Détection de la boiterie chez les bovins à l’aide d’images de profondeur et de l’apprentissage profond

Pourquoi les douleurs aux pieds des vaches nous concernent tous

Des vaches qui marchent en souffrant peuvent sembler un problème agricole de niche, mais la boiterie dans les troupeaux laitiers augmente discrètement le coût du lait, raccourcit la durée de vie des animaux et pose de sérieuses questions de bien‑être. Traditionnellement, repérer une vache boiteuse demandait un œil humain averti et beaucoup de temps dans la stabulation — une chose que de nombreuses exploitations occupées ne peuvent pas assurer chaque jour. Cet article décrit un système caméra qui surveille automatiquement les vaches lorsqu’elles quittent la salle de traite, en utilisant des images de profondeur et l’intelligence artificielle pour signaler en continu les premiers signes de problème.

Des étables bondées à une surveillance douce et continue

La boiterie touche environ une vache laitière sur cinq dans le monde et peut atteindre des taux bien plus élevés dans certains troupeaux. Elle réduit la production de lait, nuit à la fertilité et peut contraindre les éleveurs à réforme anticipée, coûtant des centaines de dollars par vache chaque année. Pourtant, la science de la boiterie est loin devant ce qui se passe réellement dans la plupart des fermes : les éleveurs sous‑estiment souvent le nombre de vaches souffrantes, et les scores d’experts sont longs à établir et subjectifs. Les générations précédentes de technologies ont tenté d’aider en plaçant des plateformes de force dans les allées ou en fixant des capteurs de mouvement aux animaux, mais ces solutions peuvent être coûteuses, intrusives et difficiles à généraliser. Les auteurs se tournent donc vers l’« élevage de précision » avec une caméra de profondeur non‑contact, placée en hauteur, qui saisit la forme tridimensionnelle de chaque vache lorsqu’elle marche naturellement le long d’une allée.

Comment un œil fixé au plafond lit le dos d’une vache

Dans deux exploitations laitières commerciales au Japon, une seule caméra de profondeur à temps de vol a été installée au‑dessus du passage étroit emprunté par les vaches en revenant de la traite. Lorsque chaque animal passe en dessous, la caméra enregistre une image de profondeur en vue plongeante : essentiellement une carte d’altitude montrant le contour du dos de la vache. Le système isole d’abord chaque vache de l’arrière‑plan à l’aide d’un modèle avancé de « segmentation d’instances ». Après avoir testé plusieurs options, les chercheurs ont constaté qu’un modèle moderne basé sur YOLO offrait à la fois une très grande précision et un traitement rapide, détectant et délimitant correctement les vaches sur plus de 99 % des images tout en traitant des dizaines d’images par seconde — suffisamment rapide pour une utilisation en temps réel dans une stabulation animée.

Suivre chaque vache et transformer la posture en signal de douleur

Détecter les vaches n’est que le début ; le système doit aussi suivre qui est qui lorsque plusieurs animaux défilent dans l’allée. Pour cela, les auteurs ont conçu une série d’algorithmes personnalisés de suivi multi‑objets qui ont progressivement amélioré la conservation de l’identité de chaque vache dans le temps. La version finale utilise non seulement le recouvrement entre boîtes mais aussi la durée de suivi d’une vache et la direction de son déplacement (gauche‑droite ou droite‑gauche). Cet usage simple mais ingénieux de la direction a presque éliminé les confusions d’identité, atteignant environ 99,9 % de précision de suivi sur des journées non vues et sur les deux exploitations.

Apprendre à l’ordinateur à reconnaître « raide et douloureux »

Le cœur de la détection de la boiterie réside dans la forme et le mouvement du dos de la vache. La douleur aux pieds ou aux pattes conduit souvent à une colonne plus cambrée ou inégale, l’animal cherchant à soulager la pression. Plutôt que de sélectionner manuellement quelques mesures géométriques, l’équipe convertit l’image de profondeur de chaque vache en une carte de hauteur normalisée du dos, puis alimente de courtes séquences de ces cartes dans un modèle d’apprentissage profond. Un réseau d’images moderne (EfficientNet) apprend les motifs spatiaux dans chaque image, tandis qu’un réseau de type Long Short‑Term Memory (LSTM) capture l’évolution de la posture sur plusieurs pas. En utilisant des annotations d’experts sur une échelle en quatre points — de sain à sévèrement boiteux — la meilleure configuration, EfficientNet‑B7 plus LSTM sur des séquences de cinq images, a correctement classé les scores de boiterie sur des vaches non vues avec environ 96 % de précision et de score F1, malgré des défis du monde réel comme le déséquilibre des classes et la variation des allures.

Ce que cela signifie pour les vaches, les éleveurs et votre verre de lait

Réunis, la caméra de profondeur, la détection, le suivi et le modèle d’évaluation de l’allure forment un système de surveillance de bout en bout, opérationnel 24/7, capable de suivre chaque vache qui passe en dessous, sans licols, étiquettes ou sols spéciaux. Les auteurs soutiennent qu’un outil aussi objectif et continu peut aider à combler le fossé de longue date entre les connaissances scientifiques sur la boiterie et les pratiques courantes en élevage. En signalant les vaches à risque plus tôt et de manière plus cohérente que l’œil humain seul, cette technologie pourrait réduire la douleur, diminuer les coûts de traitement et de réforme, et soutenir une production laitière plus humaine et durable. Bien qu’il soit nécessaire de tester plus largement sur davantage d’exploitations, l’étude montre qu’une seule caméra de profondeur en hauteur, associée à un apprentissage profond soigneusement conçu, peut transformer une tâche manuelle difficile en un garde‑fou automatisé pour le bien‑être animal.

Citation: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Mots-clés: boiterie des bovins, imagerie de profondeur, élevage de précision, vision par ordinateur, surveillance du bien‑être animal