FirstBreath : l’IA au service de la naissance équine

FirstBreath est un projet de fin d’études mené par quatre étudiants d’Epitech visant à prédire le moment précis de la mise bas chez les juments grâce à l’intelligence artificielle et la vision par ordinateur.

L’objectif : permettre une surveillance efficace tout en respectant le bien-être animal.

Un enjeu critique

La mise bas est un événement complexe et délicat qui se déroule souvent de nuit. Une intervention tardive ou manquée peut entraîner la perte du poulain, de la jument, voire des deux, avec des conséquences financières importantes pour l’éleveur.

Les solutions actuelles sont souvent invasives, nécessitant des dispositifs à placer directement sur la jument, générant stress et inconfort. Elles produisent aussi un volume important de faux positifs, déclenchant des alertes intempestives qui perturbent le sommeil de l’éleveur.

FirstBreath se distingue par son approche non intrusive : un simple flux vidéo du box suffit. Les sources de stress liées aux capteurs fixés sur la jument disparaissent, les faux positifs sont réduits et les réveils nocturnes inutiles de l’éleveur diminuent.

Fonctionnement

FirstBreath se base sur l’analyse continue du flux vidéo provenant d’une caméra placée dans le box de la jument. Les images capturées sont traitées par un modèle d’IA chargé d’identifier les comportements caractéristiques qui précèdent la mise bas.

Dès que certains signes ou variations comportementales sont reconnus, la solution génère une alerte adaptée destinée à l’éleveur, permettant une intervention au bon moment sans surveillance constante.

Entraînement et analyse comportementale

L’entraînement du modèle d’intelligence artificielle est une étape critique, confrontée à une contrainte majeure : la rareté des données.

Constituer un dataset pertinent représente un défi réel, les mises bas étant peu fréquentes et rarement filmées dans des conditions exploitables.

Pour pallier cette difficulté, plusieurs approches complémentaires ont été mises en place pour structurer et enrichir l’apprentissage du système :

• Data Augmentation : Cette technique consiste à augmenter artificiellement la quantité de données disponibles en générant de nouvelles variations d’images à partir d’un dataset existant. Cela permet d’améliorer la robustesse d’un modèle tout en compensant le manque de données réelles.
  
  Dans ce projet, un dataset a été constitué et annoté, puis enrichi grâce à diverses transformations. Par exemple, une image peut être retournée horizontalement pour simuler un changement d’angle, ou convertie en grayscale pour créer une version dépourvue d’informations colorimétriques, ce qui aide le modèle à se concentrer davantage sur les formes et les contours.

• Transfer learning : le principe consiste à réutiliser un modèle déjà entraîné sur un large dataset pour lui faire apprendre une tâche plus spécifique avec peu de données. Le modèle conserve les connaissances générales acquises (formes, contours, structures), puis est affiné sur un dataset ciblé pour intégrer de nouveaux comportements.
  
  Dans ce projet, un premier entraînement avec un modèle Yolov11 a permis de détecter la jument dans une image, avant d’être adapté grâce à notre dataset annoté manuellement afin de reconnaître des postures précises.

Un indicateur d’agitation est développé en parallèle pour compléter les détections visuelles. Il repose sur l’homographie, une méthode mathématique permettant de transformer les images issues d’une caméra fixe en une représentation 2D en vue du dessus. Cette projection rend possible le suivi précis de la position de la jument dans son box.

À partir de cette trajectoire, plusieurs métriques comportementales peuvent être extraites : accélération lors des déplacements, nombre de mouvements effectués ou encore distance parcourue sur une période donnée.

Combinées aux postures identifiées par l’IA, ces informations renforcent la pertinence des alertes émises et permettent un niveau d’analyse plus fin.

Limitations

Plusieurs facteurs influencent la fiabilité du système. La position de la caméra et les éventuelles obstructions du champ de vision peuvent altérer la qualité de l’analyse.

Les mises bas étant rares et concentrées sur une période spécifique de l’année, la quantité de données exploitables reste limitée.

Chaque jument présente par ailleurs un comportement propre, plus ou moins agité selon sa nature et son stade de gestation.

Ce manque de diversité dans les données freine la généralisation du modèle d’IA et limite sa capacité à couvrir tous les cas possibles.

A l’avenir

Plusieurs axes d’évolution sont envisagés pour renforcer l’efficacité du système.

L’amélioration de la robustesse et de la généralisation passera par la collecte de nouvelles données, avec l’accord des utilisateurs, visant à enrichir les situations et comportements observés.

L’intégration de nouveaux indicateurs annonciateurs de la mise bas permettra d’affiner encore la qualité des alertes.

Enfin, la reconnaissance de mouvements spécifiques via l’estimation de pose constitue une perspective prometteuse, mais son déploiement nécessitera un volume de données bien plus important.