Elevage de précision

Machine Learning Algorithms to Classify and Quantify Multiple Behaviours in Dairy Calves Using a Sensor: Moving beyond Classification in Precision Livestock

Par 25 décembre 2020 février 23rd, 2021 Pas de commentaire

Type de document : Article scientifique publié dans Sensors

Auteurs : Charles Carslake, Jorge A. Vázquez-Diosdado, Jasmeet Kaler

Résumé en français (traduction) : Algorithmes d’apprentissage automatique pour classer et quantifier plusieurs comportements chez les veaux laitiers à l’aide d’un capteur : Aller au-delà de la classification en matière d’élevage de précision

Des recherches antérieures ont montré que des capteurs surveillant les comportements de couchage et d’alimentation peuvent détecter les premiers signes de mauvaise santé chez les veaux. Il semble que la surveillance des changements d’un seul comportement ne soit pas suffisante pour prédire les maladies. Chez les veaux, de multiples comportements tels que le jeu lié à la locomotion, le toilettage, l’alimentation et l’activité en position couchée sont susceptibles d’être instructifs. Cependant, ces comportements peuvent être rares dans le monde réel, ce qui signifie que le simple fait de compter les comportements basés sur la prédiction d’un outil de classification peut conduire à une surestimation. Ici, nous avons équipé treize veaux laitiers avant sevrage de capteurs montés sur le collier et surveillé leur comportement à l’aide de caméras vidéo. Les observations comportementales ont été enregistrées et fusionnées avec les signaux des capteurs. Les caractéristiques ont été calculées pour des fenêtres de 1 à 10 s et un algorithme d’apprentissage d’ensemble AdaBoost a été mis en œuvre pour classifier les comportements. Enfin, nous avons développé un algorithme de quantification du comptage ajusté pour prédire la prévalence du comportement de jeu de locomotion sur un ensemble de données de test avec une faible prévalence réelle (0,27%). Notre algorithme a identifié le jeu de locomotion (99,73 % de précision), le toilettage (98,18 % de précision), la rumination (94,47 % de précision), l’allaitement non nutritif (94,96 % de précision), l’allaitement nutritif (96,44 % de précision), le couchage actif (90,38 % de précision) et le couchage non actif (90,38 % de précision). Nos résultats détaillent les fréquences d’échantillonnage recommandées, la sélection des caractéristiques et la taille des fenêtres. Les estimations de quantification du comportement de jeu de locomotion étaient fortement corrélées avec la prévalence réelle (0,97 ; p < 0,001) avec une surestimation totale de 18,97 %. Cette étude est la première à mettre en œuvre des approches d’apprentissage machine pour l’identification de comportements multi-classes ainsi que la quantification du comportement chez les veaux. Cela pourrait contribuer à de nouvelles connaissances pour évaluer la santé et le bien-être des veaux grâce à l’utilisation de capteurs portables.

Résumé en anglais (original) : Previous research has shown that sensors monitoring lying behaviours and feeding can detect early signs of ill health in calves. There is evidence to suggest that monitoring change in a single behaviour might not be enough for disease prediction. In calves, multiple behaviours such as locomotor play, self-grooming, feeding and activity whilst lying are likely to be informative. However, these behaviours can occur rarely in the real world, which means simply counting behaviours based on the prediction of a classifier can lead to overestimation. Here, we equipped thirteen pre-weaned dairy calves with collar-mounted sensors and monitored their behaviour with video cameras. Behavioural observations were recorded and merged with sensor signals. Features were calculated for 1–10-s windows and an AdaBoost ensemble learning algorithm implemented to classify behaviours. Finally, we developed an adjusted count quantification algorithm to predict the prevalence of locomotor play behaviour on a test dataset with low true prevalence (0.27%). Our algorithm identified locomotor play (99.73% accuracy), self-grooming (98.18% accuracy), ruminating (94.47% accuracy), non-nutritive suckling (94.96% accuracy), nutritive suckling (96.44% accuracy), active lying (90.38% accuracy) and non-active lying (90.38% accuracy). Our results detail recommended sampling frequencies, feature selection and window size. The quantification estimates of locomotor play behaviour were highly correlated with the true prevalence (0.97; p < 0.001) with a total overestimation of 18.97%. This study is the first to implement machine learning approaches for multi-class behaviour identification as well as behaviour quantification in calves. This has potential to contribute towards new insights to evaluate the health and welfare in calves by use of wearable sensors.

Logo de la revue Sensors
Extrait du site de Sensors