Type de document : article scientifique publié dans le Journal of Dairy Science
Auteurs : X. Kang, X.D. Zhang, G. Liu
Résumé en français (traduction) : La boiterie a une influence considérable sur le bien-être et la santé des vaches laitières. De nombreuses tentatives ont été faites pour développer des systèmes de détection automatique des boiteries en utilisant la technologie de la vidéo informatique. Cependant, ces méthodes de détection sont facilement affectées par les spécificités de chaque vache, ce qui entraîne une détection inexacte des boiteries. Par conséquent, cette étude explore une méthode de détection individualisée de la boiterie pour les bovins laitiers basée sur la phase d’accompagnement en utilisant la vidéo par ordinateur. Cette approche est appliquée pour éliminer l’influence des caractéristiques des vaches individuelles et pour détecter les vaches boiteuses et les onglons abîmés. Dans cet article, le coefficient de corrélation entre la boiterie et la phase de soutien est calculé, un algorithme de détection de la boiterie basé sur la phase de soutien est proposé et la précision de l’algorithme est vérifiée. En outre, la fiabilité de cette méthode utilisant la technologie de vidéo par ordinateur est vérifiée sur la base d’un deep learning. Cent vaches marchant naturellement ont été sélectionnées à partir de données vidéo pour être analysées. Les résultats montrent que la corrélation entre la boiterie et la phase de soutien est de 0,864 ; 96 % des vaches ont été correctement classées, et 93 % des onglons abimés ont été correctement détectés e utilisant l’algorithme de détection basé sur la phase de soutien. La précision moyenne est de 87,0 % et le nombre d’images par seconde est de 83,3 lorsque le réseau de deep learning du Receptive Field Block Net Single Shot Detector a été utilisé pour détecter l’emplacement des onglons des vaches dans la vidéo. Les résultats montrent que la méthode de détection de la boiterie basée sur la phase de soutien proposée dans ce document peut être utilisée pour la détection et la classification de la boiterie des vaches et la détection des sabots abimés avec une grande précision. Cette approche élimine l’influence des caractéristiques individuelles des vaches et pourrait être intégrée dans un système de détection automatique et largement appliquée pour la détection des boiteries des vaches.
Résumé en anglais (original) : Lameness has a considerable influence on the welfare and health of dairy cows. Many attempts have been made to develop automatic lameness detection systems using computer vision technology. However, these detection methods are easily affected by the characteristics of individual cows, resulting in inaccurate detection of lameness. Therefore, this study explores an individualized lameness detection method for dairy cattle based on the supporting phase using computer vision. This approach is applied to eliminate the influence of the characteristics of individual cows and to detect lame cows and lame hooves. In this paper, the correlation coefficient between lameness and the supporting phase is calculated, a lameness detection algorithm based on the supporting phase is proposed, and the accuracy of the algorithm is verified. Additionally, the reliability of this method using computer vision technology is verified based on deep learning. One hundred naturally walking cows are selected from video data for analysis. The results show that the correlation between lameness and the supporting phase was 0.864; 96% of cows were correctly classified, and 93% of lame hooves were correctly detected using the supporting phase–based lameness detection algorithm. The mean average precision is 87.0%, and the number of frames per second is 83.3 when the Receptive Field Block Net Single Shot Detector deep learning network was used to detect the locations of cow hooves in the video. The results show that the supporting phase–based lameness detection method proposed in this paper can be used for the detection and classification of cow lameness and the detection of lame hooves with high accuracy. This approach eliminates the influence of individual cow characteristics and could be integrated into an automatic detection system and widely applied for the detection of cow lameness.
