Development of image-based chicken detection algorithms for monitoring farm activity indicators | Développement d’algorithmes de détection de poulets par imagerie pour le suivi d’indicateurs d’activité en élevage

International audience

Inglés. Guaranteeing consumers that broilers are produced in a way that respects animal welfare is the basis of the farming profession, but civil society is calling for greater transparency in farming practices. Farm welfare assessment methods are carried out punctually and require time and the presence of a trained observer. Image analysis, on the other hand, enables continuous, real-time measurements to be taken without disturbing the animals. The aim of this article is to evaluate the performance of a broiler detection algorithm based on image analysis and using artificial intelligence to quantify individual animal mobility. The majority of the images used to train the model, as well as the test database, reflect the commercial densities used in broiler farming. They are also representative of the different physiological stages of the broilers. The model achieves a detection rate of 80% across all ages. However, the sensitivity of the algorithms increases with the age, rising from 66% for 0-day-old broilers to 90% for 40-day-old broilers. As it stands, broiler detection is strongly linked to the number of pixels defining the animal. This detection model is the first step needed to carry out individual tracking over time and therefore over several successive images. The quality of this tracking is highly dependent on the system ability to detect the animals correctly, but also on their activity. Tracking performance is not discussed in this article. In view of the promising results, the data generated will be used to assess broiler welfare indicators and detect health problems early on in commercial broiler farms and could also be used in experimental farms

Francés. 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.