Amélioration de la gestion sanitaire avicole à L’aide de l'apprentissage profond basant sur les Signaux de vocalisation

Abstract

Les volailles et les œufs sont les principales viandes utilisées dans la vie quotidienne. Avec le développement de l'industrie avicole, l'élevage avicole industriel ne cesse de s'améliorer. Les problèmes de santé des volailles et le bien-être animal ont attiré une attention croissante ces dernières décennies. Des études montrent que les sons des volailles peuvent être utilisés comme biomarqueurs de leur état de santé. L'une des étapes cruciales dans ce domaine est d'étudier la possibilité d'utiliser des caractéristiques acoustiques comme critères pour le diagnostic des maladies. Dans cette recherche, nous avons collecté les vocalisations de deux groupes de volailles sur une période de 65 jours dans une ferme : un groupe en bonne santé et un groupe malade. Nous avons utilisé diverses techniques pour extraire des caractéristiques telles que les coefficients cepstraux de Mel-frequency (MFCC) ainsi que le transfert d'apprentissage avec les modèles OpenL3, YAMNet et VGGish. Ensuite, nous avons appliqué différents modèles de classification tels que ML (RF, DT, KNN, SVM) et DL (CNN, RNN) pour détecter les maladies respiratoires des volailles, en utilisant des mesures de performance telles que la précision, accuracy, le F1 score et le rappel. Les résultats de l'analyse des données ont montré que OpenL3.