Reconnaissance légère et multiscale du comportement des poules pondeuses en cage à l’aide d’un cadre YOLOv8 amélioré

Pourquoi surveiller les poules peut protéger notre alimentation

Les œufs font partie des aliments de base au petit déjeuner partout dans le monde, mais les poules qui les pondent vivent souvent dans des cages surpeuplées où les premiers signes de maladie ou de stress passent facilement inaperçus. Cette étude montre comment un système d’intelligence artificielle compact peut surveiller les poules pondeuses en cage via des caméras, reconnaître automatiquement les comportements clés liés à la santé et au bien‑être, et fonctionner assez rapidement pour tourner sur du matériel agricole simple. Le travail ouvre la voie à des élevages où des sentinelles numériques discrètes signalent les problèmes en temps réel, aidant à maintenir la santé des oiseaux et la fiabilité de la production d’œufs.

Comment les caméras deviennent des aides silencieuses dans le hangar

Les chercheurs ont d’abord construit une plateforme de surveillance pratique capable de résister à la poussière, au bruit et aux longues journées d’un poulailler commercial. Ils ont installé des caméras sur chaque niveau de cages empilées dans une grande ferme à Nankin, en Chine, en les connectant à de petits ordinateurs Jetson Nano basse consommation et à des batteries. Les caméras ont filmé les poules du matin au soir pendant plusieurs semaines, capturant leurs déplacements, leur alimentation et leurs interactions. Pour garantir l’utilité des images, l’équipe a filtré les images présentant de fortes ombres, du flou ou des vues obstruées, ne conservant que des instantanés clairs de la vie courante dans le hangar.

Transformer la vidéo brute en comportements de poules étiquetés

À partir des milliers de trames vidéo collectées, les scientifiques ont étiqueté avec soin 2 035 images en utilisant des logiciels open source. Ils se sont concentrés sur quatre comportements liés à la tête : alimentation normale, respiration à bouche ouverte, picage de soi et picage d’une autre poule. Ces trois derniers sont considérés comme des signes d’alerte, associés dans des travaux antérieurs à d’éventuels problèmes respiratoires, à la douleur ou au stress social. Dans chaque image, des experts ont dessiné des boîtes autour des têtes des poules et assigné l’une des quatre catégories. Le jeu de données a ensuite été divisé en ensembles d’entraînement, de validation et de test pour que le modèle informatique puisse apprendre sur une partie des données et être évalué de manière juste sur des images qu’il n’avait jamais vues.

Un observateur numérique plus mince et plus précis

Au cœur du système se trouve une version améliorée d’un modèle de détection d’objets populaire connu sous le nom de YOLOv8. L’équipe a repensé sa structure interne pour qu’il puisse repérer efficacement de petites têtes de poules en milieu encombré sans nécessiter un ordinateur volumineux. Ils ont remplacé certains blocs par des composants plus légers réduisant les calculs redondants, ajouté un mécanisme d’attention aidant le modèle à se concentrer sur des zones importantes comme le bec, et utilisé une étape d’upsampling intelligente pour affiner les contours de cibles minimes. Ils ont aussi introduit une nouvelle recette d’entraînement qui donne un poids supplémentaire aux exemples difficiles à classer, comme les oiseaux partiellement cachés, rendant l’apprentissage plus stable et moins biaisé vers les cas faciles.

Quelle est la compréhension des poules par le système

Testé sur le jeu de données de la ferme de Lukou, le modèle amélioré a reconnu les comportements ciblés avec une grande précision tout en restant suffisamment compact pour une utilisation en temps réel. Il a amélioré la performance globale de détection comparé à la version standard de YOLOv8, tout en réduisant la taille du modèle d’environ un quart et en diminuant les besoins en calcul. Le système était particulièrement performant pour détecter l’alimentation, le picage auto‑infligé et le picage mutuel, dépassant souvent 93 % sur des scores de précision courants. La respiration à bouche ouverte, action brève et subtile pouvant ressembler à du picage, est restée plus difficile, montrant une précision plus faible même si le modèle a quand même trouvé de nombreux cas vrais. Les auteurs notent que les oiseaux qui se chevauchent, les barreaux des cages et les variations d’éclairage rendent ce comportement plus difficile à distinguer sur des images fixes isolées.

Ce que cela signifie pour les fermes intelligentes de demain

Pour un lecteur non spécialiste, le message clé est que les fermes peuvent commencer à utiliser des caméras relativement simples et des modèles d’IA compacts pour surveiller en continu le bien‑être des poules, en comptant automatiquement la fréquence d’alimentation, de picage sur soi ou entre individus. Si le système n’est pas parfait et n’a été testé que dans une seule ferme avec une seule race, il montre déjà que la surveillance automatique des comportements peut fonctionner dans des conditions réelles de hangar et sur du matériel modeste. Avec des données plus diversifiées et des modèles analysant de courtes séquences vidéo plutôt que des images isolées, ces outils pourraient devenir des systèmes d’alerte précoce informant les éleveurs de problèmes de santé avant qu’ils ne se propagent, soutenant à la fois le bien‑être animal et un approvisionnement en œufs stable.

Citation: Tang, Y., Wei, J., Xie, B. et al. Lightweight multiscale behavior recognition for caged laying hens using an enhanced YOLOv8 framework. Sci Rep 16, 14936 (2026). https://doi.org/10.1038/s41598-026-43523-7

Mots-clés: poules pondeuses, comportement animal, vision par ordinateur, agriculture intelligente, bien‑être avicole