Alors que des millions d’Américains ont la dinde en tête (jour de Thanksgiving, jeudi), une équipe de chercheurs dirigée par un scientifique animalier de Penn State a testé avec succès une nouvelle méthode permettant aux producteurs avicoles de garder leurs dindes à l’œil.
Majeure pour la productivité et le bien-être animal, la surveillance du comportement et de la santé des volailles dans les grandes exploitations commerciales est une tâche coûteuse, chronophage et laborieuse. Pour aider les producteurs à suivre le comportement des oiseaux, les chercheurs ont testé une nouvelle méthode utilisant un petit drone équipé d’une caméra et de vision par ordinateur, une forme d’intelligence artificielle (IA) qui permet la reconnaissance et le traitement d’informations visuelles pour reconnaître automatiquement ce que font les dindes.
Cette recherche était la première à tester si un drone combiné à un modèle de vision par ordinateur pouvait détecter automatiquement différents comportements de dindes à partir de vidéos aériennes, a expliqué l’auteur principal de l’étude Enrico Casella, professeur adjoint de science des données pour les systèmes animaux de la Faculté des sciences agricoles. Il est également affilié à l’Institut des sciences computationnelles et des données de Penn State.
« Ce travail démontre la faisabilité que les drones combinés à l’IA puissent potentiellement devenir une méthode efficace et peu laborieuse pour surveiller le bien-être des dindes en production commerciale, a affirmé Enrico Casella. Il jette les bases de systèmes plus avancés et évolutifs à l’avenir. »
Les chercheurs ont utilisé un drone disponible dans le commerce, équipé d’une caméra couleur standard, pour enregistrer des vidéos quatre fois par jour de 160 jeunes dindes âgées de cinq à 32 jours au Centre d’éducation et de recherche avicole de Penn State. Les trajectoires du drone étaient conçues pour assurer une couverture complète de la zone par les images de la caméra lors de chaque vol.
À partir de ces vidéos, les chercheurs ont extrait des images individuelles et ont étiqueté manuellement les comportements des dindes. Ils ont créé un ensemble de données comprenant plus de 19 000 exemples de comportements étiquetés, notamment manger, boire, s’asseoir, se tenir debout, se percher, se blottir et battre des ailes. Ils ont ensuite utilisé ces images pour entraîner, tester et valider un modèle de vision par ordinateur appelé YOLO (you only look once, « vous ne regardez qu’une seule fois »), couramment utilisé pour détecter des objets et des actions dans des images.
Les chercheurs ont testé plusieurs versions de YOLO et ont constaté que le meilleur modèle pouvait correctement identifier 87 % de tous les comportements présents et détecter précisément un comportement spécifique 98 % du temps. Ces métriques sont bonnes, a souligné Enrico Casella particulièrement pour la classification des comportements dans un environnement agricole réel, qui est souvent visuellement désordonné et complexe.
« L’étude montre qu’un système d’IA équipé sur un drone peut détecter avec précision les comportements des dindes, a-t-il conclu. Cette méthode pourrait réduire les besoins en main-d’œuvre, permettre une surveillance continue et non invasive du bien-être des oiseaux dans les fermes commerciales et pourrait aussi diminuer la nécessité d’une présence humaine constante, allégeant ainsi les charges de formation et de personnel. »
Giulio Calderone, étudiant au doctorat au Département des sciences agricoles, alimentaires et forestières de l’Université de Palerme en Italie, était le premier auteur de l’étude. Ont contribué à la recherche à Penn State : John Boney, boursier facultaire Vernon E. Norris en nutrition avicole ; Mireia Molins, étudiante diplômée en science animale ; et Pietro Catania, professeur de mécanique agricole à l’Université de Palerme.
Article : Aerial monitoring of turkey behavior using unmanned aerial vehicles and computer vision – Journal : Poultry Science – Méthode : Experimental study – Sujet : Animals – DOI : 10.1016/j.psj.2025.106103
Source : PSU
