Nietypowe odchody w kurniku: od zdjęcia do próbki dla lekarza
Zmianę odchodów pracownik widzi przy każdym obchodzie, ale ocena na oko zależy od doświadczenia, a wynik z laboratorium przychodzi po czasie. My zbieramy padnięcia, zadania i leczenie przy stadzie, a podpowiedź ze zdjęcia odchodów badamy i wdrażamy. Opieramy się na badaniach, które pokazały, co model rozpoznaje ze zdjęcia.
verifiedOd zespołu, który od lat organizuje pracę na fermach drobiu.
Odchody widać codziennie, wynik po kilku dniach
Zmiana wyglądu odchodów to jeden z pierwszych sygnałów problemów jelitowych: krwiste przy kokcydiozie, wodniste, zielonkawe. Pracownik widzi je przy każdym obchodzie, ale ocena „na oko” zależy od doświadczenia. Jeden zauważy, drugi przejdzie obok. A to, co zauważy, często zostaje w głowie, zamiast trafić do zapisu przy stadzie.
Każdy dzień zwłoki to więcej chorych ptaków
Potwierdzenie z laboratorium przychodzi po czasie, a presja na ograniczanie antybiotyków wymaga trafnego i szybkiego rozpoznania. Im później ktoś pobierze próbkę, tym później lekarz weterynarii dobierze leczenie. Ogólny opis objawów znajdziesz w tabeli objawów chorób drobiu.
Jak to rozwiązujemy
1. Obchód i padnięcia zapisane przy stadzie (działa)
Pracownicy zapisują padnięcia przy stadzie, a hodowca zleca im zadania w aplikacji. Wpisy działają także bez zasięgu w budynku i wysyłają się, gdy telefon złapie sieć.
2. Zdjęcie odchodów i podpowiedź (prowadzimy badania i wdrażamy)
Prowadzimy badania nad podpowiedzią na podstawie zdjęcia odchodów i wdrażamy ją na fermach. Zdjęcie robi pracownik telefonem w czasie obchodu. Zakładamy, że zdjęcie nie opuszcza fermy, a model uczy się na wielu fermach naraz.
3. Sygnał: pobierz próbkę i zadzwoń do lekarza
Wynik zdjęcia to sygnał, a nie diagnoza. Kokcydioza, salmonelloza i rzekomy pomór wymagają różnego postępowania, a rzekomy pomór jest chorobą zwalczaną z urzędu. Objawy opisujemy w artykułach o kokcydiozie u brojlerów i salmonelli na fermie drobiu.
4. Historia stada pod ręką dla lekarza (działa)
Leczenie i karencję prowadzisz w ewidencji, więc przy podejrzeniu choroby lekarz weterynarii widzi padnięcia, wcześniejsze leczenia i przebieg stada. Więcej w artykule o ewidencji leczenia i karencji.

Co mówią badania
Zdjęcie odchodów pozwala odróżnić choroby
Zespół Islama (2025) użył 8067 zdjęć odchodów w czterech klasach: kokcydioza, salmonelloza, rzekomy pomór drobiu i zdrowe. Prosty model na cechach koloru i tekstury rozpoznawał je z trafnością 95,85%, prawie tak dobrze jak duża sieć Xception (96,45%), a uczył się 638 sekund bez karty graficznej. Rzekomy pomór rozpoznawano najgorzej, z czułością 0,85, co potwierdza, że wynik musi trafić do lekarza.
Wspólny model wielu ferm bez wysyłania zdjęć
Chi (2026) oczyścił publiczne zbiory zdjęć odchodów z duplikatów, których było 46,89%. Na 8770 unikalnych obrazach sprawdził uczenie federacyjne: każda ferma uczy model na swoich zdjęciach i wysyła tylko zmiany modelu. Model z jednej fermy osiągnął 64,86%, a wspólny model federacyjny 90,31%, blisko 95,10% przy zebraniu danych w jednym miejscu.
Odchody mówią więcej niż wygląd ptaka
Zespół Sabbelli (2025) uczył detektor YOLOv8 rozpoznawać choroby na zdjęciach samych ptaków. Ogólna precyzja wyniosła 0,693, a dla rzekomego pomoru czułość tylko 0,598. Dlatego zaczynamy od zdjęć odchodów.
Kamera z AI działa w kurniku produkcyjnym
Zespół Tonga (2024) zamontował cztery małe kamery z procesorem AI w sensorze na wózku paszowym w kurniku klatkowym i przez pięć miesięcy fotografował ponad 2700 kur. Zdrowe i chore kury rozróżniano z mAP 95,1%, a kamera wysyłała tylko kilka bajtów wyniku zamiast obrazu. Zespół Chena (2024) pokazał na danych o bydle, że dobór urządzeń w uczeniu federacyjnym zmniejsza zużycie energii o 10%. O robotach w kurniku piszemy w artykule roboty w kurniku: co już potrafią.
Co zyskuje ferma
Szybsza próbka, szybsze leczenie
Podpowiedź ze zdjęcia ma skrócić drogę od obchodu do telefonu do lekarza weterynarii.
Mniej zależności od doświadczenia jednej osoby
Każdy pracownik może zrobić zdjęcie i zapisać obserwację, a hodowca widzi je przy stadzie.
Pełna dokumentacja leczenia
Padnięcia, leczenie i karencja są w ewidencji. Przy kontroli i przy odbiorze masz zapisy z całego cyklu.
Pokażemy to na Twoim stadzie
Wyniki naszych badań chętnie pokażemy na danych z Twojego stada. Wystarczy napisać przez formularz na dole strony.
Pytania o zdjęcia odchodów i dane stada
Jak to działa?add
Pracownicy zapisują padnięcia i obserwacje w aplikacji, a leczenie prowadzisz w ewidencji. Podpowiedź ze zdjęcia odchodów badamy i wdrażamy: zdjęcie robione telefonem w czasie obchodu daje sygnał, czy warto pobrać próbkę.
Jakiego sprzętu potrzebuję?add
Telefonu z aparatem i aplikacją. Nie potrzeba kamer ani komputera w kurniku.
Ile pracy wymaga wdrożenie?add
Konto i kreator fermy przejdziesz w jedno popołudnie. Zdjęcie odchodów to kilka sekund w czasie obchodu, który i tak się odbywa.
Co, jeśli w kurniku nie ma zasięgu?add
Wpisy robisz bez sieci, a aplikacja wyśle je, gdy telefon złapie zasięg.
Czy zdjęcie zastąpi weterynarza albo laboratorium?add
Nie. Zdjęcie daje sygnał do pobrania próbki. Diagnozę stawia lekarz weterynarii na podstawie badania. Rzekomy pomór drobiu jest chorobą zwalczaną z urzędu, więc przy jego podejrzeniu liczy się każda godzina.
Czy moje zdjęcia trafią do innych ferm?add
Zakładamy uczenie federacyjne: zdjęcie zostaje na fermie, a do wspólnego modelu trafiają tylko zmiany modelu.
Jakie dane zbieramy?add
Padnięcia, obserwacje, zadania, ewidencję leczenia z karencją, a przy podpowiedzi także zdjęcia odchodów.
Skąd wiecie, że zdjęcie odchodów coś mówi?add
Na 8067 zdjęciach prosty model odróżniał kokcydiozę, salmonellozę, rzekomy pomór i odchody zdrowe z trafnością 95,85% (zespół Islama, 2025). Wspólny model wielu ferm osiągnął 90,31% wobec 64,86% modelu z jednej fermy (Chi, 2026). W kurniku produkcyjnym kamera z AI rozróżniała zdrowe i chore kury z mAP 95,1% (zespół Tonga, 2024).
Źródła i materiały
- linkChi T.-Y. (2026). FecalFed: Privacy-Preserving Poultry Disease Detection via Federated Learning. arXiv:2604.00559
- linkIslam A.K.M.S., Hassan M.R., Uddin M., Rahman M.S. (2025). Lightweight Model for Poultry Disease Detection from Fecal Images Using Multi-Color Space Feature Optimization and Machine Learning. arXiv:2507.10056
- linkSabbella A.S.R., Prachothan Ch.L., Panta E.K. (2025). YOLOv8-Based Deep Learning Model for Automated Poultry Disease Detection and Health Monitoring. arXiv:2508.04658
- linkTong Q., Wang J., Yang W. i in. (2024). Edge AI-Enabled Chicken Health Detection Based on Enhanced FCOS-Lite and Knowledge Distillation. arXiv:2407.09562
- linkChen D., Yang P., Chen I.-R., Ha D.S., Cho J.-H. (2024). SusFL: Energy-Aware Federated Learning-based Monitoring for Sustainable Smart Farms. arXiv:2402.10280
Od obchodu do decyzji lekarza szybciej
Pokażemy, jak padnięcia, zadania i ewidencja leczenia działają w aplikacji, i jak wdrażamy podpowiedź ze zdjęcia odchodów. Napisz do nas.
Telefon
+48 796 258 151