⚡ electrical engineering

From Manual Observation to Automated Monitoring: Space Allowance Effects on Play Behaviour in Group-Housed Dairy Calves

Cette étude démontre que le comportement de jeu chez les veaux de laitiers élevés en groupe atteint un sommet avec une surface d'environ 8 à 10 m² par veau et peut être surveillé efficacement à grande échelle grâce à un pipeline de vision par ordinateur automatisé hautement précis, offrant ainsi un outil pratique pour optimiser le bien-être des veaux et la faisabilité économique.

Auteurs originaux : Haiyu Yang, Heidi Lesscher, Enhong Liu, Miel Hostens

Publié 2026-02-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haiyu Yang, Heidi Lesscher, Enhong Liu, Miel Hostens

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un groupe de jeunes veaux comme des tout-petits énergiques dans une garderie. Tout comme les enfants, ils ont un désir naturel de courir, de sauter, de lutter et de jouer. Dans le monde de l'élevage laitier, ce « temps de jeu » est un code secret : si les veaux jouent, c'est qu'ils sont heureux et en bonne santé. S'ils s'ennuient ou sont malades, ils arrêtent de jouer.

Pendant longtemps, les éleveurs et les scientifiques se sont disputés sur la quantité d'espace dont chaque veau a besoin pour être heureux. Les règles actuelles stipulent qu'une infime quantité d'espace suffit, mais les experts en bien-être animal suggèrent qu'ils en ont besoin de beaucoup plus. Le problème ? Personne ne savait vraiment quel était le « point idéal », et observer les veaux toute la journée pour voir s'ils jouent revient à essayer de compter chaque grain de sable sur une plage à la main : cela prend un temps infini et il est facile de se tromper.

Cette étude a abordé deux grandes questions : De quel espace les veaux ont-ils réellement besoin pour jouer ? et Pouvons-nous utiliser des ordinateurs pour les surveiller à notre place ?

1. La zone « Boucle d'or » pour l'espace

Les chercheurs se sont rendus dans 14 fermes différentes aux Pays-Bas et ont observé des veaux vivant dans des enclos de toutes tailles différentes, allant de très exigus (environ la taille d'une petite salle de bain) à très spacieux (comme un grand salon).

Ils ont découvert que la relation entre l'espace et le jeu n'est pas une ligne droite où « plus d'espace = plus de jeu ». C'est plutôt comme des montagnes russes :

Trop petit : Quand les veaux étaient très encombrés, ils ne jouaient pas beaucoup.
Juste ce qu'il faut : Les veaux les plus heureux et les plus joueurs se trouvaient dans des enclos avec 8 à 10 mètres carrés d'espace par veau. Dans ces enclos, les veaux jouaient environ 16 minutes par jour.
Trop grand (ou juste bizarre) : Étonnamment, quand les enclos devenaient encore plus grands (12–14 mètres carrés), le temps de jeu diminuait en fait. Il remontait légèrement dans les enclos les plus grands, mais il ne devenait jamais meilleur que dans la zone « Boucle d'or ».

L'analogie : Pensez à une piste de danse. Si la pièce est trop petite, tout le monde se cogne et personne ne peut danser. Si la pièce est immense et vide, les gens se sentent mal à l'aise et restent plantés là. Mais si la pièce est juste de la bonne taille, tout le monde se sent assez à l'aise pour se lâcher et danser. Pour les veaux, cette piste de danse parfaite est de 8 à 10 mètres carrés.

2. Le « Surveillant Robotique » (Vision par ordinateur)

Observer 64 veaux pendant 17 heures par jour est un travail colossal. Le faire à la main est lent et sujet à l'erreur humaine. Alors, l'équipe a construit un cerveau informatique pour faire la surveillance.

Ils ont utilisé un « pipeline » d'outils intelligents (comme une équipe de robots spécialisés) :

Les Yeux (YOLOv12) : Cet outil repère les veaux dans la vidéo, comme un agent de sécurité repérant des personnes dans une foule.
Le Traceur (SAM2) : Une fois qu'il a repéré un veau, cet outil place un « halo » numérique autour de lui et le suit dans ses mouvements, s'assurant de savoir quel veau est lequel, même s'il passe derrière une clôture.
Le Cerveau (DinoV2) : C'est la partie super intelligente. Il observe le mouvement et décide : « Est-ce un mouvement de jeu (comme un coup de pied ou un saut) ou juste un mouvement normal (comme marcher pour manger) ? »

Le Résultat : L'ordinateur était incroyablement précis. Il a obtenu la bonne réponse 97,6 % du temps. Mieux encore, il a capturé 99,4 % des moments de jeu réels. Il était si performant qu'il pouvait apprendre d'un petit nombre de notes humaines, puis appliquer ces connaissances pour surveiller automatiquement des milliers d'heures de vidéo.

3. Ce qu'ils ont découvert sur le jeu

Le social est roi : Le type de jeu le plus courant était social — les veaux se poussant les uns les autres ou se poursuivant. Ils adoraient jouer ensemble.
La nature par « poussées » : Les veaux ne jouaient pas pendant des heures d'affilée. Ils avaient de courtes explosions d'énergie, comme un bambin ayant un moment de « zoomies », courant et sautant pendant quelques secondes, puis s'arrêtant.
Contrôle de santé : L'étude a confirmé que le jeu est un excellent baromètre de santé. Les veaux malades ou stressés ne jouaient simplement pas.

La conclusion

Ce document ne nous dit pas seulement que les veaux ont besoin d'espace ; il nous donne un chiffre spécifique : 8 à 10 mètres carrés par veau semble être la cible pratique pour maximiser leur bonheur sans exploser le budget.

Il prouve également que nous n'avons plus besoin d'armées de personnes pour surveiller les animaux. Avec les bonnes caméras et des logiciels intelligents, nous pouvons transformer un projet de recherche petit et coûteux en un système capable de surveiller le bien-être animal en continu, 24h/24 et 7j/7, sur des fermes de toutes tailles.

En bref : Donnez aux veaux une pièce de taille moyenne (ni trop petite, ni trop grande), et ils danseront. Et maintenant, nous avons un robot qui peut les regarder danser et nous dire s'ils passent un bon moment.

Résumé technique : De l'observation manuelle à la surveillance automatisée du comportement de jeu chez les veaux de lait élevés en groupe

Problématique

Le bien-être animal dans la production laitière moderne est de plus en plus défini par la capacité à faciliter des états émotionnels positifs et des comportements typiques de l'espèce, tels que le jeu. Bien que le jeu serve d'indicateur robuste d'un bien-être positif, sa relation avec l'espace disponible dans des conditions commerciales reste mal caractérisée, particulièrement à des densités intermédiaires à élevées (6 à 20 m² par veau). La législation actuelle de l'Union européenne impose un minimum de 1,5 à 1,8 m², tandis que les récentes recommandations de l'EFSA suggèrent 20 m² pour une expression complète du jeu locomoteur ; cependant, les données empiriques comblant cet écart sont rares. De plus, la surveillance systématique du jeu dans les exploitations commerciales est entravée par l'intensité de la main-d'œuvre, le biais de l'observateur et le manque d'extensibilité inhérents à l'analyse vidéo manuelle. Les approches existantes basées sur des capteurs (par exemple, les accéléromètres) manquent de la spécificité nécessaire pour distinguer le jeu d'autres activités et ne parviennent pas à fournir un contexte spatial.

Méthodologie

Conception de l'étude et collecte de données

L'étude a porté sur 60 veaux de lait élevés en groupe dans 14 exploitations commerciales aux Pays-Bas. Les allocations d'espace variaient de 2,66 à 17,98 m² par veau. La collecte de données s'est déroulée sur des périodes d'une semaine par exploitation (juin 2024 – mai 2025), impliquant un enregistrement vidéo continu (06h00–23h00) via des caméras Bascom montées au plafond ou sur le côté.

Création de la vérité de terrain (Ground Truth) : Sept observateurs formés ont annoté manuellement les séquences vidéo à l'aide du logiciel Observer XT. Un éthogramme détaillé a classé le jeu en catégories : jeu locomoteur, social, lié aux objets et lié à la litière. Les observations ont été enregistrées avec une résolution de 0,1 seconde, en se concentrant sur le deuxième jour de chaque visite pour minimiser les effets de l'observateur.
Covariables : Les données comprenaient la démographie des veaux (âge, poids, race), l'état de santé (classé par gravité des symptômes), la consommation de lait, la taille du groupe et la qualité de la litière. Les veaux présentant une maladie grave ont été exclus.

Développement du pipeline de vision par ordinateur

Pour permettre une surveillance évolutive, un pipeline intégrant trois modèles de fondation (foundation models) de pointe a été développé :

Détection d'objets : YOLOv12 (pré-entraîné sur COCO) a détecté les boîtes englobantes (bounding boxes) des veaux.
Segmentation et suivi : SAM2 a généré des masques de segmentation et a suivi les individus à travers les images en utilisant la mémoire vidéo.
Extraction de caractéristiques : DinoV2 (un transformateur de vision pré-entraîné via l'apprentissage auto-supervisé sur 142 millions d'images) a extrait des plongements visuels (embeddings) de 1024 dimensions à partir des images découpées des veaux.
Intégration des métadonnées : Les annotations manuelles ont été alignées temporellement avec les images vidéo à l'aide de la reconnaissance optique de caractères (OCR) pour extraire les horodatages des superpositions à l'écran.
Classification : Un classificateur de type Perceptron Multicouche (MLP) a été entraîné sur les plongements DinoV2 pour prédire les classes de comportement (Jeu Actif, Jeu Non-Actif, Non-Jeu). Le jeu de données a été stratifié pour traiter le déséquilibre des classes, aboutissant à un ensemble d'entraînement équilibré d'environ 22 800 échantillons.

Analyse statistique

Des modèles mixtes linéaires ont été utilisés pour analyser la relation entre l'allocation d'espace et la durée du jeu (exprimée en pourcentage de la période d'observation, %OP), l'exploitation étant incluse comme effet aléatoire. Des modèles multivariés ont contrôlé l'âge, la santé, la consommation de lait, la taille du groupe et la qualité de la litière.

Résultats Clés

Allocation d'espace et comportement de jeu

Jeu global : Les veaux ont passé en moyenne 1,0 % de la période d'observation à jouer (environ 10 minutes par journée de 17 heures). Le jeu social constituait la majorité (55 % du temps de jeu total), suivi du jeu locomoteur (26 %), du jeu avec objets (15 %) et du jeu avec la litière (2 %).
Relation non linéaire : Une relation significative et non linéaire a été trouvée entre l'allocation d'espace et la durée totale du jeu ( $P < 0,01$ $P < 0, 01$ ).
- Performance de pointe : Les niveaux de jeu les plus élevés ont été observés à 8–10 m² par veau (1,59 % OP, soit ~16 minutes/jour).
- Points bas : Le jeu était le plus faible à 6–8 m² et 12–14 m² (< 0,6 % OP).
- Plateau : À 16–18 m², les niveaux de jeu (1,29 % OP) n'excédaient pas significativement ceux observés à 8–10 m², suggérant un effet de plateau plutôt qu'une augmentation linéaire.
Spécificité des sous-types : L'allocation d'espace a prédit de manière significative la durée du jeu social ( $P < 0,05$ ), avec des pics à 8–10 m² et 16–18 m². Aucun effet significatif n'a été trouvé pour le jeu avec objets, et l'effet sur le jeu locomoteur était moins prononcé que pour le jeu total.

Performance de la surveillance automatisée

Précision de la classification : Le classificateur MLP a atteint une précision globale de 97,6 % sur l'ensemble de test mis de côté.
Rappel pour le jeu actif : Le modèle a démontré un rappel de 99,4 % pour la détection du jeu actif, indiquant un taux très faible de faux négatifs, ce qui est crucial pour la surveillance du bien-être.
Précision (Precision) : La précision pour le jeu actif était de 0,96.
Efficacité du pipeline : Le traitement de 90 000 images (5 heures de vidéo) a nécessité environ 35 heures de temps de calcul sur un cluster Databricks (ratio traitement-vidéo de 7:1). Le système a traité avec succès 108 heures de séquences provenant de 6 exploitations pour l'entraînement.

Défis techniques identifiés

L'étude a mis en évidence des défis spécifiques de déploiement en environnement commercial :

Angles de caméra : Les caméras placées en surplomb (overhead) offraient une meilleure stabilité de suivi (100 % de réussite de trame) mais souffraient de faibles taux de détection initiaux (25 %) dus à un décalage de domaine (domain shift) par rapport aux données d'entraînement à hauteur d'yeux. Les caméras latérales présentaient des taux de détection plus élevés mais une stabilité de suivi moindre en raison des occlusions.
Hallucination d'objet blanc : SAM2 a présenté une « hallucination d'objet blanc », où les veaux blancs sur une litière de paille blanche provoquaient une fuite des masques de segmentation dans l'arrière-plan, entraînant des échecs de suivi.
Alignement temporel : Les taux de réussite de l'OCR pour l'extraction de l'horodatage variaient considérablement (de 3 % à 99,8 %) selon le contraste de la police et la qualité du rendu, affectant l'alignement de la vérité de terrain avec les images vidéo.

Contributions clés et importance

1. Preuves empiriques pour les normes d'espace :
L'étude fournit la première caractérisation complète de la relation espace-jeu sur un large gradient (2,7–18 m²) dans des conditions commerciales. Elle remet en question l'hypothèse selon laquelle plus d'espace équivaut linéairement à plus de jeu, identifiant 8–10 m² par veau comme une cible pratique qui maximise le comportement de jeu. Ce résultat suggère que les minimums actuels de l'UE (1,5–1,8 m²) sont inadéquats, tandis que la recommandation de l'EFSA de 20 m² pourrait dépasser le seuil où l'espace est le facteur limitant principal pour le jeu.

2. Surveillance automatisée évolutive :
La recherche démontre que les pipelines de vision par ordinateur utilisant des modèles de fondation (YOLOv12, SAM2, DinoV2) peuvent transformer de petits projets d'annotation manuelle (108 heures) en systèmes d'évaluation du bien-être objectifs et continus. Le système atteint une haute fidélité (97,6 % de précision) avec un minimum d'entraînement spécifique à la tâche, surmontant les limites d'extensibilité de l'observation manuelle.

3. Directives de mise en œuvre pratique :
L'article propose des recommandations fondées sur des preuves pour le déploiement de la surveillance automatisée, soulignant les compromis entre les angles de montage des caméras (surplomb pour la stabilité vs montage latéral pour la détection) et la nécessité de superpositions d'horodatage à haut contraste pour l'alignement temporel.

4. Revendications modérées sur la causalité :
Les auteurs reconnaissent explicitement la nature observationnelle de l'étude, notant que bien que les modèles statistiques aient contrôlé les facteurs de confusion mesurés, des facteurs non mesurés au niveau de l'exploitation (ex. gestion, enrichissement) peuvent influencer les résultats. L'étude ne prétend pas prouver la causalité, mais fournit des données à haute validité écologique pour informer les normes de bien-être et les futurs essais randomisés.

En résumé, ce travail fait le pont entre la science du comportement animal et l'innovation technologique, offrant une méthode validée pour surveiller les indicateurs de bien-être positif à grande échelle et fournissant des orientations basées sur les données pour optimiser l'espace d'élevage afin d'améliorer le bien-être des veaux.