Vers la détection automatisée de la posture des truies en maternité via le suivi vidéo

Quel intérêt pour Axiom et la filière porcine ?

Les méthodes et processus de sélection s’appuient sur des technologies de plus en plus pointues. L’investissement continu d’Axiom dans ces nouveaux outils et techniques, permet de répondre aux évolutions actuelles et futures des filières.

Une attente forte des filières des production porte notamment sur la réduction des pertes en maternité, en particulier par une meilleure détection des truies ayant un comportement défavorable. Le comportement d’une truie dépend de différentes caractéristiques qui relèvent de sa santé, de son bien-être, de ses qualités maternelles, ou de son niveau de production (Weary et al., 2009)¹. La mesure du comportement de manière automatisée, et sur du long terme, constitue un défi majeur pour la production porcine. En effet, le comportement de chaque animal autour de la mise-bas n’est pas statique, mais évolue au cours du temps. A titre d’exemple et d’après Girardie (2023)², il est attendu une évolution du comportement de la truie entre le début de la nidification et le démarrage de sa lactation, avec une réduction de l’agitation.

A ce titre, l’introduction des outils intégrant l’intelligence artificielle (IA) dans les différentes étapes de la sélection, l’apparition d’algorithmes de plus en plus performants et les avancées technologques des capteurs, permettent de lancer de nombreux projets, dont certains sont à même de révolutionner l’élevage. En particulier, l’analyse d’images permet le suivi non invasif des animaux et, à terme, de mesurer différents aspects du comportement (Oliveira et al., 2021)³.

Même si le suivi individuel d’animaux élevés en groupes constitue encore un défi majeur, l’utilisation de l’analyse d’images pour les animaux isolés est une solution pertinente en ayant recours à l’IA. Les algorithmes de type « Réseaux de Neurones Convolutifs (CNN) », ouvrent la possibilité d’un traitement des images automatisé et efficace.

Cette méthode peut être utilisée pour définir la posture d’une truie sur une image donnée. Les truies sont filmées dans les cases de maternité et toutes les 30 secondes, ces vidéos sont, à leurs tours, coupées en images. Le CNN attribue une position détectée à chaqune de ces images. Les valeurs de posture déterminées par ce modèle constitueront ensuite des informations utilisables pour estimer de nouveaux phénotypes, associés aux qualités maternelles de chaque truie. Dans ce contexte, il serait envisageable de réaliser une sélection génétique sur la base de ces nouvelles performances.

Qu’est-ce que le projet ACTAE ?

Le projet ACTAE, porté par l’INRAE, l’IFIP et Alliance R&D (dont Axiom est membre), a porté sur le développement d’un dispositif de capture vidéo, associé à un algorithme de reconnaissance visuelle. Un défi majeur de ce projet était d’être capable de développer un dispositif permettant d’embarquer un algorithme de CNN, adapté à l’estimation des postures chez la truie en maternité. De plus, ce dispositif devait être adapté à son utilisation en élevage, un environnement sujet à différentes contraintes telles que la poussière ou l’humidité. L’aboutissement de ce projet est le dispositif MoSBReaL (Monitoring Sow Behaviour in Real Time).

A ce jour, ce dispositif permet l’analyse en temps réel de la posture des animaux et, la recherche de certains comportements favorables ou défavorables, par l’accumulation des données sur un très grand nombre d’individus. Il permettra ainsi à Axiom d’être capable de tracer un historique comportemental de l’animal.

• La finalité à moyen terme de ce projet est d’être en mesure de sélectionner des truies plus maternelles et robustes afin notamment d’améliorer la viabilité des porcelets durant la lactation.
• A plus long terme et grâce à sa polyvalence, ce dispositif pourrait permettre de suivre un troupeau avec une plus grande efficacité, en répondant plus rapidement à des signaux de détresse provenant des animaux. L’outil permettrait d’affiner notre sélection sur le comportement maternel, mais également de détecter de manière précoce des situations défavorables tout en facilitant le travail de l’éleveur.
• A terme, les développements futurs du dispositif MoSBReal ouvriront la porte à un suivi global, mais précis, d’une population à travers chaque étape de son cycle de vie.

Quelles sont les étapes rencontrées dans ce type de projet ?

Développement d’un dispositif vidéo adapté aux conditions d’élevage

Afin de permettre un suivi continu du comportement sur toute sa période de présence en maternité, il était nécessaire de développer un équipement permettant d’embarquer un algorithme dans l’élevage afin d’acquérir les données de façon automatisée. Pour ceci, plusieurs contraintes devaient être prises en compte : le coût, la facilité d’installation et de récupération des données, la solidité et la résistance aux conditions d’élevage.

Le dispositif MoSBreal (Figure 1) est constitué d’un Raspberry Pi, disposée dans un boîtier étanche et connecté à deux caméras IP. La Raspberry Pi est un micro-ordinateur qui va permettre d’exécuter automatiquement les commandes et algorithmes développés au cours de ce projet. A ce stade, ce dispositif permet à la fois d’enregistrer des vidéos en continu ou bien de réaliser la prédiction des postures en direct en prenant une photo toutes les 30 secondes. Quel que soit le mode, les informations sont stockées et transférables automatiquement, soit en insérant une clé USB, soit par une connexion directe sans fil depuis un terminal mobile. Le dispositif a bénéficié d’un Innov’Space en 2024.

Une des contraintes du cahier des charges initial était de développer un dispositif facile à installer, ne nécessitant pas de câblage préalable et paramétrable de façon intuitive. L’installation du dispositif peut être pilotée à l’aide d’un smartphone afin de contrôler l’angle de vue des caméras qui sont munies chacune d’une pince, permettant une fixation rapide et adaptée à un grand nombre de supports (Figure 2). Les caméras IP choisies sont capables de filmer en mode nuit avec une qualité d’image satisfaisante et offrant une bonne robustesse. Le support étanche et résistant se déplace facilement afin de pouvoir filmer des cases différentes d’une bande à l’autre. Ce système est également facilement paramétrable, avec notamment la capacité à modifier la fréquence d’acquisition des images par exemple.

Quel algorithme d’IA utiliser ?

Un projet basé sur de l’analyse d’image par IA nécessite d’avoir accès à une base de données d’images (BDD) importante et exhaustive : différents élevages, différentes races de truies, différentes conditions environnementales… permettant d’entraîner l’algorithme. Cet entraînement passe par une première étape manuelle consistant à annoter pour chaque image la posture de la truie.

Parmi les différentes méthodes d’IA, le CNN a été choisi en raison de ses performances d’analyse et de traitement des images. Un réseau de neurones convolutifs est une architecture de réseau neuronal profond. Il se distingue par sa capacité à extraire des caractéristiques pertinentes à partir d’images, grâce à ses couches de convolution. Ces réseaux imitent le fonctionnement du cortex visuel des animaux. Les réseaux neuronaux convolutifs ont de larges applications dans la reconnaissance d’images et de vidéos, les systèmes de recommandation et le traitement du langage naturel.

Cet algorithme constitue donc l’intelligence du système MoSBReal, une méthode précise et standardisée pour surveiller et enregistrer le comportement des truies en case de mise-bas.

Pour qu’un CNN fonctionne, il faut l’entraîner à reconnaître les valeurs des données attendues en sortie. Dans ce cadre, il faut créer une base de données d’images annotées manuellement. Dans le cadre de ce projet, huit postures de la truie ont été considérées :  

1. Debout,
2. Assise,
3. À genoux,
4. Couché sur le ventre,
5. Couché sur le côté droit,
6. Couché sur le côté gauche,
7. Couché sur le côté droit avec tétines apparentes,
8. Couché sur le côté gauche avec tétines apparentes.

La BDD est donc une collection d’images auxquelles un technicien a associé la posture correspondante à l’aide d’un éthogramme. Des formations à l’annotation ont été mises en place afin de garantir afin de limiter la subjectivité des annotations entre les opérateurs.

Pour constituer une BDD exhaustive, il est nécessaire que le nombre d’images dans chaque posture soit équilibré, tout en maximisant la diversité des images

Démarche de validation de l’algorithme et du dispositif

La validation du CNN a été réalisée grâce à la séparation de la BDD en deux sous-ensembles : un premier utilisé pour l’entraînement et un second pour l’évaluation du CNN. Cette démarche de validation consiste à comparer les prédictions de posture du CNN aux annotations réalisées préalablement. Au cours de ce projet, 70 % de la BDD a été utilisée pour l’entraînement du CNN et 30 % pour sa validation. Les truies présentes dans ces deux sous-ensembles sont différentes, (aucun chevauchement de truies entre les deux sous-ensembles, permettant bien d’évaluer la capacité du CNN à estimer la posture sur de nouveaux individus.

Le dispositif a été conçu pour résister aux conditions réelles d’un élevage de sélection ou de production. Ainsi, pour tester cette capacité de résistance, un total de 20 dispositifs a été déployé dans 9 élevages différents, durant toute la période d’entraînement du CNN. Ces dispositifs ont été déplacés à chaque bande pour vérifier la robustesse des fixations mais aussi pour filmer différentes salles ayant des luminosités ou des dispositions de cases différentes. Les caméras ont ainsi filmé plus de 200 truies permettant de constituer la BDD d’images annotées.

Pour quels résultats ?  

Performance du CNN

Au total, 188 648 images ont été classées manuellement afin d’entraîner le modèle du CNN à reconnaître les différentes postures de la truie. Cette classification a permis au modèle de déterminer les formes et les caractéristiques spécifiques à chaque catégorie d’image. L’entraînement du CNN a été fait sur la base de 127 297 images provenant de 224 truies de 9 élevages de sélection.

La précision et la sensibilité globales du CNN sont supérieurs à 91 %. Ces valeurs permettent de valider la pertinence et l’utilisation en routine de l’algorithme pour détecter de manière automatisée la posture de la truie en maternité.

Pertinence du choix du matériel

La qualité des caméras IP choisies permet une visualisation des différentes positions de la truie par l’algorithme (Figure 3).

Cette qualité d’image est amoindrie en mode nuit mais grâce à la performance du CNN développé, la qualité de prédiction des postures de la truie n’est pas impactée.

Sur les 20 dispositifs déployés, 90 % des dispositifs ont résisté aux conditions de terrain. Les défaillances rencontrées sur 2 dispositifs ont permis d’apporter des améliorations notables. Les systèmes de fixation ont résisté à tous les déplacements, lavages et n’ont présenté aucun défaut, prouvant leur robustesse ainsi que leur adaptabilité au terrain. *

Au cours du temps, la qualité des images des caméras reste identique même après plus d’un an d’utilisation, montrant leur robustesse et leur fiabilité. Le paramétrage des dispositifs par le Wi-Fi est facile pour les utilisateurs ainsi que la récupération automatisée des données.

Conclusion

Le dispositif MoSBReal issu du projet ACTAE constitue une innovation majeure et unique dans le domaine du suivi du comportement. Le CNN d’estimation des postures est entraîné sur un grand nombre d’images variées, garantissant la qualité et la généricité de la prédiction. Le dispositif permet d’enregistrer les postures de deux animaux simultanément, et ne nécessite pas de compétences particulières à l’installation et à l’utilisation.

Cet outil va permettre dans les prochains mois d’étudier les relations possibles entre l’activité des truies autour de la mise-bas et différents critères associés aux qualités maternelles, à la reproduction ou bien la santé. Cette nouvelle phase permettra probablement, à terme, d’intégrer de nouveaux critères dans les programmes de sélection. De plus, ce système, aujourd’hui adapté au suivi des truies bloquées lors de la mise-bas, pourrait être à l’avenir adapté à d’autres contextes d’élevage, notamment aux truies mettant bas en liberté. Cependant, cette évolution nécessitera le développement d’une nouvelle BDD d’images annotées dans ces nouvelles conditions.

Rédacteur(s)

• Article rédigé par Céline Chesnet, Kambiz Kashefifard, Florence Ytournel, Guillaume Lenoir
• Travaux en collaboration avec l’INRAE (Institut national de recherche pour l’agriculture, l’alimentation et l’environnement), l’IFIP – Institut du Porc et Alliance R&D
• Article vulgarisé par les auteurs et le service Communication d’Axiom