Elevage de précision

Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review

Par 15 décembre 2019 mars 18th, 2020 Pas de commentaire

Type de document : revue scientifique publié ans PLoS ONE

Auteurs : Wurtz K, Camerlink I, D’Eath RB, Fernández AP, Norton T, Steibel J, Siegford J

Résumé en français (traduction) : Le phénotypage à grande échelle des caractéristiques du comportement animal prend du temps et a entraîné une demande accrue de technologies permettant d’automatiser ces procédures. Le suivi automatisé des animaux s’est avéré efficace dans des laboratoires contrôlés, mais l’enregistrement des animaux en grands groupes dans des exploitations agricoles très diverses présente des difficultés. L’objectif de cette étude est de fournir un aperçu systématique des progrès réalisés dans la détection automatisée et à haut débit des traits de comportement des animaux d’élevage ayant des implications sur le bien-être et la production. Les publications évaluées par des pairs et rédigées en anglais ont été examinées systématiquement selon les directives Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Après identification, sélection et évaluation de l’éligibilité, 108 publications ont répondu à ces spécifications et ont été incluses pour une synthèse qualitative. Les données recueillies à partir de ces publications comprenaient les spécifications des caméras, les conditions de logement, la taille des groupes, les détails des algorithmes, les procédures et les résultats. La plupart des études utilisaient des caméras vidéo couleur numériques standard pour la collecte des données, avec une utilisation croissante de caméras 3D dans les articles publiés après 2013. Les articles incluant des porcs (à toutes les étapes de la production) étaient les plus courants (n = 63). Les comportements les plus courants enregistrés comprenaient le niveau d’activité, l’occupation de la zone, l’agressivité, les scores de démarche, l’utilisation des ressources et la posture. Notre examen a révélé de nombreux chevauchements dans les méthodes appliquées à l’analyse du comportement, et la plupart des études sont parties de zéro au lieu de s’appuyer sur des travaux antérieurs. La taille des échantillons de test et de validation était généralement petite (moyenne±s.d. des groupes = 3,8±5,8) et la collecte et l’analyse des données se déroulaient dans des environnements relativement contrôlés. Pour améliorer notre capacité à phénotyper automatiquement le comportement, les recherches futures devraient s’appuyer sur les connaissances existantes et valider la technologie dans un cadre commercial et les publications devraient décrire explicitement et en détail les conditions d’enregistrement pour permettre la reproduction des études.

Résumé en anglais (original) : Large-scale phenotyping of animal behaviour traits is time consuming and has led to increased demand for technologies that can automate these procedures. Automated tracking of animals has been successful in controlled laboratory settings, but recording from animals in large groups in highly variable farm settings presents challenges. The aim of this review is to provide a systematic overview of the advances that have occurred in automated, high throughput image detection of farm animal behavioural traits with welfare and production implications. Peer-reviewed publications written in English were reviewed systematically following Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. After identification, screening, and assessment for eligibility, 108 publications met these specifications and were included for qualitative synthesis. Data collected from the papers included camera specifications, housing conditions, group size, algorithm details, procedures, and results. Most studies utilized standard digital colour video cameras for data collection, with increasing use of 3D cameras in papers published after 2013. Papers including pigs (across production stages) were the most common (n = 63). The most common behaviours recorded included activity level, area occupancy, aggression, gait scores, resource use, and posture. Our review revealed many overlaps in methods applied to analysing behaviour, and most studies started from scratch instead of building upon previous work. Training and validation sample sizes were generally small (mean±s.d. groups = 3.8±5.8) and in data collection and testing took place in relatively controlled environments. To advance our ability to automatically phenotype behaviour, future research should build upon existing knowledge and validate technology under commercial settings and publications should explicitly describe recording conditions in detail to allow studies to be reproduced.

Logo de PLoS ONE