La détection précoce de la boiterie bovine par apprentissage automatique (Random Forest) basée sur des capteurs inertiels (IMU)

Abstract

L'élevage bovin occupe une place importante dans le secteur agricole, où la détection précoce de la boiterie représente un enjeu majeur en raison de ses conséquences sur le bien-être animal et les performances zootechniques et économiques des exploitations. La méthode traditionnelle de détection repose principalement sur l'observation visuelle, une approche subjective et peu adaptée à une surveillance continue. Ce mémoire présente la conception d'un système intelligent de détection précoce de la boiterie bovine basé sur l'Internet des objets (IoT) et le Machine Learning. Le système proposé repose sur un podomètre intelligent fixé à la patte de l'animal et un collier intelligent, tous deux équipés d'une unité de mesure inertielle (IMU). Les données locomotrices sont fusionnées puis traitées afin d'extraire vingt-quatre caractéristiques représentatives pour chacune des douze variables inertielles de la base de données publique CowScreeningDB, conduisant à un vecteur de 288 caractéristiques par enregistrement. Un modèle de classification Random Forest a été développé pour distinguer automatiquement les vaches saines des vaches boiteuses. Les hyperparamètres du modèle ont été optimisés à l'aide de RandomizedSearchCV. Les résultats expérimentaux obtenus montrent une exactitude de 66,67 %, une précision de 77,27 %, un rappel de 74,63 % et un score F1 de 75,92 %. Cette étude s'inscrit dans une démarche d'élevage de précision et ouvre la voie au développement d'un système embarqué capable d'assurer une surveillance continue des animaux. À terme, le modèle développé pourra être intégré à l'architecture IoT proposée, reposant sur un Raspberry Pi 5 et une application mobile, afin de fournir aux éleveurs un outil d'aide à la décision favorisant la détection précoce de la boiterie et l'amélioration de la gestion des troupeaux.