tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Additional title: |
Monitoring chicken behavior with Computer Vision |
| Additional title: |
Monitorización del comportamiento de pollos con Visión por Computador |
| Date: |
2026 |
| Abstract: |
Aquest Treball de Fi de Grau té la finalitat de trobar mecanismes per millorar el benestar animal en la producció avícola mitjançant el desenvolupament d'un sistema automatitzat de monitorització del comportament de pollastres basat en Visió per Computador i Deep Learning. La motivació principal és aportar eines objectives que permetin analitzar les condicions en què viuen els animals i relacionar-ne el comportament amb indicadors de benestar, contribuint així a una producció alimentària més ètica i sostenible. L'objectiu central del projecte és dissenyar un sistema capaç de detectar, segmentar i seguir pollastres en seqüències de vídeo, extreure'n patrons de moviment i generar mètriques quantitatives (moviment, velocitat, distribució espacial, consistència d'identitats) útils per avaluar el seu comportament. Entre els objectius específics hi ha la revisió de l'estat de l'art, la implementació de tècniques de detecció i seguiment, i la validació dels resultats amb mètriques estàndard de tracking. Pel que fa al desenvolupament tècnic, inicialment es van explorar tècniques clàssiques de Visió per Computador (background subtraction i watershed), que van permetre una primera segmentació però van mostrar limitacions importants en escenaris amb alta densitat i oclusions. Posteriorment, es va preparar un conjunt de dades etiquetat manualment amb CVAT i es va entrenar un model de segmentació YOLOv8, obtenint deteccions fiables dels pollastres en imatges i vídeo. Per al seguiment temporal (Multi-Object Tracking), es van avaluar diversos enfocaments: Norfair, DeepSORT, BoT-SORT i ByteTrack, així com solucions híbrides desenvolupades específicament en el projecte. Destaca especialment la combinació Norfair + descriptors HOG + Algoritme Hongarès, que integra proximitat espacial i similitud visual per millorar la consistència de les identitats amb un cost computacional moderat. També es va explorar una alternativa basada en Auto-Encoders convolucionals per a ReIdentification, amb resultats similars als descriptors clàssics. Els resultats mostren que BoT-SORT i ByteTrack aconsegueixen els millors valors globals de precisió, mentre que la solució híbrida amb Norfair ofereix un excel·lent compromís entre precisió, estabilitat d'identitats i eficiència. El sistema permet extreure mètriques individuals (trajectòries, moviment total, velocitat) i col·lectives, com ara la distribució espacial de l'activitat, on s'ha detectat un desequilibri entre zones del recinte. En conclusió, el treball demostra que és viable implementar un sistema robust i interpretable de monitorització del comportament dels pollastres utilitzant Visió per Computador, fins i tot en condicions complexes. El projecte obre la porta a futures línies de recerca, com l'ús de models generatius (Stable Diffusion) per a dades sintètiques, la integració de SAM v3 per millorar la segmentació i l'anotació, i la detecció automàtica de comportaments específics com el pecking, directament relacionats amb el benestar animal. |
| Abstract: |
This Final Degree Project aims to find mechanisms to improve animal welfare in poultry production by developing an automated system for monitoring chicken behavior based on Computer Vision and Deep Learning. The main motivation is to provide objective tools that allow analysis of the conditions in which animals live and link their behavior to welfare indicators, thus contributing to more ethical and sustainable food production. The main objective of the project is to design a system capable of detecting, segmenting and tracking chickens in video sequences, extracting movement patterns and generating quantitative metrics (movement, speed, spatial distribution, identity consistency) that are useful for evaluating their behavior. Specific objectives include reviewing the state of the art, implementing detection and tracking techniques, and validating the results with standard tracking metrics. Regarding technical development, initially, classic Computer Vision techniques (background subtraction and watershed) were explored, which allowed a first segmentation but showed important limitations in scenarios with high density and occlusions. Subsequently, a manually labeled dataset with CVAT was prepared and a YOLOv8 segmentation model was trained, obtaining reliable detections of chickens in images and video. For temporal tracking (Multi-Object Tracking), several approaches were evaluated: Norfair, DeepSORT, BoT-SORT and ByteTrack, as well as hybrid solutions developed specifically in the project. Of note is the combination Norfair + HOG descriptors + Hungarian Algorithm, which integrates spatial proximity and visual similarity to improve identity consistency with a moderate computational cost. An alternative based on Convolutional Auto-Encoders for ReIdentification was also explored, with similar results to the classic descriptors. The results show that BoT-SORT and ByteTrack achieve the best overall accuracy values, while the hybrid solution with Norfair offers an excellent compromise between accuracy, identity stability and efficiency. The system allows the extraction of individual metrics (trajectories, total movement, speed) and collective metrics, such as the spatial distribution of activity, where an imbalance between areas of the enclosure has been detected. In conclusion, the work demonstrates that it is viable to implement a robust and interpretable system for monitoring chicken behavior using Computer Vision, even under complex conditions. The project opens the door to future lines of research, such as the use of generative models (Stable Diffusion) for synthetic data, the integration of SAM v3 to improve segmentation and annotation, and the automatic detection of specific behaviors such as pecking, directly related to animal welfare. |
| Abstract: |
Este Trabajo de Fin de Grado tiene la finalidad de encontrar mecanismos para mejorar el bienestar animal en la producción avícola mediante el desarrollo de un sistema automatizado de monitorización del comportamiento de pollos basado en Visión por Computador y Deep Learning. La motivación principal es aportar herramientas objetivas que permitan analizar las condiciones en las que viven los animales y relacionar su comportamiento con indicadores de bienestar, contribuyendo así a una producción alimentaria más ética y sostenible. El objetivo central del proyecto es diseñar un sistema capaz de detectar, segmentar y seguir pollos en secuencias de vídeo, extraer patrones de movimiento y generar métricas cuantitativas (movimiento, velocidad, distribución espacial, consistencia de identidades) útiles para evaluar su comportamiento. Entre los objetivos específicos se encuentra la revisión del estado del arte, la implementación de técnicas de detección y seguimiento, y la validación de los resultados con métricas estándar de tracking. En cuanto al desarrollo técnico, inicialmente se exploraron técnicas clásicas de Visión por Computador (background subtraction y watershed), que permitieron una primera segmentación pero mostraron importantes limitaciones en escenarios con alta densidad y oclusiones. Posteriormente, se preparó un conjunto de datos etiquetado manualmente con CVAT y se entrenó un modelo de segmentación YOLOv8, obteniendo detecciones fiables de los pollos en imágenes y vídeo. Para el seguimiento temporal (Multi-Object Tracking), se evaluaron varios enfoques: Norfair, DeepSORT, BoT-SORT y ByteTrack, así como soluciones híbridas desarrolladas específicamente en el proyecto. Destaca especialmente la combinación Norfair + descriptores HOG + Algoritmo Húngaro, que integra proximidad espacial y similitud visual para mejorar la consistencia de las identidades con un coste computacional moderado. También se exploró una alternativa basada en Auto-Encoders convolucionales para ReIdentification, con resultados similares a los descriptores clásicos. Los resultados muestran que BoT-SORT y ByteTrack alcanzan los mejores valores globales de precisión, mientras que la solución híbrida con Norfair ofrece un excelente compromiso entre precisión, estabilidad de identidades y eficiencia. El sistema permite extraer métricas individuales (trayectorias, movimiento total, velocidad) y colectivas, como por ejemplo la distribución espacial de la actividad, donde se ha detectado un desequilibrio entre zonas del recinto. En conclusión, el trabajo demuestra que es viable implementar un sistema robusto e interpretable de monitoreo del comportamiento de los pollos utilizando Visión por Computador, incluso en condiciones complejas. El proyecto abre la puerta a futuras líneas de investigación, como el uso de modelos generativos (Stable Diffusion) para datos sintéticos, la integración de SAM v3 para mejorar la segmentación y anotación, y la detección automática de comportamientos específicos como el pecking, directamente relacionados con el bienestar animal. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Language: |
Català |
| Studies: |
Enginyeria Informàtica [2502441] |
| Study plan: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau |
| Subject area: |
Menció Computació |
| Subject: |
Benestar animal ;
Deep Learning ;
Detecció i seguiment d'objectes ;
Monitorització del comportament ;
Pollastres ;
Seguiment multiobjecte (MOT) ;
Visió per Computador ;
YOLOv8 ;
Animal Welfare ;
Behavior Monitoring ;
Chickens ;
Computer Vision ;
Multi-Object Tracking (MOT) ;
Object Detection and Tracking ;
Bienestar animal ;
Detección y seguimiento de objetos ;
Monitorización del comportamiento ;
Pollos ;
Seguimiento multiobjeto (MOT) ;
Visión por Computador |
guest ::
