Pour lire cet article en anglais, cliquez ici.
La boiterie est un problème de santé courant chez les vaches laitières et peut se caractériser par une modification de la démarche de la vache.
Ce trouble a un impact considérable sur la santé et le bien-être, et entraîne une foule de conséquences économiques comme une baisse de la production de lait et des performances de reproduction, ainsi qu’un risque plus élevé de réforme prématurée. Une détection précoce et un traitement rapide des causes sous-jacentes de la boiterie sont essentiels pour offrir des traitements efficaces et peu coûteux, et prévenir de futurs problèmes.
L’inspection visuelle est une méthode couramment utilisée pour détecter la boiterie, car elle est non invasive et peu coûteuse, et ne nécessite pas d’équipement particulier. Toutefois, cette approche prend du temps et demande beaucoup de travail. De plus, pour évaluer la boiterie de façon uniforme, de la formation périodique est nécessaire.
Par conséquent, les chercheurs testent actuellement des méthodes alternatives et automatisées d’évaluation de la démarche afin d’identifier les vaches à risque et de les traiter avant qu’une boiterie plus grave ne se développe. Les recherches menées à l’Université McGill, dirigées par la Dre Elsa Vasseur, mettent en lumière des moyens technologiques de détection de la boiterie à l’aide de la cinématique (l’étude du mouvement).
Dans un premier projet, 21 vaches Holstein ont été filmées alors qu’elles se déplaçaient dans une allée en portant des marqueurs réfléchissants placés sur différentes articulations de leurs membres avant et arrière (Figure 1). Cette méthode de détection de la boiterie à l’aide d’un programme d’analyse 3D et de l’intelligence artificielle s’est révélée très efficace, avec une exactitude de 91 % lors du classement des vaches boiteuses et non boiteuses. Ce modèle pourrait un jour offrir aux producteurs laitiers une méthode automatisée de détection de la boiterie. Il suffirait d’installer des caméras le long des passages habituellement empruntés par les vaches, comme les sorties de salles de traite.
Un deuxième projet a été mené par l’équipe de Vasseur en collaboration avec le Laboratoire de bio-informatique du Dr Abdoulaye Baniré Diallo, affilié à l’Université du Québec à Montréal (UQAM). Similairement à ce qui avait été fait lors de la première étude, un système cinématique a été mis en place avec six caméras installées autour d’une allée de façon à enregistrer la démarche des vaches. Un observateur formé a évalué la démarche des vaches à l’aide des vidéos prises par les caméras.
Alors que la première étude portait sur la détection des boiteries, cette étude utilise des modèles d’intelligence artificielle pour prédire les pointages de démarche des vaches à l’aide de coordonnées 3D tirées des vidéos. Il a été constaté que ces modèles possédaient une faible exactitude pour l’évaluation de la démarche. Cela suggère qu’il pourrait être difficile de miser uniquement sur la cinématique pour prédire un pointage de démarche. Il reste donc du travail à faire pour peaufiner une approche automatisée capable de classifier le niveau de boiterie d’une vache.
Actuellement, la meilleure façon de détecter la boiterie est l’évaluation visuelle. Cependant, les chercheurs cherchent des moyens de faciliter la détection le plus tôt possible. La détection des indicateurs précoces de boiterie basée uniquement sur la cinématique comporte certaines limites, mais des indicateurs précoces sont évalués afin d’identifier les vaches avant qu’elles présentent des signes cliniques de boiterie.
La thermographie des onglons et les plateformes de pression sont de nouvelles technologies qui sont étudiées à McGill (Figure 2). La thermographie des onglons pourrait prédire une modification du débit sanguin causée par de l’inflammation ou une blessure associée à des lésions aux sabots et des plateformes de pression peuvent être installées dans les allées que les vaches empruntent afin de détecter des changements dans la répartition du poids entre les membres, ce qui est un signe précoce de boiterie.
La détection automatisée de la boiterie est un nouveau domaine d’intérêt majeur, et la technologie évolue rapidement et continuellement. Bien que certaines technologies soient plus avancées que d'autres, il est important que diverses technologies soient simultanément développées et perfectionnées afin de produire des options précises, fiables et abordables pour tous.
Cette recherche a été financée par les Producteurs laitiers du Canada, Novalait, Lactanet, le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) et un financement additionnel pour l'équipement a été fourni par la Fondation canadienne pour l'innovation (FCI).
Cet article a été fourni par l'équipe d'ACER Consulting, Gabriel M. Dallago, stagiaire postdoctoral, département d'informatique, Université du Québec à Montréal; et la Dre Elsa Vasseur, professeure agrégée, département des sciences animales, Université McGill.
