Type de document : revue systématique de la littérature publiée dans Computers and Electronics in Agriculture
Auteurs : A. Bohan, M.S. Rafaq, M.J. Hasan, F. Asghar, A.K. Bashir, T.Dottorini
Résumé en français (traduction) : Application de l’apprentissage profond à la reconnaissance du comportement des animaux d’élevage : Une revue systématique de la littérature
La surveillance de la santé et du bien-être des animaux d’élevage est une tâche fastidieuse, qui demande beaucoup de travail, et qui était autrefois exécutée à la main. Cependant, avec les récentes avancées technologiques, la filière de l’élevage a adopté les dernières techniques basées sur l’IA et la vision par ordinateur, renforcées par des modèles d’apprentissage profond (AP) qui, à la base, agissent comme des outils de prise de décision. Ces modèles ont déjà été utilisés pour résoudre plusieurs problèmes, notamment l’identification individuelle et le suivi des mouvements des animaux, la reconnaissance des parties du corps et la classification des espèces. Toutefois, au cours de la dernière décennie, l’utilisation de ces modèles pour examiner la relation entre le comportement du bétail et les problèmes de santé associés a suscité un intérêt croissant. Plusieurs méthodologies basées sur l’AP ont été développées pour la reconnaissance du comportement du bétail, ce qui a nécessité une étude et une synthèse de l’état de l’art. Auparavant, les études de synthèse étaient menées de manière très générique et ne se concentraient pas sur un problème spécifique, tel que la reconnaissance du comportement. À notre connaissance, il n’existe actuellement aucune étude portant sur l’utilisation de l’AP spécifiquement pour la reconnaissance du comportement du bétail. C’est pourquoi nous avons décidé de procéder à une analyse systématique de la littérature. L’analyse a été réalisée en effectuant une première recherche dans plusieurs bases de données électroniques populaires, ce qui a permis d’obtenir 1101 publications. 126 publications ont été présélectionnées sur la base des critères de sélection définis. Ces publications ont été filtrées à l’aide de critères de qualité qui ont permis de sélectionner 44 études princeps de haute qualité, qui ont été analysées afin d’extraire les données permettant de répondre aux questions de recherche définies. D’après les résultats, l’AP a permis de résoudre 13 problèmes de reconnaissance de comportement impliquant 44 classes de comportement différentes. 23 modèles d’AP et 24 réseaux ont été utilisés, CNN, Faster R-CNN, YOLOv5 et YOLOv4 étant les modèles les plus courants, et VGG16, CSPDarknet53, GoogLeNet, ResNet101 et ResNet50 étant les réseaux les plus populaires. Dix matrices différentes ont été utilisées pour l’évaluation des performances, la précision et l’exactitude étant les plus couramment utilisées. L’occlusion et l’adhésion, le déséquilibre des données et l’environnement complexe du bétail sont les principaux défis signalés par les études primaires. Enfin, des solutions potentielles et des orientations de recherche ont été discutées dans cette revue systématique de la littérature afin de contribuer au développement de systèmes autonomes de reconnaissance du comportement du bétail.
Résumé en anglais (original) : Livestock health and welfare monitoring is a tedious and labour-intensive task previously performed manually by humans. However, with recent technological advancements, the livestock industry has adopted the latest AI and computer vision-based techniques empowered by deep learning (DL) models that, at the core, act as decision-making tools. These models have previously been used to address several issues, including individual animal identification, tracking animal movement, body part recognition, and species classification. However, over the past decade, there has been a growing interest in using these models to examine the relationship between livestock behaviour and associated health problems. Several DL-based methodologies have been developed for livestock behaviour recognition, necessitating surveying and synthesising state-of-the-art. Previously, review studies were conducted in a very generic manner and did not focus on a specific problem, such as behaviour recognition. To the best of our knowledge, there is currently no review study that focuses on the use of DL specifically for livestock behaviour recognition. As a result, this systematic literature review (SLR) is being carried out. The review was performed by initially searching several popular electronic databases, resulting in 1101 publications. Further assessed through the defined selection criteria, 126 publications were shortlisted. These publications were filtered using quality criteria that resulted in the selection of 44 highquality primary studies, which were analysed to extract the data to answer the defined research questions. According to the results, DL solved 13 behaviour recognition problems involving 44 different behaviour classes. 23 DL models and 24 networks were employed, with CNN, Faster R-CNN, YOLOv5, and YOLOv4 being the most common models, and VGG16, CSPDarknet53, GoogLeNet, ResNet101, and ResNet50 being the most popular networks. Ten different matrices were utilised for performance evaluation, with precision and accuracy being the most commonly used. Occlusion and adhesion, data imbalance, and the complex livestock environment were the most prominent challenges reported by the primary studies. Finally, potential solutions and research directions were discussed in this SLR study to aid in developing autonomous livestock behaviour recognition systems.
