Type de document : Revue publiée dans Computers and Electronics in Agriculture
Auteurs : Rodrigo García, Jose Aguilar, Mauricio Toro, Angel Pinto, Paul Rodriguez
Résumé en français (traduction) : Revue systématique de la littérature sur l’utilisation de l’apprentissage machine dans l’élevage de précision
Cet article présente une revue systématique des travaux récents sur l’utilisation de l’apprentissage machine (AM) dans l’élevage de précision (EP), en se concentrant sur deux domaines principaux : le pâturage et la santé animale. Cette revue : (i) met en évidence les possibilités de l’apprentissage machine dans le secteur de l’élevage ; (ii) présente les capteurs, logiciels et techniques actuels d’analyse des données ; (iii) détaille l’ouverture croissante des sources de données. Il a été constaté que l’utilisation de l’AM dans le domaine de l’EP est en phase de développement et présente plusieurs défis en matière de recherche. Voici quelques exemples de ces défis : (i) développer des modèles hybrides de diagnostic et de prescription comme outil de prévention et de contrôle des maladies animales ; (ii) combiner les questions de pâturage et de santé animale ; (iii) donner de l’autonomie à l’EP en utilisant des cycles autonomes de tâches d’analyse de données et de méta-apprentissage ; et (iv) combiner les variables de sol et de pâturage car, pour la santé animale et le pâturage, les variables utilisées sont uniquement comportementales et environnementales.
Résumé en anglais (original) : This article presents a systematic literature review of recent works on the use of machine learning (ML) in precision livestock farming (PLF), focusing on two areas of interest: grazing and animal health. This review: (i) highlights opportunities for ML in the livestock sector; (ii) shows the current sensors, software and techniques for data analysis; (iii) details the increasing openness of data sources. It was found that the use of ML in PLF is in a stage of development and has several research challenges. Examples of such challenges are: (i) to develop hybrid models for diagnosis and prescription as a tool for the prevention and control of animal diseases; (ii) to bring together the grazing and animal health issues; (iii) to give autonomy to PLF using autonomous cycles of data analysis tasks and meta-learning; and (iv) to bring together soil and pasture variables because, for both, animal health and animal grazing, the variables used are only behavioral and environmental.
