Type de document : article scientifique publié dans Smart Agricultural Technology
Auteurs : Eddiemar B. Lagua, Hong-Seok Mun, Md Sharifuzzaman, Md Kamrul Hasan, Ahsan Mehtab, Jin-Gu Kang, Young-Hwa Kim, Chul-Ju Yang
Résumé en français (traduction) : Intégration de la surveillance comportementale basée sur la vision par ordinateur et de l’apprentissage automatique pour améliorer la précision des systèmes de surveillance de la santé et du bien-être dans l’élevage porcin
Cette étude a proposé un système de détection des anomalies spécifiques aux facteurs de stress en intégrant la surveillance comportementale basée sur la vision par ordinateur et les techniques d’apprentissage automatique chez les porcs en croissance. Plusieurs algorithmes ont été entraînés pour la détection d’anomalies binaires (normales vs anormales) et multi-classes (normales, stress thermique + mauvaise ventilation, stress thermique, stress thermique + infection et stress thermique + récupération), et les modèles les plus performants ont été identifiés. Les résultats ont révélé que les porcs présentaient des comportements distincts en réponse à différents facteurs de stress : les porcs en bonne santé montraient une activité alimentaire plus élevée, mais une activité hydrique plus faible que ceux soumis à un stress. Les modèles de classification binaire ont atteint une grande précision, la plupart des algorithmes atteignant des scores de précision, de rappel et F1 ≥ 90 %. Parmi eux, l’arbre de décision (DT) a obtenu les meilleurs résultats, réalisant une classification parfaite en s’appuyant sur une seule caractéristique hautement discriminante, ce qui indique un fort potentiel pour la détection d’anomalies en temps réel. Pour la classification multiclasses, XGBoost a démontré la meilleure performance globale (précision = 0,923, précision = 0,954, rappel = 0,861, score F1 = 0,892). Cependant, ses performances ont diminué pour les classes mineures, en particulier pour l’infection et la guérison. Des tests indépendants avec des données inédites ont confirmé que DT et XGBoost détectaient efficacement les anomalies pendant les jours de stress thermique, bien que XGBoost ait eu du mal à identifier des classes spécifiques. Ces résultats soulignent que les porcs affichent des réponses comportementales distinctes à divers facteurs de stress, qui peuvent être détectées de manière fiable à l’aide d’approches intégrées de vision par ordinateur et d’apprentissage automatique. Les recherches futures devraient élargir les ensembles de données dans des contextes commerciaux et intégrer des analyses temporelles plus fines afin de permettre une surveillance robuste et en temps réel de la santé. Le cadre de classification multiclasses proposé est prometteur pour faire progresser l’élevage de précision grâce à l’amélioration de la santé et du bien-être des animaux et des systèmes d’aide à la décision.
Résumé en anglais (original) : This study proposed a stressor-specific anomaly detection system by integrating computer vision-based behavioral monitoring with machine learning techniques in growing pigs. Multiple algorithms were trained for binary (Normal vs. Abnormal) and multi-class (Normal, Heat Stress + Poor Ventilation, Heat Stress, Heat Stress + Infection, and Heat Stress + Recovery) anomaly detections, and the best-performing models were identified. Results revealed that pigs exhibited distinct behavioral patterns in response to different stressors: healthy pigs showed higher feeding activity but lower drinking activity compared to those under stress. Binary classification models achieved high accuracy, with most algorithms reaching precision, recall, and F1-scores ≥90%. Among them, the Decision Tree (DT) performed best, achieving perfect classification by relying on a single highly discriminative feature, indicating strong potential for real-time anomaly detection. For multi-class classification, XGBoost demonstrated the highest overall performance (accuracy = 0.923, precision = 0.954, recall = 0.861, F1-score = 0.892). However, its performance decreased for minor classes, particularly with infection and recovery. Independent testing with unseen data confirmed that both DT and XGBoost effectively detected anomalies during heat stress days, though XGBoost struggled to identify specific classes. These results highlight that pigs display distinct behavioral responses to various stressors, which can be reliably detected using integrated computer vision and machine learning approaches. Future research should expand datasets under commercial settings and incorporate finer temporal analyses to enable robust, real-time health monitoring. The proposed multi-class classification framework holds promise for advancing precision livestock farming through improved animal health, welfare, and decision-support systems.
