Type de document : article scientifique publié dans Smart Agricultural Technology
Auteurs : Qinghua Guo, Clémence A.E.M. Orsini, Patrick P.J.H. Langenhuizen, Yue Sun, Shoujun Huo, Lisette E. van der Zande, Inonge Reimert, J. Elizabeth Bolhuis, Piter Bijma, Peter H.N. de With
Résumé en français (traduction) : Reconnaissance comportementale du mordillage de la queue et des oreilles chez les porcs à l’aide d’une vision par ordinateur basée sur l’IA
Les comportements nuisibles chez les porcs, tels que le mordillage de queue et d’oreille, compromettent le bien-être animal et la productivité des élevages. Il est essentiel de surveiller ces comportements en continu afin d’intervenir avant qu’ils ne s’aggravent, de mieux comprendre leurs causes sous-jacentes et de développer des programmes d’élevage permettant de sélectionner des porcs moins enclins génétiquement à adopter ces comportements. Cependant, les observations manuelles ne sont pas réalisables à grande échelle. Pour relever ce défi, nous proposons un modèle de reconnaissance comportementale basé sur la vidéo qui facilite la surveillance automatisée des porcs individuels. Deux méthodes vidéo de pointe sont étudiées : SlowFast et Improved Multiscale Vision Transformers (MViTv2) pour reconnaître le mordillage de queue et d’oreille chez les porcs, en exploitant les caractéristiques du domaine spatio-temporel. Les données sont collectées dans une exploitation porcine commerciale. Au total, 532 cas de morsures de queue (63 815 images) et 750 cas de morsures d’oreilles (78 132 images) sont annotés dans sept enclos de porcs à queue coupée. Les morsures de queue et d’oreilles sont définies comme le fait de mordiller, sucer, mâcher ou mordre la queue ou l’oreille d’un compagnon d’enclos. La méthode la plus performante est basée sur le modèle MViTv2-S, qui permet une modélisation spatio-temporelle efficace. Les précisions de détection obtenues pour le mordillage de queue et d’oreille sont respectivement de 72,22 % et 72,37 %. Un aspect important et novateur à notre connaissance est que, pour la première fois, la détection du comportement est développée sans exigence de posture de la part du mordeur ou de la victime. Les expériences menées démontrent la faisabilité de modèles basés sur la vision par ordinateur pour la reconnaissance des comportements nuisibles dans les élevages porcins commerciaux. Cette étude constitue une étape cruciale vers le développement d’une approche automatisée d’alerte précoce et de programmes d’élevage visant à réduire le mordillage de queue et d’oreille.
Résumé en anglais (original) : Damaging behaviours in pigs, such as tail biting and ear biting, compromise animal welfare and farm productivity. Continuous monitoring of these behaviours is essential to intervene before escalation, gain insights into underlying causes and develop breeding programs to select pigs with lower genetic propensity for such behaviours. However, manual observations are impractical at a large-scale. To address this challenge, we propose a video-based behaviour recognition model that facilitates the automated monitoring of individual pigs. Two state-of-the-art video-based methods are investigated: SlowFast and Improved Multiscale Vision Transformers (MViTv2) for recognizing tail and ear biting in pigs, by exploiting spatiotemporal domain features. Data are collected on a commercial pig farm. In total, 532 tail-biting events (63,815 frames) and 750 ear-biting events (78,132 frames) are annotated across seven pens of tail-docked pigs. Tail biting and ear biting are defined as nibbling, sucking, chewing, or biting the tail or the ear of a pen mate. The best-performing method is based on the MViTv2-S model, which enables efficient spatiotemporal modeling. The detection accuracies obtained for tail and ear biting are 72.22 % and 72.37 %, respectively. An important and novel aspect to our knowledge is that for the first time, behaviour detection is developed without a posture requirement on the biter or the victim. The conducted experiments demonstrate the feasibility of computer-vision-based models for the recognition of damaging behaviours on commercial pig farms. This study is a crucial step towards the development of an automated early-warning approach and breeding programs to reduce tail biting and ear biting.
