Présentation du Jeu de Données sur les Comportements Visuels des Bétail

Le bétail joue un rôle important dans l'industrie de l'élevage, qui vaut des trillions à l'échelle mondiale. Comprendre leur comportement est crucial pour les agriculteurs afin de garder le bétail en bonne santé et productif. Cependant, les ensembles de données vidéo actuels pour étudier le comportement des bovins sont souvent petits, pas très détaillés ou pris dans des environnements contrôlés. Ça complique l'apprentissage des modèles de machine learning. Pour résoudre ce problème, on vous présente un nouvel ensemble de données appelé Comportements Visuels des Bovins (CVB).

#Qu'est-ce que le CVB ?

Le dataset CVB est composé de 502 clips vidéo, chacun durant 15 secondes, montrant des bovins à la lumière naturelle et dans des Pâturages typiques. Ces vidéos montrent onze comportements différents des bovins en train de paître, ce qui facilite l'étude et l'analyse de leur comportement dans la vraie vie.

#Pourquoi le comportement animal est-il important ?

Connaître le comportement des bovins aide les agriculteurs à surveiller le bien-être et la productivité de leurs animaux. En comprenant comment les bovins paissent, se reposent, boivent et interagissent, les agriculteurs peuvent prendre de meilleures décisions sur la gestion de leurs troupeaux. Par exemple, si les bovins ne paissent pas correctement, cela peut indiquer des problèmes de santé. Plus important encore, comprendre le comportement des bovins peut aboutir à de meilleures pratiques de pâturage, ce qui peut aider à réduire des problèmes environnementaux comme l'érosion des sols.

#Les défis de l'étude du comportement des bovins

Étudier le comportement des bovins par vidéo peut être compliqué pour plusieurs raisons :

1. Taille des ensembles de données existants : Beaucoup de datasets existants sont petits ou manquent d'annotations détaillées, ce qui limite leur utilité pour les modèles de machine learning.
2. Environnement contrôlé : Beaucoup de recherches se font dans des environnements contrôlés qui ne sont pas réalistes. Ça rend difficile le travail des modèles en dehors de ces cadres.
3. Types de comportements limités : Certains datasets se concentrent seulement sur quelques comportements, ce qui complique la compréhension de toute la gamme d'actions des bovins.

Pour reconnaître différents comportements des bovins, il est essentiel de détecter les animaux individuels, de suivre leurs mouvements et d'identifier leurs actions dans le temps. Les animaux n'ont souvent pas de caractéristiques distinctes, ce qui rend difficile de les différencier, surtout lorsqu'ils sont très proches les uns des autres.

#Comment le CVB a été collecté

Pour créer le dataset CVB, des caméras haute résolution ont été installées aux différents coins d'un pâturage où huit bovins Angus paissaient. Les vidéos ont été enregistrées à la lumière naturelle, et chaque clip vidéo a été découpé en sections de 15 secondes. Des modèles pré-entraînés ont été utilisés pour détecter et suivre les bovins dans chaque image des vidéos. Après cette détection initiale, des experts du domaine ont examiné et annoté les comportements des bovins.

#Comportements des bovins dans le CVB

Le dataset CVB répertorie onze comportements clés que les bovins peuvent exhiber :

1. Pâture : Manger de l'herbe ou du fourrage.
2. Marcher : Se déplacer lentement.
3. Courir : Se déplacer rapidement.
4. Ruminant (debout) : Mâcher le rumen en étant debout.
5. Ruminant (couché) : Mâcher le rumen en étant allongé.
6. Repos (debout) : Rester immobile sans action spécifique.
7. Repos (couché) : Être allongé et se reposer.
8. Boire : Prendre de l'eau.
9. Se toiletter : Se nettoyer soi-même ou nettoyer les autres.
10. Autre : Tout comportement qui ne rentre pas dans les catégories ci-dessus.
11. Caché : Quand les bovins ne sont pas visibles, généralement à cause d'une occlusion.

Ces comportements sont cruciaux pour comprendre comment les bovins interagissent avec leur environnement et comment gérer leur santé et leur productivité.

#Détection d'objets et Suivi

Pour rendre le processus d'annotation plus rapide, un modèle YOLOv7 pré-entraîné a été utilisé. Ce modèle aide à détecter des objets dans les flux vidéo en temps réel, ce qui le rend adapté à notre dataset. Après la détection initiale, des experts ont ajusté et confirmé les bovins identifiés et leurs comportements.

Botsort a été utilisé pour suivre le mouvement des bovins à travers les images vidéo. Cette méthode permet de suivre plusieurs animaux simultanément, même s'ils sont proches les uns des autres ou si certains sont partiellement cachés. Grâce à ces techniques, le processus d'annotation est devenu beaucoup plus rapide et facile.

#Caractéristiques principales du CVB

Le dataset CVB présente une grande variété de comportements et de conditions, y compris :

• Fréquence des comportements : Certains comportements, comme le pâturage, sont observés plus fréquemment que d'autres, ce qui peut aider les chercheurs à mieux comprendre les habitudes des bovins.
• Transitions de comportement : Le dataset inclut des instances où les bovins passent d'un comportement à un autre, comme passer de pâturer à boire.
• Occlusions : Il y a des moments où les bovins sont partiellement cachés, ce qui ajoute de la complexité au processus d'annotation et de reconnaissance.

#Expérimentations et résultats

Pour évaluer l'efficacité du CVB, des annotations initiales de suivi des bovins et de comportement ont été générées en utilisant les algorithmes YOLOv7 et Botsort. Les experts du domaine ont corrigé les erreurs et ajouté manuellement les étiquettes de comportement.

Lors des tests d'un modèle de reconnaissance d'actions bien connu appelé SlowFast sur le dataset CVB, les résultats ont montré que le modèle pouvait identifier avec succès les bovins et reconnaître les comportements souvent observés. Le modèle a bien performé pour détecter des comportements comme le pâturage mais a eu quelques difficultés avec des actions moins courantes.

Des efforts de développement continu sont en cours pour améliorer encore le dataset CVB et encourager plus de chercheurs à travailler sur la reconnaissance du comportement des bovins en utilisant des données vidéo. L'objectif est d'aider à créer de meilleurs modèles de machine learning pour identifier et comprendre le comportement animal.

#Conclusion

CVB est un dataset précieux qui se compose de 502 vidéos présentant huit bovins en pâture, avec des annotations détaillées de leur comportement. En utilisant des méthodes avancées de détection et de suivi, le dataset vise à faciliter l'analyse du comportement des bovins pour les chercheurs. L'évaluation de différents algorithmes de reconnaissance d'actions, comme SlowFast, indique qu'il est possible d'identifier avec précision les comportements des bovins.

L'espoir est que le CVB puisse aider les chercheurs et les praticiens à développer de nouveaux modèles qui permettront de mieux reconnaître et comprendre le comportement des bovins à travers les données vidéo. Ça pourrait conduire à de meilleures pratiques de gestion du bétail, contribuant à des bovins plus sains et plus productifs.