Assessing fattening young bulls’ welfare: revised indicators to make things easier to do without losing reliability
Evaluer le bien-être des taurillons : des indicateurs revus pour gagner en faisabilité sans perdre en fiabilité
Résumé
Measuring the welfare of fattening bull calves is subject to specific constraints in terms of observing the animals from a distance and assessing their behaviour over a short period of time. To address these issues, the BeBoP project tested simplified and feasible indicators that could be used in a future protocol to assess the welfare of bull calves. The indicators selected from the literature and with groups of farmers and technicians, were tested on 2 experimental farms and then on 31 commercial farms: 14 indicators were deemed to be scientifically reliable and feasible in the field. The most frequent observation difficulties concerned the number of animals that could actually be observed to measure the indicator (wounds, cleanliness and human reactivity test). The opinion of the 31 farmers confirms that the indicators observed on their farms are generally considered acceptable. However, the behaviourbased indicators, for example, elicited more reservations, with less than 45% of positive opinions on stereotypies. This algorithm for detecting and predicting of animal behaviour is based on video technology coupled with software based on a Deep Learning neural network. The characteristics of the algorithm developed, in particular its specificity and sensitivity of over of over 90% and 70% respectively for a number of behaviours already identified, augur well the value of this technology. These factors are discussed in the light of the importance of behaviour in assessing animal welfare.
La mesure du bien-être des taurillons à l’engraissement fait l’objet de contraintes spécifiques pour observer les animaux à distance et évaluer leur comportement sur un temps court. Pour répondre à ces problématiques, le projet BeBoP a testé de nouveaux indicateurs simplifiés qui pourraient s’inscrire demain, dans un protocole d’évaluation du bien-être des taurillons. Les indicateurs choisis à partir de la bibliographie et avec des groupes d’éleveurs et de techniciens ont été testés dans 2 fermes expérimentales puis dans 31 élevages commerciaux : 14 indicateurs ont été jugés scientifiquement fiables et faisables sur le terrain. Les difficultés d’observation les plus fréquentes portent sur le nombre d’animaux réellement observables pour mesurer l’indicateur (blessures, propreté et test de réactivité à l’humain). L’avis des 31 éleveurs confirme que ces indicateurs observés dans leurs élevages sont majoritairement jugés acceptables. Néanmoins, les indicateurs basés sur le comportement suscitent plus de réserves, par exemple avec moins de 45% d’avis positifs sur les stéréotypies. Le développement d’un outil d’analyse automatique du comportement des taurillons dans le cadre de ce même projet vise à améliorer la fiabilité des mesures de ces indicateurs comportementaux ainsi qu’à faciliter leur acceptabilité. Cet algorithme de détection et de prédiction des comportements des animaux s’appuie sur la technologie vidéo couplée à un logiciel basé sur un réseau de neurones Deep Learning. Les caractéristiques de l’algorithme développé, notamment sa spécificité et sa sensibilité respectivement supérieures à 90% et à 70% pour plusieurs comportements déjà repérés, augurent de l’intérêt de cette technologie. Ces éléments sont discutés au regard de l’importance du comportement pour évaluer le bien-être animal.