Machine Learning applied to behaviour monitoring to detect diseases, reproductive events and disturbances in dairy cows - Réseau télédétection INRAE Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Machine Learning applied to behaviour monitoring to detect diseases, reproductive events and disturbances in dairy cows

Machine Learning appliqué au suivi du comportement pour identifier maladies, états reproductifs et perturbations des vaches laitières

Résumé

Animal behaviour is very sensitive to any external disturbance or change in the animal internal state. We sought to predict and classify a wide range of health, stress and physiological states from daily activity of dairy cow. We had six datasets (total, 122,000 cows*days). The caretakers noted the condition of the cows: illness, oestrus, calving, disturbances (handling, mixing. Cows were equipped with sensors to estimate the duration of activities - eating, resting, in the alleys - from which the activity level was calculated. We modelled the rhythm of activity by the Fourier transform (Harmonics 0 and 1). If the difference between the models obtained during 2 series of 24 h is higher than a certain threshold, there is a strong chance that a particular event has occurred: illness, stress, heat, farrowing. The change takes place before the caretakers spot the event. Next, we applied random forest to attributes describing the 24 h activity series (minimum, maximum, average, autocorrelations...). We correctly classify 99% of the control series (= very rare false positive) and in an episode surrounding a disease or a reproductive event, the probability of correctly classifying at least one series varies from 94 to 100%. Machine learning applied to time series seems therefore a very powerful tool to analyse the behaviour of animals and diagnose its internal state.
Le comportement d’un individu est très sensible à toute perturbation extérieure ou modification de l’état interne. Nous avons cherché à prédire et à classer un large éventail d'états de santé, de stress et d'états physiologiques à partir de l'activité quotidienne de vaches laitières. Nous disposions de six jeux de données (au total 122 000 vaches*jours). Les soigneurs notaient l'état des vaches : maladie, oestrus, vêlage, perturbations (manipulations, mélange). Les vaches étaient équipées de capteurs permettant d’estimer la durée des activités - manger, se reposer, dans les couloirs – à partir desquelles était calculé le niveau d’activité. Nous avons modélisé le rythme d’activité par des transformées de Fourier (Harmoniques 0 et 1). Si l’écart entre les modèles obtenus au cours de 2 séries de 24 h est supérieur à un certain seuil, il y a de fortes chances qu’un événement particulier soit survenu : maladie, stress, chaleurs, mise-bas. Le changement s’opère avant que les soigneurs repèrent l’évènement. Ensuite, nous avons appliqué le random forest à des attributs décrivant les séries d’activité de 24 h (minimum, maximum, moyenne, autocorrélations…). Nous classons correctement 99% des séries témoins (= quasiment pas de fausse alertes) et dans un épisode qui entoure une maladie ou un événement reproductif, la probabilité de classer correctement au moins une série varie de 94 à 100%. L'apprentissage automatique appliqué à des séries temporelles semble donc un outil très puissant pour analyser le comportement des animaux et diagnostiquer son état interne.
Fichier principal
Vignette du fichier
texte_3_bien-etre_animal_i-veissier.pdf (300.07 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03943072 , version 1 (17-01-2023)

Identifiants

  • HAL Id : hal-03943072 , version 1

Citer

Isabelle Veissier, Romain Lardy, Marie-Madeleine Mialon, Q. Ruin, V. Antoine, et al.. Machine Learning applied to behaviour monitoring to detect diseases, reproductive events and disturbances in dairy cows. 26. Rencontres autour des Recherches sur les Ruminants (3R 2022), Institut de l'Elevage; INRAE, Dec 2022, Paris, France. pp.562-564. ⟨hal-03943072⟩
58 Consultations
22 Téléchargements

Partager

Gmail Facebook X LinkedIn More