Type de document : article scientifique publié dans Smart Agricultural Technology
Auteurs : Panqi Pu, Junge Wang, Yue Gao, Dapeng Li, Geqi Yan, Hongchao Jiao, Xianyao Li, Hai Lin
Résumé en français (traduction) : Reconnaissance de comportements multiples et évaluation de l’état de santé des poules pondeuses à l’aide de l’algorithme RSA-YOLO dans le cadre d’un élevage axé sur le bien-être animal
Dans l’élevage axé sur le bien-être animal, le comportement des poules pondeuses constitue un indicateur de santé essentiel, mais son évaluation automatisée reste souvent limitée. Cette étude présente un cadre permettant la reconnaissance de plusieurs comportements et l’évaluation de l’état de santé à l’aide d’un modèle RSA-YOLO amélioré. En intégrant RFAConv, C3k2_KSFA et la fonction de perte ATFL à YOLOv11n, ce modèle léger (2,75 millions de paramètres) a atteint un mAP@50 de 88,3 % pour six comportements (position debout, alimentation, perchage, lissage des plumes, picorage des plumes, repos), surpassant ainsi les modèles de référence. Un indice composite de santé (HCI) a été développé, pondérant les comportements d’alimentation, de déplacement et de repos. Une étude pilote a révélé qu’une cage de référence en bonne santé présentait un HCI (98,2) et un taux d’alimentation (32,6 %) supérieurs à ceux d’une cage présentant des cas de mortalité (respectivement 70,1 et 12,4 %). Dans cette étude pilote, il est important de noter que des changements comportementaux, tels qu’une diminution de l’alimentation, ont précédé d’environ une semaine une baisse de la production d’œufs, démontrant ainsi le potentiel d’alerte précoce de ce cadre d’analyse. Cette recherche propose un outil automatisé et quantitatif pour la surveillance sanitaire en exploitation dans l’aviculture.
Résumé en anglais (original) : In welfare-oriented farming, laying hen behavior is a critical health indicator, yet automated assessment is often limited. This study introduces a framework for multi-behavior recognition and health assessment using an improved RSA-YOLO model. By integrating RFAConv, C3k2_KSFA, and ATFL loss into YOLOv11n, the lightweight model (2.75 M parameters) achieved 88.3% mAP@50 for six behaviors (standing, feeding, roosting, preening, feather pecking, resting), outperforming baseline models. A Health Composite Index (HCI) was developed, weighting feeding, movement, and resting behaviors. A pilot study revealed a healthy reference cage had a superior HCI (98.2) and feeding ratio (32.6%) compared to a cage with mortality (70.1 and 12.4%, respectively). In this pilot study, significantly, behavioral changes, such as decreased feeding, preceded a drop in egg production by approximately one week, demonstrating the framework’s early-warning potential. This research offers an automated, quantitative tool for on-farm health monitoring in poultry farming.
