Les petits ruminants élevés au pâturage sont plus exposés aux parasites internes, notamment à ceux de la famille des nématodes (particulièrement Haemonchus contortus en Guadeloupe). La gestion des nématodes se fait traditionnellement via l’utilisation de produits anthelminthiques (AH). Malheureusement, leur utilisation non raisonnée, voire abusive, a conduit à l’apparition de parasites résistants aux AH, diminuant grandement l’efficacité des traitements. Afin de limiter leur utilisation et donc de diminuer la résistance aux AH, la gestion intégrée de la santé des petits-ruminants consiste à utiliser différents leviers de gestion, et de n’utiliser les traitements AH qu’en dernier recours. Par exemple, en utilisant le pâturage tournant pour limiter le nombre de larves présentes au pâturage ou en utilisant une alimentation riche en tanins et en protéines, permettant d’augmenter la résistance et la résilience des animaux. Enfin, l’utilisation de traitements ciblés permet de conserver une quantité de parasites non-résistants dans le pâturage et dans les animaux, ce qui prolonge l’efficacité des traitements AH. Afin de déterminer le niveau d’infestation des animaux, la méthode la plus précise est la coproscopie, qui consiste à analyser le nombre d’œufs de parasites présents dans les fèces. Cependant, cette technique est chronophage et technique, ce qui freine son utilisation en pratique. Ainsi, l’objectif principal de ce stage est de participer au développement d’une technique de coproscopie automatique, consistant à détecter et compter automatiquement le nombre d’œufs présents sur des images microscopiques. Durant ce stage, des coproscopies ont été réalisées sur différents animaux, notamment dans le cadre d’un protocole visant à déterminer l’efficacité du traitement AH actuellement utilisé sur l’élevage. Lors de ces coproscopies, plus de 1,700 images microscopiques ont été réalisées, puis annotées manuellement pour déterminer la localisation des œufs de parasites sur les images. Ce processus a permis de construire une première base de données qui a servi à entraîner un logiciel, basé sur un réseau de neurones, destiné à détecter automatiquement les œufs dans les images. Le logiciel a été testé sur plus de 300 images, afin de montrer que les œufs sont détectés avec seulement 4,35% d’erreur.