаваемых ими звуков, и уровень шума в помещении. Также используются носимые датчики, позволяющие отслеживать перемещение и местоположение отдельных особей, и технологии обработки видео и фотографий [18]. В дополнение к этому, применение машинного зрения является оптимальным для оценки паттернов как индивидуального, так и группового поведения птиц в различных ситуациях (к примеру, кормление и поение), а также при изменении условий окружающей среды [12].

В исследовании [35] с использованием систем компьютерного зрения доказан более высокий уровень благополучия кур в возрасте 19 и 21 недели при клеточном содержании в сравнении в вольерным. Системы ИИ показали, что двигательные признаки комфортного и настороженного поведения различаются при разном типе содержания и могут быть отслежены при анализе видеозаписей. Птицы вольерного содержания показывали длительно сохраняющиеся двигательные признаки настороженного поведения, больший % падежа. Это связывается авторами с самим процессом переводом из вольеров в клетки, приводящему к возникновению стресса и фрустрации.

Поскольку показатели распределения птиц в зонах кормления, поения и отдыха являются маркерами здоровья стада, уход от ручной проверки и коррекции правильности пространственного размещения цыплят-бройлеров как показателя и способа обеспечения здоровья стада и использование для этого систем ИИ позволяет сделать этот процесс менее трудоёмким, энергозатратным и более точным. Разработанная в исследовании Guo Y. et al. (2020) автоматическая система на основе машинного зрения позволила оценить расположение цыплят-бройлеров при напольном содержании при этом пол загона был разделен на зоны поения, кормления и отдыха [12]. При ежедневном сборе изображений цыплят оценивался прирост, сохранность стала, и был сформирован дата сет для обучена нейронной сети.

В исследовании [16] с помощью ИИ показано изменение поведения птиц при изменении световой обработки (увеличение возбудимости при коротковолновом спектре) и изменений температуры.

Пространственное распределение птиц как показатель здоровья стада также может быть проанализирован методами ИИ [12]. ИИ применяется для обнаружения микротрещин в яйцах с точностью 99% [36, 37, 38, 39], дифференцировке здоровых и больных птиц с точностью 97,1% системно больных цыплят [36, 37]. Точность оценки поведения по анализу видеозаписей с применением алгоритма YOLOv3 составляет не менее 83% [37].

В исследовании [33] на примере применения системы компьютерного зрения показана возможность использования сверточной нейронной сети (CNN) Faster R-CNN для автоматического подсчета птицы при батарейном содержании с высокой плотностью посадки. Точность работы системы в условиях реального производства составляла не менее 89,6%. В работе [14] применение аналогичной сверточной нейронной сети (с точностью 94,1% и специфичностью 93,4% была определена питьевая активность кур при освещении различного спектра).

Недостатками внедрения систем является критичность точности распознавания при необходимости жесткого соблюдения нормативов производства, отклонение от которых может являться причиной снижения показателей продуктивности птицы. Также подобные системы требуют подстройки и дообучения нейронных сетей под каждое предприятие в зависимости от требований производства, условий освещения, качества получаемого видеопотока, ключевых метрик, изменений внешнего вида животных и их окружения [13, 14, 33]. Указанные факторы могут значительно снизить производительность подобных систем.

Применяемые для создания подобных моделей методы исследования основаны, прежде всего, на разработке алгоритмов анализа изображений и видео. К примеру, в статье [13] обсуждается использование метода «управляемого водораздела» для сегментации изображений глубины и пороговых методов для удаления фона. Также описываются техники оптического потока для анализа движения, которые делятся на дифференциальные техники, методы на основе энергии, методы сопоставления областей и фазовые техники [13].

Заключение. Технологический стресс у кур является важным фактором, влияющим на их здоровье, продуктивность и общее благополучие. Современные методы ведения сельского хозяйства, включая интенсивное использование автоматизации и высокотехнологичных процессов, требуют переосмысления подходов к управлению стрессом у птиц. Улучшение условий содержания, снижение плотности посадки и обеспечение адекватной вентиляции, освещения и питания могут значительно снизить уровень стресса. Дополнительно, интеграция новых технологий мониторинга состояния птиц позволит своевременно выявлять и корректировать источники стресса. Таким образом, оптимизация производственных процессов с учетом благополучия животных не только улучшит продуктивность, но и будет способствовать устойчивому развитию сельского хозяйства. Проведенный анализ литературных источников показал перспективность внедрения систем компьютерного зрения на производствах. Создавая возможность неинвазивного мониторинга состояния птицы при плотной посадке, нейронные сети могут эффективна анализировать фотографии и видеозаписи, а также поведенческие показатели, на основании которых будет сформировано объективное заключение о состоянии здоровья птицы, выявлены признаки заболеваний или стресса. Это позволит, с одной стороны, проанализировать и оптимизировать сам режим содержания птицы, их рост и развитие, а с другой - своевременно выявлять и устранять потенциальные проблемы содержания. На основе собранных данных нейронные сети могут предсказывать показатели продуктивности, такие как количество яиц или скорость роста, что помогает планировать производство. Используя компьютерное зрение и машинное обучение, можно автоматизировать процессы подсчета количества птиц, мониторинга их активности и распределения по площадям. Однако, результаты проведенного исследования показали необходимость учета ряда ограничений, потенциально осложняющих применение подобных систем. В первую очередь, к таковым могут быть отнесены неоднородность, уникальность и объемность получаемых дата-сетов. Для результативного обучения нейронных сетей необходим большой объем размеченных фото- и видеокадров. В ситуации низкого качества полученных данных (ввиду наложения подвижны объектов, недостаточности освещения, присутствия на записи помех в виде оборудования) это может затруднять интерпретацию полученных данных. В результате потребуется интеграция в производственный процесс добавочных вычислительных ресурсов, дообучение сотрудников предприятий. Вследствие этого в мировой системе точного животноводства, что применение систем компьютерного зрения на основе сверточных нейронных сетей по-прежнему остается слабо представленным, и требует дальнейших разработок [12, 13, 34, 35, 36, 37, 38, 40].

Исследование выполнено за счет гранта Российского научного фонда № 24-26-00227, «Профилактика технологического стресса у утки кряквы на основе технологии искусственного интеллекта для восстановления её популяции в естественной среде обитания».

Список литературы:

1. Канкалова, А. В. Сокращение потерь живой массы скота при технологических стрессах / А. В. Канкалова // Вестник науки. 2020. № 3 (24).

2. Кичеева, Т. Г. К вопросу этологии сельскохозяйственной птицы при технологическом стрессе / Т. Г. Кичеева, Э. Р. Глухова, М. С. Пануев // Аграрный вестник Верхневолжья. 2019. № 2 (27). С. 76-78.

3. Franco-Jimenez D. et al. Physiological changes to transient exposure to heat stress observed in laying hens // Poult Sci. 2007. No. 86 (3). P. 538-544.

4. Kaya von Eugen et al. Stocking Density Affects Stress and Anxious Behavior in the Laying Hen Chick During Rearing // Animals. 2019. No. 9. P. 53.

5. Ермакова, Н. В. Сезонность и технологический стресс в животноводстве / Н. В. Ермакова // Ученые записки Орловского государственного университета. 2014. № 3. С. 148-151.

6. Ayo J. et al. Effects of Heat Stress on the Well-Being, Fertility, and Hatchability of Chickens in the Northern Guinea Savannah Zone of Nigeria // International Scholarly Research Notices. 2011. No. 1. P. 1-10.

7. Boddicker R. L. et al. Gestational heat stress alters postnatal offspring body composition indices and metabolic parameters in pigs // Plos One. 2014. No. 9 (11).

8. Тагиев, А. А. Профилактика теплового стресса при содержании декоративных кус мясного направления / А. А. Тагиев, А. А. Алиев, А. Г. Керимов // Молодой ученый. 2016. № 6-5. С. 99-102.

9. Aydin A. Development of an early detection system for lameness of broilers using computer vision. Comput. Electron. Agr. 2017. No. 136. P. 140-146.

10. Aydin A. et al. Application of a fully automatic analysis tool to assess the activity of broiler chickens with different gait scores. Comp. Elect. Agric. 2010. No. 73. P. 194-199.

11. Lao F. D. et al. Automatic Recognition Method of Laying Hen Behaviors Based on Depth Image Processing. Trans. Chin. Soc. Agr. Eng. 2017. No. 48. P. 155-162.

12. Guo Y. et al. Machine Vision-Based Method for Monitoring Scene-Interactive Behaviors of Dairy Calf. Animals. 2020. No. 10. P. 190.

13. Okinda C. et al. A review on computer vision systems in monitoring of poultry // Artif. Intell. Agric. 2020. No. 4. P. 184-208.

14. Li G. et al. Practices and Applications of Convolutional Neural Network-Based Computer Vision Systems in Animal Farming // Sensors (Basel). 2021. No. 21 (4). P. 1492.

15. Neethirajan S. Automated Tracking Systems for the Assessment of Farmed Poultry // Animals (Basel). 2022. No. 12 (3). P. 232.

16. Fernandes A. M. et al. Analysis of Cluster and Unrest Behaviors of Laying Hens Housed under Different Thermal Conditions and Light Wave Length // Animals (Basel). 2021. No. 11 (7). P. 2017.

17. Viazzi S. et al. Image feature extraction for classification of aggressive interactions among pigs // Comput. Electron. Agr. 2014. No. 104. P. 57-62.

18. Janczak A. et al. Review of rearing-related factors affecting the welfare of laying hens // Poult Sci. 2015. No. 94 (7). P. 1454-1469.

19. Zaboli G. et al. How can heat stress affect chicken meat quality? // Poult Sci. 2019. P. 1551-1556.

20. Abdel-Moneim A. et al. Nutritional manipulation to combat heat stress in poultry // J Therm Biol. 2021. No. 98. P. 102915.

21. Oladokun S. et al. Biomarkers of heat stress and mechanism of heat stress response in Avian species // J Therm Biol. 2022. No. 110. P. 103332.

22. Cartoni Mancinelli A. et al. Impact of chronic heat stress on behavior, oxidative status and meat quality traits of fast-growing broiler chickens. Front Physiol. 2023. No. 12.

23. Madkour M. et al. Mitigating the detrimental effects of heat stress in poultry through thermal conditioning and nutritional manipulation // J Therm Biol. 2022. No. 103. P. 103169.

24. Mangan M. Strategies to combat heat stress in poultry production // J Anim Physiol Anim Nutr (Berl). 2024. No. 108 (3). P. 576-595.

25. Monson M. et al. Immunomodulatory effects of heat stress and lipopolysaccharide on the bursal transcriptome in two distinct chicken lines // BMC Genomics. 2018. No. 19. P. 643.

26. Angelica Van Goor et al. Identification of quantitative trait loci for body temperature, body weight, breast yield, and digestibility in an advanced intercross line of chickens under heat stress // Genet Sel Evol. 2015. No. 47. P. 96.

27. Moataz M. et al. Using major genes to mitigate the deleterious effects of heat stress in poultry: an updated review // Poult Sc. 2022. No. 11. P. 101.

28. Khan R. et al. Physiological dynamics in broiler chickens under heat stress and possible mitigation strategies // Anim Biotechnol. 2023. No. 34 (2). P. 438-447.

29. Mohamed E. et al. Herbs as thermoregulatory agents in poultry // Science of The Total Environment. 2020. No. 703.

30. Brugaletta G. et al. A review of heat stress in chickens // Insights into physiology and gut health. Frontiers in Physiology. 2022. No. 13.

31. Mohamed F. et al. Implementation of different feed withdrawal times and water temperatures in managing turkeys during heat stress // Poult Sc. 2019. No. 97. P. 3076-3084.

32. Sayed M. et al. The effects of water replacement by oral rehydration fluids with or without betaine supplementation on performance, acid-base balance, and water retention of heat-stressed broiler chickens // Poult Sc. 2011. No. 90. P. 157-167.

33. Geffen O. et al. A machine vision system to detect and count laying hens in battery cages // Animal. 2020. No. 14. P. 2628-2634.

34. Nyalala I. et al. Weight and volume estimation of poultry and products based on computer vision systems // Poult Sci. 2021. No. 100 (5). P. 101072.

35. Tahamtani F. et al. Does rearing laying hens in aviaries adversely affect long-term welfare following transfer to furnished cages? // PLoS One. 2014. No. 9 (9).

36. Yang C. et al. Machine vision system for on-line wholesomeness inspection of poultry carcasses // Poult. Sci. 2010. No. 89. P. 1252-1264.

37. Ye C. et al. Broiler stunned state detection based on an improved fast region-based convolutional neural network algorithm // Poult Sci. 2020. No. 99 (1). P. 637-646.

38. Ding A. et al. A novel method for the group characteristics analysis of yellow feather broilers under the heat stress based on object detection and transfer learning // INMATEH-Agric. Eng. 2019. No. 59. P. 49-58.

39. Jones D. et al. Modified pressure imaging for egg crack detection and resulting egg quality // Poult Sci. 2010. No. 89 (4). P. 761-765.

40. Onagbesan O. et al. Alleviating heat stress effects in poultry: updates on methods and mechanisms of actions // Front Vet Sci. 2023. No. 10. P. 1255520.

Резюме. В исследовании представлен анализ современных публикаций, посвященный выявлению признаков проблемного поведения сельскохозяйственной и дикой птицы в условиях технологического стресса. Основное внимание уделено факторам, вызывающим стресс у птицы, таким как интенсивные методы ведения хозяйства, изменения в среде обитания и антропогенные нагрузки. Указываются ключевые поведенческие маркеры стресса, такие как избыточное пероощипы-вание, изменение вокализации и аномальные социальные взаимодействия. Рассмотрены распространенные проявления проблемного поведения: агрессия, снижение аппетита, нарушение репродуктивных функций и аномалии в миграционных паттернах. Обсуждаются механизмы адаптации и возможные стратегии снижения стресса, включая улучшение условий содержания и доступ к естественным видам активности. технологического стресса. Обоснована необходимость переосмысления подходов к управлению состоянием птицы с использованием систем компьютерного зрения. Интеграция новых технологий мониторинга состояния птиц позволит своевременно выявлять и корректировать источники стресса. Это обуславливает перспективность внедрения систем компьютерного зрения на производствах. Несмотря на высокую технологическую сложность подобных разработок, уникальность получаемых датасетов, необходимость индивидуального обучения и дообучения нейронных сетей под каждую задачу, их использование остается перспективным для раннего выявления мелких поведенческих признаков неблагополучия птицы при плотной посадке. Подчеркивается необходимость дальнейших исследований в этой области для разработки более гуманного подхода к содержанию сельскохозяйственной птицы. Также предлагаются рекомендации по совершенствованию управленческих практик, что может способствовать улучшению благосостояния птиц и повышению устойчивости их популяций в условиях растущего технологического давления.

Ключевые слова: технологический стресс, тепловой стресс, сельскохозяйственная птица, дикая птица, компьютерное зрение, искусственный интеллект, точное животноводство, проблемное поведение птицы.

Сведения об авторах:

Фомина Анна Сергеевна, кандидат биологических наук, доцент, доцент кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-908-1742627; e-mail: a_bogun@mail.ru.

Кочеткова Наталья Алексеевна, старший преподаватель кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-988-5569758; e-mail: les.nata13@bk.ru.

Васильев Павел Владимирович, кандидат технических наук, доцент кафедры «Информационные технологии» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-918-5036280; e-mail: lyftzeigen@mail.ru.

Ответственный за переписку с редакцией: Зеленков Алексей Петрович, доктор сельскохозяйственных наук, профессор кафедры «Биология и общая патология» ФГБОУ ВО «Донской государственный технический университет»; 344003, Ростовская область, г. Ростов-на-Дону, пл. Гагарина, 1; тел.: 8-961-8176966; e-mail: zelenkovalex@rambler.ru.

	Полезные ссылки
Департамент ветеринарии Краснодарского края Ассоциация Практикующих Ветеринарных Врачей