A lightweight visual system for determining the gender of poultry based on artificial intelligence
Cet article propose un système visuel à bas coût piloté par l'IA nommé YBDF, qui utilise un nouvel ensemble de données sur les gonades de poussins ainsi qu'un nouveau modèle de classification BDF pour atteindre une précision de 91,33 % dans la détermination du sexe des volailles, surmontant efficacement les limites des méthodes manuelles et instrumentales existantes.
Article original sous licence CC BY 4.0 (https://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
Dans le monde trépidant de l'aviculture moderne, un simple fait biologique dicte des décisions économiques complexes : les poussins mâles et femelles nécessitent des régimes alimentaires différents pour s'épanouir. Les mâles se développent mieux avec une nourriture riche en énergie pour prendre du poids, tandis que les femelles ont besoin de repas riches en protéines pour maximiser la production d'œufs. Depuis des décennies, les éleveurs s'appuient sur deux méthodes principales pour distinguer les sexes après l'éclosion des poussins. Une méthode repose sur des travailleurs qualifiés inspectant manuellement le minuscule cloaque, une tâche qui est rapide mais sujette à l'erreur humaine et à la fatigue. L'autre utilise des machines spécialisées qui sont précises mais excessivement coûteuses et lentes pour les opérations à grande échelle. Les deux approches peinent à suivre les exigences des fermes modernes et efficaces, laissant un vide pour une solution qui soit à la fois abordable et précise.
Ce défi a conduit les chercheurs à explorer l'intelligence artificielle, plus précisément l'utilisation de la vision par ordinateur pour « voir » les différences entre les poussins mâles et femelles. Bien que certaines tentatives précédentes aient essayé d'analyser le son des pépiements ou la texture des plumes, ces méthodes échouent souvent dans l'environnement bruyant et imprévisible d'un couvoir réel. Le son est facilement étouffé par la machinerie, et les plumes peuvent masquer les subtiles différences physiques nécessaires à l'identification. Pour résoudre ce problème, une équipe de chercheurs a développé un nouveau système visuel qui se concentre directement sur les gonades du poussin, les organes internes qui déterminent le sexe. En combinant la reconnaissance d'images avancée avec une configuration de caméra spécialisée, ils ont créé un outil capable d'identifier le genre d'un poussin avec une grande précision, offrant une voie potentielle vers une agriculture plus humaine et plus efficace.
Les chercheurs ont commencé par s'attaquer au obstacle le plus fondamental : les données. Pour apprendre à un ordinateur comment distinguer un poussin mâle d'un poussin femelle, ils avaient besoin d'une vaste bibliothèque d'images claires montrant les traits physiques spécifiques de chacun. Ils ont collecté plus de 1 200 photographies haute résolution de poussins de chair jaunes d'un jour. Dans un processus minutieux et non invasif, des spécialistes ont délicatement exposé la région cloacale de chaque poussin pour capturer les gonades. Les images ont révélé une différence distincte : les poussins mâles présentent une petite protubérance circulaire, tandis que les poussins femelles apparaissent relativement plates. Cependant, la capture de ces images est difficile car les organes sont cachés sous de douces plumes de duvet, et le processus implique souvent des doigts humains tenant le poussin, les deux pouvant bloquer la vue ou créer des ombres confuses. Pour surmonter cela, l'équipe a construit le premier ensemble de données standardisé de ce type en Chine, étiquetant méticuleusement chaque image comme mâle ou femelle, créant ainsi une fondation pour leur système d'intelligence artificielle.
Une fois les données en main, l'équipe a construit un système en deux parties conçu pour imiter la façon dont un expert humain aborderait la tâche, mais avec la vitesse et la constance d'une machine. La première partie agit comme un localisateur. Utilisant une technologie de détection d'objets bien connue, le système scanne l'image d'un poussin et trouve instantanément l'endroit exact où se situent les gonades, ignorant le reste de l'oiseau, les plumes et les doigts humains qui le tiennent. Il recadre ensuite uniquement cette petite zone, la redimensionnant selon un format standard. Cette étape est cruciale car elle élimine le désordre visuel qui confond souvent les autres systèmes, garantissant que l'ordinateur ne regarde que les caractéristiques biologiques pertinentes.
La seconde partie du système est le classificateur, le « cerveau » qui prend la décision finale. Ce composant utilise un réseau neuronal spécialisé, un type de programme informatique modélisé sur le cerveau humain, pour analyser l'image recadrée. Les chercheurs ont conçu ce réseau pour qu'il prête attention à deux choses spécifiques : la forme globale de la zone et les détails précis à l'intérieur de celle-ci. Ils ont intégré un mécanisme qui permet au système de se concentrer sur les parties les plus importantes de l'image tout en ignorant le bruit, tout comme un humain pourrait plisser les yeux pour se concentrer sur un détail spécifique tout en bloquant l'arrière-plan. En combinant l'extraction profonde de caractéristiques avec ce double focus, le système apprend à reconnaître la subtile bosse circulaire du mâle ou la surface plate de la femelle, même lorsque l'image est légèrement imparfaite.
Lors des tests, le système a performé avec une précision remarquable. Dans des expériences contrôlées, le nouveau système a identifié correctement le genre d'un poussin dans plus de 91 pour cent des cas. Cela représentait une amélioration significative par rapport à l'utilisation d'un modèle de détection standard seul, qui peinait avec une précision de seulement 55 pour cent, soulignant à quel point la conception spécialisée était essentielle pour gérer la réalité désordonnée des images du monde réel. Les chercheurs ont également comparé leur système à plusieurs autres modèles d'intelligence artificielle populaires, y compris ceux basés sur des architectures de transformeurs complexes et des réseaux convolutifs classiques. Leur système a non seulement atteint la précision la plus élevée, mais il l'a fait avec moins de ressources de calcul, ce qui le rend plus rapide et plus adapté au matériel limité que l'on trouve souvent dans les petites exploitations.
Pour s'assurer que le système ne faisait pas que deviner mais apprenait réellement les bonnes caractéristiques biologiques, les chercheurs ont utilisé une technique pour visualiser où l'ordinateur « regardait » lorsqu'il prenait une décision. Les résultats ont montré que leur système se concentrait nettement sur la région gonadale, spécifiquement sur la protubérance ou la zone plate, alors que d'autres modèles étaient souvent distraits par les plumes environnantes ou les doigts humains. Cela a confirmé que le système s'appuyait sur les mêmes indices anatomiques que les experts humains, plutôt que de trouver des motifs accidentels dans l'arrière-plan. Lors d'un essai en conditions réelles dans un couvoir commercial, le système a fonctionné en continu pendant six heures sur un matériel modeste et abordable, traitant environ 11 à 12 poussins par seconde avec une précision constante, quels que soient les changements d'éclairage ou la personne manipulant les oiseaux.
L'étude conclut que ce système visuel léger offre une alternative viable et à faible coût pour l'industrie avicole. En automatisant le processus d'identification du genre avec une grande précision, il promet de réduire la dépendance à l'égard de la main-d'œuvre manuelle et des machines coûteuses, améliorant potentiellement les coûts et le bien-être animal. Les chercheurs ont rendu leur ensemble de données et le code source de leur système publics, invitant d'autres à bâtir sur ce travail. Bien que le système actuel ait été testé sur une seule race de poussin dans des conditions spécifiques, le succès de cette approche suggère une voie claire pour le développement d'outils automatisés robustes capables de s'adapter aux environnements divers et exigeants de l'agriculture moderne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.