Thématique : Elevage de précision / IA

Country consultation on AH&W priorities and challenges

SCAR Animal Health & Welfare Collaborative Working Group

Publié en 2026

Enquête du groupe SCAR AH&W identifiant les principales priorités de recherche des pays membres pour 2025-2026 en santé et bien-être animal. Les priorités identifiées sont : l’approche « One Health », la prévention des maladies, les indicateurs de bien-être, les systèmes d’élevage, le transport, l’aquaculture, les outils de génomique ainsi que les impacts du changement climatique.

Types de document : Article technique

Catégories d'animaux : Poissons, Tous animaux

Accéder à la source

Multi behavior recognition and health assessment of laying hens using RSA YOLO under welfare oriented farming

Panqi Pu, Junge Wang, Yue Gao, Dapeng Li, Geqi Yan, Hongchao Jiao, Xianyao Li, Hai Lin

Publié en 2026

Etude présentant un système automatisé basé sur l’intelligence artificielle permettant de reconnaître plusieurs comportements des poules pondeuses et d’évaluer leur état de santé. Les changements comportementaux détectés ont précédé d’environ une semaine la baisse de la production d’œufs, montrant son potentiel comme outil d’alerte précoce.

Types de document : Article scientifique

Catégories d'animaux : Volailles

Accéder à la source

Comparing the performance of deep learning video-based models and trained veterinarians in cattle pain assessment

Feighelstein M, Tomacheuski RM, Elias G, Shashoua N, van der Linden D, Luna SPL, Zamansky A

Publié en 2026

Etude montrant que des modèles d’intelligence artificielle peuvent reconnaître la douleur chez les bovins avec une précision comparable à celle de vétérinaires expérimentés à partir d’analyses vidéo.

Types de document : Article scientifique

Catégories d'animaux : Bovins

Accéder à la source

Invited Review: Precision livestock farming technologies in swine intensive production

Giovanni Buonaiuto, Eleonora Nannoni, Luca Sardi, Simona Belperio, Chris Sanzò, Giovanna Martelli

Publié en 2026

Synthèse scientifique sur l’utilisation des technologies d’élevage de précision incluant l’utilisation de capteurs, l’automatisation et l’intelligence artificielle pour améliorer la surveillance et la gestion en l’élevage porcin. Elle met l’accent sur les technologies de surveillance sanitaire, d’optimisation de l’alimentation, de contrôle du microclimat et d’évaluation du bien-être chez les porcs. Elle liste les avantages et les limites de ces technologies pour l’élevage intensif de porcs.

Types de document : Revue scientifique / Synthèse

Catégories d'animaux : Porcins

Accéder à la source

Review: Understanding cattle social behaviour in modern penned production systems with AI technology: Are we tracking welfare indicators?

A. Fuentes, S. Han, J. Liu, J. Park, S. Yoon, D.S. Park

Publié en 2026

Revue soulignant les lacunes de l’IA pour suivre automatiquement le comportement des bovins qui se limite à décrire les actions sans en interpréter le contexte. Les auteurs proposent un cadre d’IA intégrant contexte, données multimodales et explicabilité pour mieux évaluer le bien-être.

Types de document : Revue scientifique / Synthèse

Catégories d'animaux : Bovins

Accéder à la source

Rethinking Poultry Welfare—Integrating Behavioral Science and Digital Innovations for Enhanced Animal Well-Being

Suresh Neethirajan

Publié en 2026

Revue décrivant les défis de bien-être liés à l’intensification de l’élevage avicole et les innovations (comportement, capteurs, IA) pour y répondre, tout en soulignant la nécessité d’une validation et d’une approche interdisciplinaire.

Types de document : Revue scientifique / Synthèse

Catégories d'animaux : Volailles

Accéder à la source

Integration of computer vision-based behavioral monitoring and machine learning to enhance precision in health and welfare monitoring systems in pig farming

Eddiemar B. Lagua, Hong-Seok Mun, Md Sharifuzzaman, Md Kamrul Hasan, Ahsan Mehtab, Jin-Gu Kang, Young-Hwa Kim, Chul-Ju Yang

Publié en 2026

Étude montrant que la vision par ordinateur et le machine learning détectent efficacement les comportements liés au stress chez les porcs. Les modèles sont très performants (surtout en binaire), mais la détection fine de certains états reste à améliorer.

Types de document : Article scientifique

Catégories d'animaux : Porcins

Accéder à la source

Precision Livestock Farming for Dairy Sheep: A Literature Review of IoT and Decision-Support Systems for Enhanced Management and Welfare

Mura M.C., Trimasse O., Carcangiu V., Luridiana S.

Publié en 2026

Revue montrant que les technologies d’élevage de précision offrent un fort potentiel pour améliorer le suivi et le bien-être des brebis laitières, mais leur adoption reste limitée par des contraintes économiques, techniques et éthiques.

Types de document : Revue scientifique / Synthèse

Catégories d'animaux : Ovins

Accéder à la source

Measuring shade use of dairy cattle at pasture with an on-cow light sensor: a case study

Lydiane Aubé, Bruno Meunier, Romain Lardy

Publié en 2026

Etude validant l’utilisation d’un capteur de lumière fixé sur des vaches au pâturage pour détecter automatiquement si elles se trouvent à l’ombre ou au soleil. La méthode montre de bonnes performances et permet de suivre en continu l’utilisation de l’ombre par les vaches.

Types de document : Article scientifique

Catégories d'animaux : Bovins

Accéder à la source

Review: Understanding cattle social behaviour in modern penned production systems with AI technology: Are we tracking welfare indicators?

A. Fuentes, S. Han, J. Liu, J. Park, S. Yoon, D.S. Park

Publié en 2026

Revue montrant que, si les systèmes d’IA permettent un suivi automatisé de certains comportements des bovins, ils restent limités dans l’interprétation contextuelle et sociale des signaux de bien-être. Les auteurs proposent un cadre d’IA centré sur le bien-être, intégrant des données multimodales et une modélisation contextuelle pour améliorer la détection précoce des risques et la prise de décision.

Types de document : Documents scientifiques

Catégories d'animaux : Bovins

Accéder à la source