OBJETS CONNECTÉS

Bien-être de l’éleveur et des animaux : les promesses du numérique

Détection précoce des troubles, meilleur contrôle des conditions d’élevage, suivi précis des paramètres physiologiques et comportementaux des animaux, le champ des objets connectés est suffisamment vaste pour qu’il soit scruté de très près par la communauté scientifique. Sur le volet facilitation de la vie de l’éleveur et bien-être animal, il est porteur d’avancées, comme l’explique Isabelle Veyssier, directrice de recherche au centre Inrae de Clermont-Ferrand : « La société place aujourd’hui le bien-être animal au cœur des enjeux de l’agriculture. Pour autant, son évaluation est chronophage, multicritère et ne peut être à ce jour intégré dans la gestion quotidienne du troupeau. Alors, parce qu’il offre de nouvelles perspectives, le numérique semble pouvoir être un levier pour améliorer le bien-être animal en élevage ». Le bien-être animal se définit selon deux dimensions, physique et mentale (ressenti de l’animal). Pour l’atteindre, il est nécessaire de combler les besoins comportementaux et physiologiques mais aussi de se poser la question de sa perception de la situation. Or, pour avoir une idée du niveau de bien-être de ses animaux au jour le jour et le garantir, il faut pouvoir le mesurer et, pour cela, disposer d’outils. « Ces dix dernières années, on a assisté à un boom du développement des outils numériques du monitorage directement en élevage (thermobolus, pH mètres, accéléromètres, bascules…). On dispose ainsi de capteurs environnementaux, de nutrition, de santé et de reproduction ».

Puissants algorithmes

En appliquant des outils de machine learning à des données obtenues à l'aide de capteurs de localisation sur des vaches laitières, les chercheurs de l’Inrae ont développé récemment une méthode robuste d’analyse. Dans une première approche, les chercheurs ont modélisé grâce à des outils mathématiques (transformée de Fourier), le rythme d’activité des vaches, avec l’alternance entre une activité élevée la journée et faible la nuit. Si l’écart entre deux séries de 24 heures consécutives est supérieur à un certain seuil défini mathématiquement, alors il y a de fortes chances qu’un événement particulier soit survenu : maladie, stress, chaleurs, mise bas. Le changement s’opère souvent avant que les soigneurs ne repèrent l’évènement. Dans une seconde approche, la description de chaque série de 24 h a été enrichie en calculant différents attributs : le niveau d’activité moyen, minimum, maximum ; les autocorrélations en heures qui se suivent… L’application de l’algorithme random forest¹ à ces attributs permet de classer correctement 92 % des séries sans perturbations. La probabilité de détecter et de classer correctement une série de 24 h en lien avec une maladie, les chaleurs ou un vêlage est de 56 à 86 %. La détection peut avoir lieu jusqu’à 1 à 2 jours avant le jour où les soigneurs ont remarqué l’événement. La détection des perturbations liées à des regroupements d’animaux ou des manipulations (stress) est moins bonne (41 à 55 %). Cette étude montre que la répartition des activités des vaches laitières au cours de la journée est un bon indicateur de l’état interne de l’animal et que l'apprentissage automatique appliqué à des séries temporelles est un outil très puissant pour détecter et distinguer divers événements utiles pour l’éleveur : désordres de santé, chaleurs, vêlages, stress des vaches. « La sensibilité de la méthode doit encore être améliorée pour qu'elle puisse être incorporée dans les outils actuels d’élevage de précision afin d’aider à la détection précoce d’éventuels désordres et de faciliter la prise de décision ».

Sophie Chatenet

^{1. Le random forest ou forêt aléatoire est un algorithme de machine learning qui se base sur l'assemblage d’arbres de décisions.}