Développement d’algorithmes de détection de poulets par imagerie pour le suivi d’indicateurs d’activité en élevage

Résumé

Garantir aux consommateurs une production de poulets respectueuse du bien-être animal est la base du métier d’éleveur, mais la société civile demande plus de transparence sur les pratiques d’élevage. Les méthodes d’évaluation du bien-être en élevage sont réalisées ponctuellement et nécessitent du temps avec la présence d’un observateur formé. A l’inverse, l’analyse d’images permet d’effectuer des mesures en continu et en temps réel sans perturber les animaux. L’objectif de cet article est d’évaluer les performances d’un algorithme de détection de poulets basé sur l’analyse d’images et utilisant l’intelligence artificielle pour quantifier la mobilité individuelle des animaux. La majorité des images utilisées pour l’entrainement du modèle, ainsi que la base de données de test, reflètent les densités commerciales utilisées en élevage de poulets. Elles sont également représentatives des différents stades physiologiques des poulets. Le modèle atteint un taux de détection de 80 % tous âges confondus. La sensibilité des algorithmes augmente cependant avec l’âge des poulets, passant de 66 % pour les poulets de 0 jour à 90 % pour ceux de 40 jours. En l’état, la détection des poulets est fortement liée au nombre de pixels qui définissent l’animal. Ce modèle de détection est la première étape nécessaire pour effectuer un suivi individuel dans le temps et donc sur plusieurs images successives. La qualité de ce suivi dépend fortement de la capacité du système à détecter correctement les animaux, mais aussi de leur activité. Les performances de suivi ne sont pas exposées dans cet article. Au vu des résultats prometteurs, les données générées seront utilisées pour l’évaluation d’indicateurs de bien-être des poulets et la détection précoce de problèmes de santé en élevages commerciaux de poulets et pourraient l’être aussi dans les élevages expérimentaux.