Zachowanie stada widać wcześniej niż padnięcia: kamera i dane kurnika
Ptaki skupiają się, mniej ruszają przy paśnikach albo dyszą z otwartym dziobem, zanim zmiana pojawi się w liczbach. My zbieramy klimat, wodę i paszę ze sterownika z alarmem na telefon, a wskaźnik aktywności stada z kamery badamy i wdrażamy. Opieramy się na pracach, które pokazały, co kamera potrafi zmierzyć.
verifiedOd zespołu, który od lat organizuje pracę na fermach drobiu.
Zachowanie zmienia się przed liczbami
Ptaki skupione w jednym miejscu, mniej ruchu przy paśnikach, dyszenie z otwartym dziobem. Takie zmiany widać w kurniku zwykle wcześniej niż w padnięciach czy zużyciu paszy. Kłopot w tym, że człowiek ogląda stado kilka razy dziennie po kilka minut, a nocą wcale. Najczęściej zmianę zauważa się dopiero rano, gdy w zeszycie przybywa padniętych ptaków, a przyczyny trzeba szukać wstecz.
Upał nie czeka do rana
Fale upałów pokazały, jak szybko stado wpada w stres cieplny. Godzina bez reakcji to padnięcia i gorsze przyrosty. Kamera sufitowa widzi kurnik bez przerwy, ale obraz trzeba przełożyć na liczbę, którą da się porównać z dniem wcześniej i zestawić z temperaturą.
Jak to rozwiązujemy
1. Klimat, woda i pasza ze sterownika (działa)
DlaFerm odczytuje ze sterownika kurnika temperaturę, wilgotność, zużycie paszy i wody. Bez tych danych zmiany zachowania nie da się zinterpretować. Opis samych czujników jest w artykule o czujnikach i monitoringu stada.
2. Alarm na telefon (działa)
Przy przekroczeniu progów system wysyła alarm na telefon hodowcy i pracowników, także w nocy i w weekend.
3. Wskaźnik aktywności z kamery (prowadzimy badania i wdrażamy)
Prowadzimy badania nad wskaźnikiem aktywności stada z kamery sufitowej i wdrażamy go jako kolejną metrykę dzienną obok danych z karty stada. Porównujemy stado z nim samym dzień wcześniej, o tej samej porze.
4. Sygnał zmiany, a nie diagnoza
Wskaźnik z kamery mówi, że coś się zmieniło. Przyczynę sprawdza hodowca w kurniku, a diagnozę stawia lekarz weterynarii. Opis wskaźników dobrostanu znajdziesz w artykule o ocenie dobrostanu metodą Welfare Quality.

Co mówią badania
Kamera rozpoznaje skupianie się i bezruch
Zarrat Ehsan i Mohtavipour (2024) połączyli wykrywanie brojlerów detektorem YOLO, śledzenie ptaków między klatkami i proste reguły. Detekcja osiągnęła mAP 0,90. Skupianie się rozpoznawano z precyzją 0,93 i czułością 0,88, a bezruch z F1 równym 0,91. Bezruch liczono z ruchu ptaka w ciągu 50 klatek, więc wskaźnik powstaje z obserwacji w czasie.
Dyszenie da się ocenić automatycznie
Zespół Kong (2026) badał stado rodzicielskie brojlerów na fermie komercyjnej, a obraz zbierał robot jeżdżący między rzędami klatek. Dyszenie oceniano w oknie czasowym, bo dziób otwiera się też przy jedzeniu. Po optymalizacji komputer na miejscu obsługiwał kilka strumieni z prędkością 51,43 klatki na sekundę zamiast 7,89, bez spadku dokładności. Więcej o samym upale w artykule o stresie cieplnym u drobiu.
Analiza wideo z fermy jest coraz tańsza
Zespół Ghafouri (2025) opisał system FlockFocus, który dzieli kadr z kamer na komercyjnych fermach brojlerów na strefy: paśnik, poidła, strefę aktywności i ścianę. Po optymalizacjach przetwarzanie było 2,0–2,3 razy szybsze, a koszt analizy pięciominutowego nagrania w chmurze spadł o 55%. Komputer w kurniku obsłuży kilka kamer, a obraz nie musi opuszczać fermy.
Kamera widzi też dobre samopoczucie
Zespół Leow (2026) z Uniwersytetu w Linköping sprawdził, czy kamera rozpozna zabawę kurcząt, czyli zachowanie świadczące o dobrostanie. Na nagraniach 45 kurcząt najlepszy model osiągnął makro-F1 77,0, a same proste cechy ruchu 73,4. Ruch ptaków niesie więc dużo informacji nawet bez ciężkich modeli.
Co zyskuje ferma
Szybsza reakcja na upał i awarię
Alarm z czujników przychodzi od razu, a wskaźnik z kamery ma dodać obraz tego, jak stado na zmianę reaguje.
Kurnik pod okiem między obchodami
Dane z nocy i weekendu są zapisane. Rano widzisz, co działo się w kurniku, zamiast zgadywać.
Historia do rozmowy z lekarzem weterynarii
Klimat, woda, pasza i padnięcia są w jednym miejscu, z datą i godziną. Lekarz weterynarii dostaje pełny obraz stada.
Pokażemy to u Ciebie
Chcesz zobaczyć, jak dane z kurnika i wskaźnik aktywności wyglądałyby na Twojej fermie? Umów spotkanie przez formularz na dole strony.
Pytania o monitoring zachowania stada
Jak działa monitoring zachowania w DlaFerm?add
Dziś zbieramy ze sterownika temperaturę, wilgotność, zużycie paszy i wody i wysyłamy alarm na telefon. Wskaźnik aktywności stada z kamery sufitowej badamy i wdrażamy jako kolejną metrykę dzienną.
Jaki sprzęt jest potrzebny?add
Do danych o klimacie wystarczy sterownik kurnika, który już masz. Do wskaźnika zachowania potrzebna jest kamera sufitowa i komputer w kurniku, które wdrażamy razem z fermą.
Ile pracy wymaga wdrożenie?add
Konto i kreator fermy przejdziesz w jedno popołudnie. Kamera wymaga montażu i okresu, w którym system poznaje zwykły rytm Twojego stada.
Co, jeśli w kurniku nie ma zasięgu?add
Wpisy w aplikacji robisz bez sieci, a aplikacja wyśle je, gdy telefon złapie zasięg. Obraz analizuje komputer na miejscu.
Czy kamera zastąpi weterynarza?add
Nie. Kamera pokazuje, że zachowanie się zmieniło. Spadek aktywności może oznaczać chorobę, zbyt niską temperaturę albo porę dnia. Diagnozę stawia lekarz weterynarii.
Jakie dane zbieramy?add
Odczyty ze sterownika, dane z karty stada i alarmy. Przy kamerze także obraz z kurnika, z którego liczony jest wskaźnik aktywności.
Skąd wiecie, że kamera potrafi to zmierzyć?add
Skupianie się brojlerów rozpoznawano z precyzją 0,93, a bezruch z F1 0,91 (Zarrat Ehsan i Mohtavipour, 2024). Dyszenie oceniano automatycznie w czasie rzeczywistym na komputerze w budynku (zespół Kong, 2026). System FlockFocus pracował na nagraniach z komercyjnych ferm brojlerów. Te wyniki sprawdzamy na polskich fermach.
Źródła i materiały
- linkZarrat Ehsan T., Mohtavipour S.M. (2024). Broiler-Net: A Deep Convolutional Framework for Broiler Behavior Analysis in Poultry Houses. arXiv:2401.12176
- linkLeow P.R., Scheidwasser N., Oscarsson R., Jensen P., Bhatt S., Duchêne D.A. (2026). PlayClass: Automated Play Behaviour Classification in Poultry. arXiv:2605.27304
- linkGhafouri S., Ding Y., Diaz Chito K. i in. (2025). Optimizing video analytics inference pipelines: a case study. arXiv:2512.07009
- linkKong N. i in. (2026). Robust Tracking and Quantification of Open-Beak Behavior for Heat Stress Assessment in Multi-Tier Caged Rearing Broiler Breeders via Mobile Inspection. Animals 16(15), 2408
Zobacz, co dzieje się w kurniku między obchodami
Pokażemy, jak dane ze sterownika i alarmy działają w aplikacji i jak wdrażamy wskaźnik aktywności stada z kamery. Napisz do nas.
Telefon
+48 796 258 151