Discriminating pathological, reproductive or stress conditions in cows using machine learning on sensor-based activity data - Archive ouverte HAL Access content directly
Journal Articles Computers and Electronics in Agriculture Year : 2023

Discriminating pathological, reproductive or stress conditions in cows using machine learning on sensor-based activity data

(1) , (1) , (1)
1

Abstract

Élevage de précision ( PLF) aident à détecter les animaux souffrant de conditions spécifiques telles que la maladie, le stress ou l'œstrus. Les systèmes PLF détectent soit une ou plusieurs conditions à la fois, soit plusieurs conditions ensemble mais sans les distinguer. L'objectif de ce travail était de détecter et de classer un large éventail de conditions de santé, de stress et de reproduction en fonction de l'activité quotidienne des vaches en utilisant l'apprentissage automatique sur des données de séries chronologiques dérivées de capteurs. Nous avons utilisé cinq jeux de données (120 000 vaches*jours) provenant de fermes expérimentales ou commerciales, avec 28 à 300 vaches Holstein par jeu de données et des observations d'une durée de 1 à 12 mois. Les soigneurs contrôlaient quotidiennement les animaux et enregistraient toute condition spécifique des vaches liée à la maladie (boiterie, mammite, acidose, accident, etc.), l'oestrus, le vêlage, ainsi que le stress potentiel dû au mélange ou à la manipulation. Nous avons étiqueté un certain nombre de jours avant et après la condition spécifique au cours de laquelle le comportement pourrait être modifié. Des capteurs (systèmes de localisation ou accéléromètres) captaient la durée horaire des principales activités des vaches - manger, se reposer, dans les allées - qui servaient à calculer le niveau d'activité. La distribution du niveau d'activité dans chaque série chronologique de 24 h a été décrite par 21 caractéristiques du domaine temporel ou du domaine fréquentiel. Nous avons ensuite exécuté l'algorithme de forêt aléatoire pour relier les caractéristiques de la série chronologique à l'état des animaux (1000 arbres ; 10 fractionnements aléatoires de sous-ensembles d'entraînement à 70 % / 30 % de test ; suréchantillonnage appliqué aux sous-ensembles d'entraînement pour réduire le déséquilibre entre les occurrences des conditions des vaches ). Les caractéristiques les plus importantes de l'algorithme de forêt aléatoire étaient, par ordre décroissant : maximum, quantile de 90 %, harmoniques de Fourier 2 et 1, quantiles de 50 % et 75 %, Harmoniques de Fourier 3 et 4. Cette approche a correctement classé plus de 90 % des séries de contrôle (c'est-à-dire sans condition spécifique) et a classé 24 % des séries étiquetées de condition spécifique comme séries non contrôlées. Les séries étiquetées condition peuvent être confondues avec les séries témoins et dans une moindre mesure avec les séries étiquetées perturbations ou œstrus. Il y avait 56 % à 86 % de probabilité de détecter avec succès au moins une série de 24 h autour d'une maladie, d'un œstrus ou d'un vêlage. La détection peut se produire 1 à 2 jours avant que les gardiens de jour ne remarquent l'événement. Cette étude montre que l'apprentissage automatique sur des séries temporelles peut détecter et discriminer plusieurs conditions de bien-être altéré des vaches et pourrait donc être mis en œuvre dans les systèmes PLF pour faciliter la gestion des troupeaux. La sensibilité de la méthode doit être améliorée avant de pouvoir être généralisée dans les élevages. Cette approche a correctement classé plus de 90 % des séries témoins (c'est-à-dire sans condition spécifique) et a classé 24 % des séries étiquetées par condition spécifique comme séries non témoins. Les séries étiquetées condition peuvent être confondues avec les séries témoins et dans une moindre mesure avec les séries étiquetées perturbations ou œstrus. Il y avait 56 % à 86 % de probabilité de détecter avec succès au moins une série de 24 h autour d'une maladie, d'un œstrus ou d'un vêlage. La détection peut se produire 1 à 2 jours avant que les gardiens de jour ne remarquent l'événement. Cette étude montre que l'apprentissage automatique sur des séries temporelles peut détecter et discriminer plusieurs conditions de bien-être altéré des vaches et pourrait donc être mis en œuvre dans les systèmes PLF pour faciliter la gestion des troupeaux. La sensibilité de la méthode doit être améliorée avant de pouvoir être généralisée dans les élevages. Cette approche a correctement classé plus de 90 % des séries témoins (c'est-à-dire sans condition spécifique) et a classé 24 % des séries étiquetées par condition spécifique comme séries non témoins. Les séries étiquetées condition peuvent être confondues avec les séries témoins et dans une moindre mesure avec les séries étiquetées perturbations ou œstrus. Il y avait 56 % à 86 % de probabilité de détecter avec succès au moins une série de 24 h autour d'une maladie, d'un œstrus ou d'un vêlage. La détection peut se produire 1 à 2 jours avant que les gardiens de jour ne remarquent l'événement. Cette étude montre que l'apprentissage automatique sur des séries temporelles peut détecter et discriminer plusieurs conditions de bien-être altéré des vaches et pourrait donc être mis en œuvre dans les systèmes PLF pour faciliter la gestion des troupeaux. La sensibilité de la méthode doit être améliorée avant de pouvoir être généralisée dans les élevages.

Dates and versions

hal-03922049 , version 1 (04-01-2023)

Licence

Attribution - NonCommercial - NoDerivatives - CC BY 4.0

Identifiers

Cite

Romain Lardy, Quentin Ruin, Isabelle Veissier. Discriminating pathological, reproductive or stress conditions in cows using machine learning on sensor-based activity data. Computers and Electronics in Agriculture, 2023, 204, pp.107556. ⟨10.1016/j.compag.2022.107556⟩. ⟨hal-03922049⟩

Collections

INRAE UMRH PHASE
0 View
0 Download

Altmetric

Share

Gmail Facebook Twitter LinkedIn More