Type de document : article scientifique disponible en ligne avant publication dans Animal
Auteurs : A.H. Stygar, L. Frondelius, G.V. Berteselli, Y. Gómez, E. Canali, J.K. Niemi, P. Llonch, M. Pastel
Résumé en français (traduction) : Mesure du bien-être des vaches laitières à l’aide de données en temps réel basées sur des capteurs et des registres d’exploitation : une étude conceptuelle
L’évaluation du bien-être des vaches laitières par des visites à la ferme ne donne qu’un aperçu du bien-être, prend du temps et est coûteuse. Les solutions possibles pour réduire le besoin d’évaluations sur place consisteraient à exploiter les données des capteurs et d’autres registres régulièrement collectés dans les exploitations. L’objectif de cette étude était de développer un algorithme permettant de classer le bien-être des vaches laitières sur la base de capteurs (accéléromètre et/ou lactomètre) et des registres d’exploitation (par exemple, les jours en lactation, le numéro de lactation). Au total, 318 vaches provenant de six fermes commerciales situées en Finlande, en Italie et en Espagne (2 fermes chacune) ont été incluses pour une étude pilote d’une durée de 135 jours. Au cours de cette période, les vaches ont été systématiquement évaluées à l’aide de 14 mesures basées sur l’animal concernant l’alimentation, la santé et le logement, selon le protocole Welfare Quality® (WQ®). Les mesures WQ® ont été évaluées quotidiennement ou environ tous les 45 jours, en utilisant les traitements médicamenteux figurant dans les registres de l’exploitation et les visites à la ferme, respectivement. Les mesures WQ® ont été complétées par l’indice quotidien de température et d’humidité pour tenir compte du stress thermique. L’importance et la durée de chaque mesure de bien-être ont été évaluées, et l’indice de bien-être final a été obtenu en additionnant les valeurs de chaque vache pour chaque jour de l’étude pilote, et en stratifiant le résultat en trois classes : valeur de bien-être bonne, modérée et médiocre. Pour la construction du modèle, un algorithme d’apprentissage automatique basé sur des arbres boostés par le gradient (XGBoost) a été appliqué. Deux versions du modèle ont été testées : 1) un modèle global testé sur un troupeau inconnu et 2) un modèle spécifique au troupeau testé sur une partie inconnue des données du même troupeau. La version 1) a servi d’exemple pour la performance du modèle sur un troupeau non visité au préalable par l’évaluateur, tandis que la version 2) ressemblait à une solution sur mesure nécessitant une évaluation du bien-être réalisée en personne pour l’entraînement du modèle. Nos résultats indiquent que le modèle global est peu performant, avec une sensibilité et une spécificité moyennes de 0,44 et 0,68, respectivement. Pour la version spécifique au troupeau, la performance du modèle était plus élevée, atteignant en moyenne une sensibilité de 0,64 et une spécificité de 0,80. Les performances de classification les plus élevées ont été obtenues pour les vaches en mauvais état de santé, suivies par les vaches en bon état de santé et en état de santé moyen (précision équilibrée de 0,77, 0,71 et 0,68, respectivement). Le modèle global ayant une faible précision de classification, l’utilisation du modèle développé en tant que système autonome basé uniquement sur les données des capteurs n’est pas réalisable, et une combinaison d’évaluation du bien-être en personne et à l’aide de capteurs serait préférable pour une évaluation fiable du bien-être. Les solutions basées sur l’apprentissage automatique, même avec des capacités de discrimination moyennes, ont le potentiel d’améliorer le contrôle du bien-être des vaches laitières.
Résumé en anglais (original) : Welfare assessment of dairy cows by in-person farm visits provides only a snapshot of welfare, is time-consuming and costly. Possible solutions to reduce the need for in-person assessments would be to exploit sensor data and other routinely collected on-farm records. The aim of this study was to develop an algorithm to classify dairy cow welfare based on sensors (accelerometer and/or milk meter) and farm records (e.g. days in milk, lactation number). In total 318 cows from six commercial farms located in Finland, Italy and Spain (2 farms each) were enrolled for a pilot study lasting 135 days. During this time, cows were routinely scored using 14 animal-based measures of good feeding, health and housing based on Welfare Quality® (WQ®) protocol. WQ® measures were evaluated daily or approximately every 45 days, using disease treatments from farm records and on-farm visits, respectively. WQ® measures were supplemented with daily temperature-humidity index to account for heat stress. The severity and duration of each welfare measure were evaluated, and the final welfare index was obtained by summing up the values for each cow on each pilot study day, and stratifying the result into three classes: good, moderate and poor welfare. For model building, a machine learning (ML) algorithm based on gradient boosted trees (XGBoost) was applied. Two model versions were tested: 1) a global model tested on unseen herd, and 2) a herd specific model tested on unseen part of the data from the same herd. The version 1) served as an example on the model performance on a herd not pre-visited by the evaluator, while version 2) resembled a custom-made solution requiring in-person welfare evaluation for model training. Our results indicated that the global model had a low performance with average sensitivity and specificity of 0.44 and 0.68, respectively. For the herd-specific version, the model performance was higher reaching on average 0.64 sensitivity and 0.80 specificity. The highest classification performance was obtained for cows in poor welfare, followed by cows in good and moderate welfare (balanced accuracy of 0.77, 0.71 and 0.68, respectively). Since the global model had low classification accuracy, use of the developed model as a stand-alone system based solely on sensor data is infeasible, and a combination of in-person and sensor-based welfare evaluation would be preferable for a reliable welfare assessment. ML based solutions, even with fair discriminative abilities, have the potential to enhance dairy welfare monitoring.
