从视频摄影中深度学习作为衡量E.E.的工具. 在家禽中的大肠杆菌感染
Neil Scheidwasser1, Louise Ladefoged Poulsen2, Prince Ravi Leow1
1Department of Public Health, University of Copenhagen, Copenhagen, Denmark.
Royal Society open science
|October 9, 2025
概括
在家禽中早期发现大肠杆菌 (大肠杆菌) 是至关重要的. 基于深度学习的跟踪识别了受感染的活动减少,使得及时干预,以防止疾病传播和经济损失.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 计算机视觉 计算机视觉
背景情况:
- 由于频繁爆发大肠杆菌 (大肠杆菌) 疫情,家禽养殖面临重大经济损失和公共卫生风险.
- 传统的家禽大肠杆菌监测方法缺乏敏感性和可扩展性,阻碍了早期检测.
- 至少侵入性,早期检测方法对于防止家禽中大规模的大肠杆菌流行至关重要.
研究的目的:
- 调查基于深度学习的计算机视觉对于早期检测肉中大肠杆菌感染的有效性.
- 通过深度学习跟踪获得的动力学特征来识别表明大肠杆菌感染的行为变化.
- 评估这项技术在实时监测和减少家禽养殖经济损失方面的潜力.
主要方法:
- 一项病例控制研究涉及两组20只肉:一个健康的对照组和一个感染病原性大肠杆菌的小组.
- 使用基于深度学习的跟踪来捕捉动力学特征并监控的行为.
- 分析数据,包括平均光流量,并将其与死后的生理炎症标志物进行比较.
主要成果:
- 基于深度学习的跟踪显示,与健康的对照组相比,感染大肠杆菌的的活性显著降低.
- 在感染群体中观察到较低的平均光流量,表明运动和活动减少.
- 尸检分析证实了受挑战组的炎症和感染严重程度,验证了跟踪数据.
结论:
- 基于深度学习的跟踪提供了一种灵敏且可扩展的实时监测家禽健康的方法.
- 这项技术通过识别微妙的行为变化,可以早期检测大肠杆菌感染.
- 这些发现表明,减轻与家禽传染病相关的经济损失和公共卫生风险是一个有希望的解决方案.
