Ile ptaków naprawdę jest w kurniku: bilans sztuk i kamera
Liczba ptaków rozjeżdża się przy wstawieniu, przy niezapisanych padnięciach i przy odbiorze. My pilnujemy bilansu sztuk w karcie stada, a liczenie i wykrywanie ptaków z kamery badamy i wdrażamy. Opieramy się na pracach, które sprawdziły, kiedy kamera liczy wiarygodnie.
verifiedOd zespołu, który od lat organizuje pracę na fermach drobiu.
Tyle wstawiono, minus padnięcia. W teorii
Liczba ptaków w kurniku wydaje się oczywista: tyle wstawiono, minus padnięcia i selekcja. W praktyce bilans rozjeżdża się już przy wstawieniu, bo pisklęta liczy się w skrzynkach. Potem padnięcia nie zawsze trafiają do zeszytu na bieżąco. Na końcu liczy ekipa łapaczy i wychodzi inna liczba niż w papierach.
Każda brakująca sztuka to pytanie bez odpowiedzi
Rozbieżność trzeba wyjaśnić z wylęgarnią, ekipą łapaczy albo ubojnią. Bez zapisanych liczb z każdego etapu to rozmowa na słowo. Do tego liczba ptaków jest podstawą innych pomiarów: zużycia paszy na sztukę, masy stada i obsady. Jeśli liczba jest zła, błędne są też wszystkie wskaźniki liczone na sztukę.
Jak to rozwiązujemy
1. Bilans sztuk w karcie stada (działa)
W karcie stada zapisujesz liczbę wstawionych piskląt, dzienne padnięcia i selekcję, a przy odbiorze liczbę oddanych sztuk. Wpisy robisz z telefonu w kurniku, także bez zasięgu. Aplikacja wyśle je, gdy telefon złapie sieć.
2. Rozbieżność widać w liczbach (działa)
Ekipy łapaczy rozliczasz w tym samym systemie, co opisujemy w artykule o programie dla ekip łapiących drób. Różnica między wstawieniem, padnięciami i odbiorem jest więc widoczna, zanim ktoś zacznie ją wyjaśniać.
3. Liczenie i wykrywanie ptaków z kamery (prowadzimy badania i wdrażamy)
Prowadzimy badania nad liczeniem i wykrywaniem ptaków z obrazu i wdrażamy je na fermach. Model douczamy na zdjęciach z danej fermy, a wynik porównujemy z bilansem sztuk z karty stada. Ogólny przegląd zastosowań AI jest w artykule o sztucznej inteligencji na fermie drobiu.
4. Wykrycie ptaka to podstawa kolejnych pomiarów
Kamera, która wiarygodnie widzi ptaki, daje też mapę rozmieszczenia stada, aktywność i masę z obrazu. O wykrywaniu padłych ptaków przez roboty piszemy w artykule o automatycznym wykrywaniu padłych ptaków.
5. Decyzję podejmuje człowiek
System pokazuje liczby i różnice. Wyjaśnienie rozbieżności i decyzje o stadzie zostają po stronie hodowcy.

Co mówią badania
Model trzeba douczyć na danych z fermy
Zespół Hwanga (2026) uczył detektor brojlerów na obrazach z kamer w kurniku komercyjnym. Po douczeniu na danych z tej fermy liczenie ptaków w kadrze miało trafność 97,6%, a model uczony wyłącznie na publicznych zdjęciach wypadł o 26% gorzej. Na wybiegach zespół Chen J. (2025) zebrał 6600 obrazów z 14 scen: na scenach spoza treningu wynik spadł z 80,7% do 73,2%. Stąd nasze założenie, że kamera uczy się konkretnego kurnika.
Douczenie to dni pracy, nie miesiące
Zespół Bista (2025) z uniwersytetów w Arkansas i Georgii sprawdził półautomatyczne etykietowanie zdjęć brojlerów i niosek. Gdy model podpowiadał, a człowiek poprawiał, 3000 obrazów opisano w ok. 24 godziny zamiast 118. Narzędzie ArgusTrack zespołu Vo (2026) opisało scenę z 11 kamer w kurniku brojlerów w 102 sekundy zamiast 1872.
Mały komputer w kurniku wystarczy do liczenia
Zespół Boniche (2026) porównał detektory na nagraniach gęstego stada brojlerów. YOLOv10s osiągnął mAP 0,95, a na komputerze jednopłytkowym przetwarzał klatkę w 392 ms, czyli ok. 2,5 klatki na sekundę. To wystarcza, żeby liczyć stado i mapować rozmieszczenie ptaków co kilka minut.
Kilka kamer liczy lepiej niż jedna
Zespół Chen S. (2025) liczył kury z trzech zsynchronizowanych kamer. Trafność wyniosła 95,1% przy błędzie średnio 2,9 ptaka, podczas gdy ten sam detektor z jednej kamery dawał 84,2%. Zasłanianie się ptaków to główna trudność, a kolejne ujęcia ją zmniejszają.
Dane z własnej fermy są najcenniejsze
Zespół Bhujela (2024) przejrzał 58 publicznych zbiorów obrazów zwierząt gospodarskich. Tylko 5 dotyczy drobiu, a tylko 4 ze wszystkich pochodzą od zwierząt faktycznie chorych. Dlatego model budujemy na obrazach z ferm, na których działa.
Co zyskuje ferma
Rozbieżność wyjaśniona na liczbach
Wstawienie, padnięcia, selekcja i odbiór są zapisane z datą. Rozmowa z wylęgarnią, ekipą łapaczy czy ubojnią opiera się na zapisach, a nie na pamięci.
Wskaźniki liczone na właściwą liczbę ptaków
Pasza na sztukę, obsada i masa stada liczone są od aktualnej liczby ptaków z karty stada.
Mniej ręcznego liczenia
W miarę wdrażania kamery liczenie i obserwacja rozmieszczenia stada przestają zależeć od tego, kiedy ktoś był w kurniku.
Sprawdźmy liczenie u Ciebie
Chcesz uporządkować bilans sztuk albo sprawdzić liczenie z kamery w swoim kurniku? Zostaw wiadomość w formularzu na dole strony.
Pytania o bilans sztuk i liczenie z kamery
Jak DlaFerm pilnuje liczby ptaków?add
W karcie stada zapisujesz wstawienie, dzienne padnięcia, selekcję i liczbę oddanych sztuk. System liczy bilans i pokazuje różnice. Liczenie z kamery badamy i wdrażamy.
Jakiego sprzętu potrzebuję?add
Do bilansu sztuk wystarczy telefon albo przeglądarka. Liczenie z obrazu wymaga kamery w kurniku i małego komputera, który przetwarza obraz na miejscu. Ten zestaw wdrażamy razem z fermą.
Ile pracy wymaga wdrożenie kamery?add
Po montażu trzeba zebrać i opisać zdjęcia z Twojego kurnika, żeby douczyć model. Model podpowiada, człowiek poprawia, więc w badaniach skróciło to etykietowanie o ok. 80%.
Co, jeśli w kurniku nie ma zasięgu?add
Wpisy w aplikacji robisz bez sieci, a aplikacja wyśle je, gdy telefon złapie zasięg. Obraz z kamery przetwarza komputer w kurniku.
Czy kamera nauczona gdzie indziej zadziała w moim kurniku?add
Według badań gorzej. Model uczony tylko na publicznych zdjęciach wypadł o 26% gorzej niż douczony na danych z fermy. Kurniki różnią się światłem, ściółką i miejscem kamery.
Jakie dane zbieramy?add
Liczby z karty stada (wstawienie, padnięcia, selekcja, odbiór) i rozliczenia ekip. Przy kamerze także obraz z kurnika, z którego liczone są ptaki.
Skąd wiecie, że kamera liczy wiarygodnie?add
Zespół Hwanga (2026) po douczeniu na danych z fermy uzyskał trafność liczenia 97,6% i mAP@0,5 równe 0,988. Trzy kamery naraz w pracy zespołu Chen S. dały 95,1% zamiast 84,2% z jednej. Zespół Boniche pokazał, że lekki model działa na małym komputerze w gęstym stadzie. Dokładność w Twoim kurniku zmierzymy przy wdrożeniu.
Źródła i materiały
- linkHwang i in. (2026). Combining Public and On-Farm Datasets for Deep Learning-Based Broiler Detection and Counting in a Commercial Broiler House. Agriculture 16(21), 2321
- linkBoniche i in. (2026). A Lightweight Deep Learning Model for Broiler Population Monitoring on an Edge AI Platform. Poultry 5(3), 36
- linkChen S., Feng Y., Wang Y., Liao J., Zhang Q. (2025). TP-MVCC: Tri-plane Multi-view Fusion Model for Silkie Chicken Counting. arXiv:2509.24329
- linkChen J., Feng Y., Dai T. i in. (2025). SFN-YOLO: Towards Free-Range Poultry Detection via Scale-aware Fusion Networks. arXiv:2509.17086
- linkBist R.B., Chai L., Weimer S. i in. (2025). Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches. arXiv:2501.10809
- linkVo H., Nguyen D., Le N. (2026). ARGUSTRACK: A Multi-View Annotation System for Multi-Object Tracking. arXiv:2606.20687
- linkBhujel A., Wang Y., Lu Y., Morris D., Dangol M. (2024). Public Computer Vision Datasets for Precision Livestock Farming: A Systematic Survey. arXiv:2406.10628
Uporządkujmy bilans sztuk na Twojej fermie
Pokażemy, jak wstawienie, padnięcia i odbiór łączą się w karcie stada, i porozmawiamy o liczeniu ptaków z kamery u Ciebie. Napisz do nas.
Telefon
+48 796 258 151