Type de document : article publié dans la revue Innovations Agronomiques
Auteurs : Agathe Cheype, Béatrice Mounaix, Jérôme Manceau, Vincent Gauthier, Quentin Delahaye, Claire Dugue, Laure-Anne Merle, Xavier Boivin
Résumé en français (original) : La mesure en routine du bien-être des taurillons nécessite des observations rapides et à distance. Quatorze indicateurs issus de la littérature et validés avec des éleveurs et techniciens, ont été testés dans 2 élevages expérimentaux et 31 élevages commerciaux. Ils se sont révélés globalement fiables et utilisables sur le terrain. Les difficultés concernent surtout l’observation directe de certains indicateurs (blessures, propreté, réactivité à l’humain). Les éleveurs les jugent majoritairement acceptables, bien que ceux basés sur le comportement soulèvent plus de réserves. Un outil d’analyse automatique du comportement des taurillons basé sur algorithme vidéo de Deep Learning a été conçu pour automatiser et fiabiliser ces mesures comportementales, avec des performances (spécificité ≥ 80 %, sensibilité ≥ 78 %) encourageantes.
Résumé en anglais (fourni par les auteurs) : Assessing the welfare of young fattening Bulls: refined indicators to improve feasibility without compromising reliability
The routine assessment of welfare in young fattening bulls requires rapid and remote observations. Fourteen indicators, derived from the scientific literature and validated in collaboration with farmers and technicians, were tested in two experimental farms and 31 commercial operations. These indicators proved to be generally reliable and feasible under field conditions. The main challenges relate to the direct observation of certain indicators (injuries, cleanliness, human reactivity). Most farmers found the indicators acceptable, although those based on behavioral assessment raised more concerns. To address this, an automatic behavioral analysis tool using a video-based Deep Learning algorithm was developed to enhance the reliability and ease of behavioral measurements. The algorithm showed promising performance, with specificity exceeding 80% and sensitivity over 78%.
