FR3119309A1 - behavioral analysis system for animal husbandry - Google Patents
behavioral analysis system for animal husbandry Download PDFInfo
- Publication number
- FR3119309A1 FR3119309A1 FR2101754A FR2101754A FR3119309A1 FR 3119309 A1 FR3119309 A1 FR 3119309A1 FR 2101754 A FR2101754 A FR 2101754A FR 2101754 A FR2101754 A FR 2101754A FR 3119309 A1 FR3119309 A1 FR 3119309A1
- Authority
- FR
- France
- Prior art keywords
- animals
- processing unit
- monitoring system
- piglets
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims description 7
- 230000003542 behavioural effect Effects 0.000 title description 3
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010191 image analysis Methods 0.000 claims abstract description 13
- 238000009395 breeding Methods 0.000 claims abstract description 12
- 230000001488 breeding effect Effects 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000384 rearing effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 238000009313 farming Methods 0.000 claims 1
- 241000282887 Suidae Species 0.000 description 15
- 241000282898 Sus scrofa Species 0.000 description 13
- 230000007170 pathology Effects 0.000 description 9
- 206010022000 influenza Diseases 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000000241 respiratory effect Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 201000010740 swine influenza Diseases 0.000 description 6
- 241000712431 Influenza A virus Species 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 208000023504 respiratory system disease Diseases 0.000 description 4
- 206010069767 H1N1 influenza Diseases 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 3
- 208000009620 Orthomyxoviridae Infections Diseases 0.000 description 3
- 238000010162 Tukey test Methods 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 241000712461 unidentified influenza virus Species 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000003115 biocidal effect Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 244000144980 herd Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003612 virological effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 241000255969 Pieris brassicae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 230000000845 anti-microbial effect Effects 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000012678 infectious agent Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003771 laboratory diagnosis Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000007403 mPCR Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000626 neurodegenerative effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003757 reverse transcription PCR Methods 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
Système de surveillance (7) pour élevage porcin, comportant un boîtier électronique (1) contenant un moyen de commande et un moyen de collecte de données et une caméra (2) connectée audit boîtier électronique, ledit système de surveillance comportant une unité de traitement de données (6) reliée par une connectique au moyen de collecte de données dudit boîtier électronique, caractérisé en ce que l’unité de traitement de données (6) intègre un algorithme (3) d’analyse d’images pour la détection d’une présence d’au moins un animal en position couchée dans une zone d’élevage de l’animal. Figure pour l’abrégé : Fig. 4Monitoring system (7) for pig breeding, comprising an electronic box (1) containing a control means and a data collection means and a camera (2) connected to said electronic box, said monitoring system comprising a data processing unit (6) connected by a connector to the data collection means of said electronic unit, characterized in that the data processing unit (6) incorporates an image analysis algorithm (3) for detecting a presence of at least one animal in a lying position in an area where the animal is kept. Figure for abstract: Fig. 4
Description
La présente invention est du domaine de la surveillance du comportement des animaux sur leur lieu d’élevage, et concerne en particulier la surveillance des comportements associés à des pathologies dans des élevages porcins.The present invention is in the field of monitoring the behavior of animals on their breeding grounds, and relates in particular to the monitoring of behaviors associated with pathologies in pig farms.
Traditionnellement, du personnel est affecté sur les lieux d’élevage pour assurer le nourrissage et le soin des animaux dans les installations. Des systèmes de surveillance sont également mis en œuvre pour pouvoir contrôler à distance le bâtiment contenant l’élevage.Traditionally, staff are assigned to the breeding grounds to ensure the feeding and care of the animals in the facilities. Surveillance systems are also implemented to be able to remotely control the building containing the livestock.
La surveillance de l’état de santé des animaux d’élevage peut, par exemple, être mise en œuvre en ayant recours à un système apte à détecter, par l’enregistrement et l’analyse de sons de toux, le début d’une pathologie respiratoire pendant les phases d’engraissement. De tels systèmes permettent le suivi de la clinique respiratoire des animaux par l’emploi d’une plateforme dédiée à la gestion des données relatives à des seuils d’alerte définis. Cependant, de tels systèmes uniquement basés sur les enregistrements sonores en temps donné ne peuvent pas détecter tous les types de pathologies associées aux élevages porcins.Monitoring the state of health of farm animals can, for example, be implemented by using a system capable of detecting, by recording and analyzing cough sounds, the start of a respiratory pathology during the fattening phases. Such systems allow the monitoring of the respiratory clinic of animals by using a platform dedicated to the management of data relating to defined alert thresholds. However, such systems based solely on sound recordings at a given time cannot detect all types of pathologies associated with pig farms.
Une autre méthode connue de surveillance des élevages par un suivi des émissions sonores met en œuvre une analyse des sons produits dans les bâtiments d’élevage couplée à des systèmes d’intelligence artificielle ayant recours à des réseaux de neurones profond, plus connus sous le nom d’apprentissage profond (de l’anglais « deep learning »). Un tel système est efficace pour détecter les pathologies associées à l’émission de sons inhabituels et est spécifique des maladies respiratoires occasionnant des toux ou de éternuements.Another known method of monitoring farms by monitoring sound emissions uses an analysis of the sounds produced in livestock buildings coupled with artificial intelligence systems using deep neural networks, better known as deep learning. Such a system is effective in detecting pathologies associated with the emission of unusual sounds and is specific for respiratory diseases causing coughing or sneezing.
La demande WO2017/161167 décrit une méthode d’analyse comportementale des animaux mettant en œuvre des caméras, en particulier la souris de laboratoire, pour détecter un changement immédiat du comportement de l’animal en temps donné. Une telle méthode, bien qu’elle montre une certaine efficacité pour la détection des maladies neurodégénératives ou liées à l’anxiété chez les animaux, n’est pas bien d’adaptée au suivi des maladies telles que la grippe porcine.Application WO2017/161167 describes a method for the behavioral analysis of animals using cameras, in particular the laboratory mouse, to detect an immediate change in the behavior of the animal in a given time. Such a method, although it shows some efficiency for the detection of neurodegenerative or anxiety-related diseases in animals, is not well suited to monitoring diseases such as swine flu.
Les virus influenza A responsables de la grippe chez le porc peuvent provoquer des formes enzootiques d’infection caractérisées par une persistance de ces virus à l’échelle du troupeau et infectant systématiquement toutes les bandes de porcs en croissance à un âge fixe. Ces infections grippales « récurrentes » sont fréquentes chez les porcelets de 5 à 8 semaines d’âge. La maitrise de la clinique associée est un enjeu majeur pour l’éleveur, mais le suivi des signes cliniques peut se révéler difficile.The influenza A viruses responsible for influenza in swine can cause enzootic forms of infection characterized by persistence of these viruses throughout the herd and systematically infecting all growing flocks of pigs at a fixed age. These "recurrent" influenza infections are common in piglets 5 to 8 weeks of age. The control of the associated clinic is a major issue for the breeder, but the monitoring of the clinical signs can prove to be difficult.
Les maladies pulmonaires enzootiques, telles que la grippe porcine, constituent une préoccupation sanitaire majeure dans tous les pays producteurs de porcs où les animaux sont élevés en grandes collectivités dans des bâtiments. Ces maladies sont responsables de pertes économiques importantes pour la filière porcine en raison d’une réduction des performances zootechniques des animaux affectés, d’une élévation du taux de saisies à l’abattoir et d’une augmentation des coûts de production liée aux traitements médicamenteux et aux vaccinations administrées. Au-delà de leur impact en termes de santé et de bien-être animal, les maladies pulmonaires représentent un enjeu sur le plan de la santé publique vétérinaire. En effet, les maladies respiratoires constituent un motif important d’utilisation d’antibiotiques chez le porc (Chauvin et al., « A survey of group-level antibiotic prescriptions in pig production in France » Prev. Vet. Med. 55, 109-112, 2002), ce qui peut avoir des conséquences en termes de risque de développement d’antibiorésistances et pose le problème du rejet de résidus de produits antimicrobiens dans l’environnement (Fablet et al., « Infectious agents associated with respiratory diseases in 125 farrow-to-finish pig herds: A cross-sectional study » Vet. Micro. 157, 152-163, 2012)Enzootic lung diseases, such as swine flu, are a major health concern in all pig-producing countries where animals are raised in large communities in buildings. These diseases are responsible for significant economic losses for the pig industry due to a reduction in the zootechnical performance of the affected animals, an increase in the rate of seizures at the slaughterhouse and an increase in production costs linked to drug treatments. and vaccinations administered. Beyond their impact in terms of animal health and welfare, lung diseases represent an issue in terms of veterinary public health. Indeed, respiratory diseases constitute an important reason for the use of antibiotics in pigs (Chauvin et al., “A survey of group-level antibiotic prescriptions in pig production in France” Prev. Vet. Med. 55, 109- 112, 2002), which can have consequences in terms of the risk of development of antibiotic resistance and poses the problem of the release of residues of antimicrobial products into the environment (Fablet et al., “Infectious agents associated with respiratory diseases in 125 farrow-to-finish pig herds: A cross-sectional study" Vet. Micro. 157, 152-163, 2012)
Pour pallier tout ou partie des inconvénients susmentionnés de l’état de la technique, la présente invention concerne un système de surveillance pour élevage porcin, comportant un boîtier électronique contenant un moyen de commande et un moyen de collecte de données et une caméra connectée audit boîtier électronique, ledit système de surveillance comportant une unité de traitement de données reliée par une connectique au moyen de collecte de données dudit boîtier électronique, caractérisé en ce que l’unité de traitement de données intègre un algorithme d’analyse d’images pour la détection d’une présence d’au moins un animal en position couchée dans une zone d’élevage de l’animal. Grâce à un tel système de détection, une surveillance du nombre d’animaux inactifs et potentiellement atteints par une maladie respiratoire est rendue possible.To overcome all or part of the aforementioned drawbacks of the state of the art, the present invention relates to a surveillance system for pig breeding, comprising an electronic box containing a control means and a data collection means and a camera connected to said box electronic, said surveillance system comprising a data processing unit connected by a connector to the data collection means of said electronic box, characterized in that the data processing unit integrates an image analysis algorithm for the detection the presence of at least one animal in a lying position in an area where the animal is raised. Thanks to such a detection system, monitoring of the number of inactive animals potentially affected by a respiratory disease is made possible.
L’invention est avantageusement mise en œuvre selon les modes de réalisation et les variantes exposées ci-après, lesquelles sont à considérer individuellement ou selon toute combinaison techniquement opérante.The invention is advantageously implemented according to the embodiments and variants set out below, which are to be considered individually or according to any technically effective combination.
Avantageusement, l’unité de traitement localise l’animal en position couchée et détermine sa localisation éventuelle en périphérie de la zone d’élevage. Les animaux malades préfèrent le plus souvent s’allonger en bordure des zones d’élevage.Advantageously, the processing unit locates the animal in the lying position and determines its possible location on the outskirts of the rearing area. Sick animals most often prefer to lie down at the edge of livestock areas.
Avantageusement, l’unité de traitement calcule le ratio du nombre d’animaux couchés sur le nombre total d’animaux dans la zone d’élevage et compare ledit ratio à des valeurs seuils calculées en amont. L’algorithme est auto-adaptatif en ce qu’il permet de définir par calcul lors d’une phase préalable d’étalonnage des valeurs seuils, dans une configuration d’élevage particulière. Ces valeurs seuils correspondent à un ratio du nombre de porcs couchés sur le nombre de porcs au total présents dans l’élevage considéré, et sont représentatives d’une anomalie liée à une pathologie, en particulier la présence d’une maladie pulmonaire telle que la grippe porcine.Advantageously, the processing unit calculates the ratio of the number of animals lying down to the total number of animals in the rearing area and compares said ratio with threshold values calculated upstream. The algorithm is self-adaptive in that it makes it possible to define by calculation during a preliminary phase of calibration of the threshold values, in a particular breeding configuration. These threshold values correspond to a ratio of the number of pigs lying on the total number of pigs present in the farm considered, and are representative of an anomaly linked to a pathology, in particular the presence of a pulmonary disease such as swine flu.
Avantageusement, l’unité de traitement comporte un réseau de neurones.
La présente invention concerne également un procédé de surveillance d’animaux malades, mettant en œuvre le système de surveillance tel que décrit précédemment dans le cadre de l’invention, comportant les étapes suivantes :
a- sélection d’une séquence d’images collectées depuis la caméra ;
b- intégrations des images dans une unité de stockage comportant de préférence une plateforme web ;
c- analyse des images par une unité de traitement intégrant un algorithme d’analyse d’images mettant en œuvre un réseau de neurones ;
d- calcul des barycentres des carrés des dessins obtenus par l’algorithme ; et
e- détermination du nombre d’animaux couchés.
Un tel procédé permet, grâce à la valeur obtenue à l’étape e-, de pouvoir déterminer si la posture et la position dans la zone d’élevage des animaux correspond à une anomalie.Advantageously, the processing unit comprises a neural network.
The present invention also relates to a method for monitoring sick animals, implementing the monitoring system as described above in the context of the invention, comprising the following steps:
a- selection of a sequence of images collected from the camera;
b- integration of images in a storage unit preferably comprising a web platform;
c—analysis of the images by a processing unit integrating an image analysis algorithm implementing a neural network;
d—calculation of the barycenters of the squares of the drawings obtained by the algorithm; and
e- determination of the number of animals lying down.
Such a method makes it possible, by virtue of the value obtained in step e-, to be able to determine whether the posture and the position in the area where the animals are reared corresponds to an anomaly.
Avantageusement, le procédé selon l’invention comporte une étape f- de localisation des animaux dans une zone d’intérêt. Une telle zone d’intérêt est de préférence localisée en bordure de la zone d’élevage, les tests mis en œuvre ont permis de constater que les animaux atteints de la grippe viennent s’allonger dans les espaces situés en périphérie de leur lieu de vie.Advantageously, the method according to the invention comprises a step f- of locating the animals in a zone of interest. Such a zone of interest is preferably located on the edge of the rearing zone, the tests carried out have shown that animals with influenza come to lie down in the spaces located on the outskirts of their place of life. .
Avantageusement, le procédé selon l’invention comporte une étape g- de calcul du ratio du nombre d’animaux couchés sur le nombre total d’animaux dans la zone d’élevage.Advantageously, the method according to the invention comprises a step g- of calculating the ratio of the number of animals lying down to the total number of animals in the rearing area.
Avantageusement, le procédé selon l’invention comporte une étape h- de comparaison de la valeur obtenue à e- ou g- avec une valeur seuil. Grâce au résultat obtenu la détermination du franchissement d’un seuil d’animaux malades est obtenue et permet de générer des alertes.Advantageously, the method according to the invention comprises a step h- of comparing the value obtained at e- or g- with a threshold value. Thanks to the result obtained, the determination of the crossing of a threshold of sick animals is obtained and makes it possible to generate alerts.
D’autres avantages, buts et caractéristiques de la présente invention ressortent de la description qui suit faite, dans un but explicatif et nullement limitatif, en regard des dessins annexés, dans lesquels :Other advantages, objects and characteristics of the present invention emerge from the description which follows given, for the purpose of explanation and in no way limiting, with regard to the appended drawings, in which:
PARTIE EXPERIMENTALEEXPERIMENTAL PART
Protocoles et outils de collecte de données et d’analyseProtocols and tools for data collection and analysis
Trois élevages porcins sont utilisés pour recueillir des données qui servent de référence dans la base de données d’une unité de traitement mise en œuvre dans un système de surveillance pour élevage porcin suivant l’invention.Three pig farms are used to collect data which serves as a reference in the database of a processing unit implemented in a surveillance system for pig farms according to the invention.
Parmi les trois élevages porcins susmentionnés, deux sont affectés par les virus de la Grippe en post-sevrage (PS) et un élevage est un élevage « témoin », c’est-à-dire sans circulation virale grippale :
Elevage « A » (atteint) : naisseur-engraisseur de 650 truies conduit en 10 bandes de 65 truies ; les porcelets sont sevrés à 21 jours d’âge et sont logés dans des cases de 28 animaux ;
Elevage « B » (atteint) : naisseur-engraisseur de 220 truies conduit en sept bandes de 32 truies ; les porcelets sont sevrés à 28 jours d’âge et sont logés en post sevrage à 33 jours d’âge dans des cases de 25 animaux ;
Elevage « C » (contrôle) : naisseur-engraisseur de 600 truies conduites en 20 bandes de 30 truies ; les porcelets sont sevrés à 21 jours et sont logés dans des cases de 25 animaux.
L’élevage A est historiquement affecté par les virus de la Grippe (H1N1 et H1N2) qui en post sevrage se manifeste entre 6 et 8 semaines d’âge de façon récurrente. Le diagnostic de laboratoire fait par PCR et RT-PCR multiplex sur surnageant d’écouvillons naseaux, selon le protocole RESAVIP_ (Hervé et al., « Virological and epidemiological patterns of swine influenza A virus infections in France: Cumulative data from the RESAVIP surveillance network, 2011–2018 » Vet. Micro. 239, 2019), est réalisé avant l’inclusion. Ce diagnostic a permis de confirmer la présence du virus lors d’épisodes cliniques caractéristiques.
L’élevage B présente une clinique respiratoire récurrente en post sevrage entre 5 et 8 semaines, d’apparition récente.
L’élevage C pour lequel aucune problématique respiratoire particulière en post sevrage durant les trois dernières années qui ont précédé la phase expérimentale n’est observé. Une visite préalable à l’inclusion est réalisée avec le but de s’assurer de l’absence de clinique notable.Among the three pig farms mentioned above, two are affected by Influenza viruses in post-weaning (PS) and one farm is a “control” farm, i.e. without influenza viral circulation:
Farm “A” (reached): breeder-fattener of 650 sows led in 10 flocks of 65 sows; the piglets are weaned at 21 days of age and are housed in pens with 28 animals;
Farm “B” (affected): breeder-fattener of 220 sows led in seven bands of 32 sows; the piglets are weaned at 28 days of age and are housed post-weaning at 33 days of age in boxes of 25 animals;
Farm “C” (control): farrower-fattener of 600 sows led in 20 groups of 30 sows; the piglets are weaned at 21 days and are housed in pens of 25 animals.
Farm A has historically been affected by the Influenza viruses (H1N1 and H1N2) which, after weaning, appear recurrently between 6 and 8 weeks of age. Laboratory diagnosis made by multiplex PCR and RT-PCR on nasal swab supernatant, according to the RESAVIP_ protocol (Hervé et al., “Virological and epidemiological patterns of swine influenza A virus infections in France: Cumulative data from the RESAVIP surveillance network , 2011–2018” Vet. Micro. 239, 2019), is performed prior to inclusion. This diagnosis made it possible to confirm the presence of the virus during characteristic clinical episodes.
Farm B presents a recurrent respiratory clinic in post weaning between 5 and 8 weeks, of recent appearance.
Farm C for which no particular respiratory problem in post-weaning during the last three years preceding the experimental phase is observed. A visit prior to inclusion is carried out with the aim of ensuring the absence of any notable clinical signs.
Description de la collecte des données:
Dans chacun des trois élevages susmentionnés, un boîtier électronique 1 commercialisé sous la référence Copeeks® par la société Copeeks comprenant une caméra 2 avec une optique de précision est installés dans une salle de post sevrage pendant la durée de la présence des porcelets, sur une bande et dès l’entrée des porcelets. Les images sont analysées par un algorithme d’analyse d’image 3 qui est programmé sur la base d’un apprentissage supervisé préalable, lui permettant d’identifier des animaux couchés ou debout à un endroit prédéfini de la zone ou lieu d’élevage (case), qualifiée de zone d’intérêt, laquelle zone d’intérêt étant selon un mode de réalisation avantageux localisée en périphérie du lieu d’élevage. Description of data collection :
In each of the three aforementioned farms, an electronic unit 1 marketed under the reference Copeeks® by the company Copeeks comprising a camera 2 with precision optics is installed in a post-weaning room for the duration of the presence of the piglets, on a strip and as soon as the piglets enter. The images are analyzed by an image analysis algorithm 3 which is programmed on the basis of prior supervised learning, allowing it to identify animals lying or standing at a predefined place in the breeding area or place ( case), qualified as an area of interest, which area of interest being, according to an advantageous embodiment, located on the outskirts of the breeding site.
Le boitier électronique 1 est connecté à une unité de stockage de données 4 et transfert les données suivant la norme 4G. L’unité de stockage 4 est de type « cloud » et transfère les données sous forme d’images vers une plateforme web 5.The electronic box 1 is connected to a data storage unit 4 and transfers the data according to the 4G standard. The storage unit 4 is of the "cloud" type and transfers the data in the form of images to a web platform 5.
Les images collectées depuis le boitier électronique sont ensuite analysées par une unité de traitement de données 6 configurée à l’aide d’un algorithme d’analyse d’images 3.The images collected from the electronic box are then analyzed by a data processing unit 6 configured using an image analysis algorithm 3.
L’ensemble de ces éléments forment un système de surveillance 7, tel qu’illustré à la
L’algorithme d’analyse d’images 3 a été testé à l’aide d’images dans lesquelles des porcelets étaient debout ou couchés dans la zone d’intérêt. [Tableau 1] présente la matrice de confusion obtenue à partir des prédictions de l’algorithme d’analyse d’images 3, en ce qui regarde la détection des porcelets dans la zone d’intérêtImage analysis algorithm 3 was tested using images in which piglets were standing or lying in the area of interest. [Table 1] presents the confusion matrix obtained from the predictions of the image analysis algorithm 3, with regard to the detection of piglets in the area of interest
Cette matrice permet de comparer les prédictions de l’algorithme d’analyse d’images 3 avec la réalité. L’algorithme a correctement identifié la posture des porcelets dans 7867 cas, et des erreurs ont été constatées dans 830 cas, sur un total 8697 cas.This matrix makes it possible to compare the predictions of the image analysis algorithm 3 with reality. The algorithm correctly identified piglet posture in 7867 cases, and errors were found in 830 cases, out of a total of 8697 cases.
A partir de ces résultats, trois indicateurs sont calculés afin de mesurer la fiabilité de l’algorithme : la sensibilité, la spécificité et la précision de l’algorithme d’analyse d’images 3.From these results, three indicators are calculated in order to measure the reliability of the algorithm: the sensitivity, the specificity and the precision of the image analysis algorithm 3.
Pour cet algorithme, la sensibilité est de 93.2%, la spécificité est de 58.7% et la précision est de 95.8%. L’algorithme d’analyse d’images 3 donne donc des résultats satisfaisants pour la détection des porcelets couchés ou debout dans la zone d’intérêt.For this algorithm, the sensitivity is 93.2%, the specificity is 58.7% and the precision is 95.8%. The image analysis algorithm 3 therefore gives satisfactory results for the detection of piglets lying or standing in the area of interest.
Les photos en provenance de la caméra sont ainsi temporairement stockées dans le « cloud » avant d’être analysées dans l’unité de traitement de données 6. Des équipements de connectivité de type modulateur-démodulateur (modem) sont connectés par une connectique de type USB à une unité centrale contenue dans le boitier électronique 1. L’unité centrale communique avec la plateforme web 5 pour recevoir des ordres venant de l'utilisateur, afin de modifier son comportement en fonction du contexte.The photos from the camera are thus temporarily stored in the “cloud” before being analyzed in the data processing unit 6. Connectivity equipment of the modulator-demodulator (modem) type are connected by a connector of the USB to a central unit contained in the electronic box 1. The central unit communicates with the web platform 5 to receive orders from the user, in order to modify his behavior according to the context.
La plateforme permet de dessiner une zone intérêt sur une photo, pour faire correspondre des zones de l'image, avec les bords de la case où sont les animaux. Cette zone d'intérêt est appliquée automatiquement sur toutes les nouvelles photos.The platform allows you to draw an area of interest on a photo, to match areas of the image with the edges of the box where the animals are. This area of interest is automatically applied to all new photos.
A chaque photo récupérée, une tâche est créée et envoyée à des logiciels connus sous le nom de « workers », en anglais, répartis sur le cloud ayant la fonction de récupérer la nouvelle photo avec sa zone d’intérêt. Un réseau de neurones permet d'identifier les cochons dans une image, et de les discriminer en fonction de leur position. La photo est ainsi analysée par le réseau de neurones intégré dans l’outil d’apprentissage Tensorflow mis à disposition par la société Google LLC™ ; ledit outil étant configuré avec une architecture de type MOBILENET SSD V3™. Le barycentre des carrés dessinés par algorithme est récupéré, la posture de l'animal est déterminée, et, pour chaque animal il est recherché si ce dernier est dans l'une des zones d'intérêt précédemment récupérées. Le worker renvoie à une plateforme (copeek.io) le résultat de l'analyse, dont : nombre d'animaux couchés dans chaque zone d'intérêt, nombre d'animaux total.For each photo recovered, a task is created and sent to software known as “workers”, in English, distributed on the cloud having the function of recovering the new photo with its area of interest. A neural network makes it possible to identify the pigs in an image, and to discriminate between them according to their position. The photo is thus analyzed by the neural network integrated into the Tensorflow learning tool made available by Google LLC™; said tool being configured with a MOBILENET SSD V3™ type architecture. The barycenter of the squares drawn by the algorithm is retrieved, the posture of the animal is determined, and, for each animal, it is sought whether the latter is in one of the zones of interest previously retrieved. The worker returns to a platform (copeek.io) the result of the analysis, including: number of animals lying in each area of interest, total number of animals.
Le système de surveillance 7 comportant l’ensemble des éléments reliés et/ou connectés entre eux entre le boitier de surveillance 1 et l’unité de traitement de données 6, analyse chaque photo et les discrimine en fonction de la position des porcs. Le système de surveillance 7 renvoie à la plateforme le résultat de l'analyse (nombre d'animaux couchés dans chaque zone d'intérêt et nombre total d'animaux). L’ensemble de ces actions est réalisé automatiquement par le logiciel possédant l’algorithme.The monitoring system 7 comprising all the elements linked and/or connected to each other between the monitoring box 1 and the data processing unit 6, analyzes each photo and discriminates them according to the position of the pigs. The monitoring system 7 returns the result of the analysis to the platform (number of animals lying in each zone of interest and total number of animals). All of these actions are performed automatically by the software with the algorithm.
Pour chaque élevage (A à C), plus de cent images sont collectées par jour sur une période de plusieurs mois.For each farm (A to C), more than one hundred images are collected per day over a period of several months.
Division de la phase de post sevrage en trois périodes :
A partir de la littérature (Trombani et al., « Suivi de la clinique grippale récurrente en post sevrage : intérêt d’un outil d’analyse d’image en temps réel », Proceedings du congrès annuel de l’AFMVP, 2019.) et des observations réalisées sur les élevages porcins, la phase de présence des porcelets en post sevrage est divisée en trois périodes :
-une période 1 d’une durée de 10 jours fait référence à la phase d’adaptation des animaux en post-sevrage (Orgeur et al., « Conséquences comportementales d’un sevrage ultra-précoce chez le porcelet Large-White » Journées de la Recherche Porcine en France 30, 383- 388. 1998.) ;
-une période 2 qui est déterminée par défaut entre la fin de la période 1 et le début de la période 3, décrite ci-après ; et
-une période 3 qui débute à partir du moment où l’éleveur ou le vétérinaire de suivi de l’élevage remarque la présence d’animaux manifestant un comportement pouvant évoquer l’expression de la pathologie. Cette période se termine le jour de l’entrée en engraissement. Pour l’élevage A, un prélèvement de fluides oraux est réalisé le jour de l’appel dans les quatre cases suivies en posant deux cordes dans chaque case (une corde pour 14 animaux). La PCR individuelle Grippe est réalisée sur les huit fluides oraux par pool de deux (chaque pool représentant une case) et a donné un résultat positif. Pour l’élevage B, la surveillance rapprochée de l’évolution du ratio du nombre de porcelets couchés sur le nombre total de porcelets dans la case a permis au vétérinaire d’intervenir au moment opportun pour la réalisation des prélèvements permettant une mise en évidence de la pathologie respiratoire.
Concernant l’élevage C, le début de la période 3 est déterminé à l’aide de la bibliographie concernant l’âge fréquent de détection de la clinique grippale récurrente en post sevrage, c’est-à-dire entre 5 et 8 semaines d’âge (Cador et al., “Maternally-derived antibodies do not prevent transmission of swine influenza A virus between pigs.” Veterinary Research 47, 86. 2016 a. ET “Maternally Derived Immunity Extends Swine Influenza A Virus Persistence within Farrow-to-Finish Pig Farms: Insights from a Stochastic Event-Driven Metapopulation Model.” PLoS One 11 (9) 2016 b.). Division of the post-weaning phase into three periods:
From the literature (Trombani et al., “Follow-up of the recurrent influenza clinic in post-weaning: interest of a real-time image analysis tool”, Proceedings of the annual congress of the AFMVP, 2019.) and observations made on pig farms, the presence phase of post-weaning piglets is divided into three periods:
-a period 1 lasting 10 days refers to the adaptation phase of post-weaning animals (Orgeur et al., “Behavioral consequences of ultra-early weaning in the Large-White piglet” Days of Porcine Research in France 30, 383-388. 1998.);
-a period 2 which is determined by default between the end of period 1 and the start of period 3, described below; and
-a period 3 which begins from the moment when the breeder or the veterinarian monitoring the breeding notices the presence of animals showing behavior that may evoke the expression of the pathology. This period ends on the day of entry into fattening. For farm A, a sample of oral fluids is taken on the day of the call in the four monitored pens by placing two ropes in each pen (one rope for 14 animals). Individual Influenza PCR is performed on the eight oral fluids in pools of two (each pool representing one box) and gave a positive result. For farm B, close monitoring of the evolution of the ratio of the number of piglets lying down to the total number of piglets in the pen enabled the veterinarian to intervene at the appropriate time to take samples allowing the identification of respiratory pathology.
Concerning farm C, the beginning of period 3 is determined using the bibliography concerning the frequent age of detection of the recurrent flu clinic in post-weaning, that is to say between 5 and 8 weeks of age. age (Cador et al., “Maternally-derived antibodies do not prevent transmission of swine influenza A virus between pigs.” Veterinary Research 47, 86. 2016 a. AND “Maternally Derived Immunity Extends Swine Influenza A Virus Persistence within Farrow-to -Finish Pig Farms: Insights from a Stochastic Event-Driven Metapopulation Model.” PLoS One 11 (9) 2016 b.).
Analyses statistiques :
La variable « ratio du nombre de porcelets couchés sur nombre total de porcelets de la case » est créée à partir du nombre d’individus couchés dans la zone prédéfinie sur le nombre d’animaux présents dans la case. Ce nombre d’individus est déterminé automatiquement pour chaque image par le logiciel d’analyse. Cette valeur permet de suivre avec plus de précision l’évolution du nombre d’individus couchés dans la zone d’intérêt prédéfinie.
Pour les analyses statistiques, une moyenne du « ratio du nombre de porcelets couchés sur le nombre total de porcelets dans la case » est calculée par case et par période.
La case constitue l’unité expérimentale. Les analyses statistiques ont été réalisées avec le logiciel R™ (version 3.6.0). Pour les élevages A et C, une analyse de la variance, connue sous l’abréviation anglaise : « ANOVA », est effectué sur mesures répétées et réalisée intra élevage, en prenant comme effet fixe le temps (les périodes) et comme effet aléatoire la case. Pour l’élevage B, les données ont également été traitées par ANOVA avec le temps (les périodes) comme effet fixe. Un test de Tukey (Cornillon et al., « Statistiques avec R », 2008) a ensuite permis de comparer les moyennes 2 à 2 entre périodes. Les résultats sont considérés comme significatifs à P < 0.05. Statistical analysis:
The variable “ratio of the number of piglets lying to the total number of piglets in the pen” is created from the number of individuals lying in the predefined area over the number of animals present in the pen. This number of individuals is determined automatically for each image by the analysis software. This value makes it possible to follow with more precision the evolution of the number of individuals lying in the predefined zone of interest.
For statistical analyses, an average of the “ratio of the number of piglets lying down to the total number of piglets in the pen” is calculated per pen and per period.
The cell constitutes the experimental unit. Statistical analyzes were performed with R™ software (version 3.6.0). For farms A and C, an analysis of variance, known by the English abbreviation: "ANOVA", is carried out on repeated measures and carried out within the farm, taking time (periods) as a fixed effect and time as a random effect. box. For farm B, the data were also treated by ANOVA with time (periods) as a fixed effect. A Tukey test (Cornillon et al., “Statistics with R”, 2008) was then used to compare the means 2 to 2 between periods. The results are considered significant at P < 0.05.
Résultats et discussionResults and discussion
Elevage A: Farm A :
Pour l’élevage A, les animaux ont manifesté un comportement pouvant évoquer l’expression de pathologie respiratoire à 7,5 semaines d’âge, ce qui est en adéquation avec la littérature (Cador et al., 2016 a et 2016 b).For farm A, the animals showed behavior that could evoke the expression of respiratory pathology at 7.5 weeks of age, which is in line with the literature (Cador et al., 2016 a and 2016 b).
[Tableau 2] décrit l’effet de la période sur le ratio « porcelets couchés dans la zone prédéfinie sur nombre total de porcelets dans la case » pour l’élevage A(1).[Table 2] describes the effect of the period on the ratio “piglets lying in the predefined area to total number of piglets in the pen” for farm A (1) .
(1) Moyennes brutes ;(2) Ratio du nombre de porcelets couchés sur nombre total de porcelets dans la case ;(3)ETR : Ecart-type résiduel ; les valeurs non suivies d’une même lettre sont différentes pour le test de Tukey. (1) Raw averages;(2) Ratio of the number of piglets lying down to the total number of piglets in the pen;(3)ETR: Residual standard deviation; values not followed by the same letter are different for the Tukey test.
Le traitement statistique montre une différence significative de la moyenne du ratio consistant en le nombre de porcelets couchés sur le nombre total d’animaux dans les cases entre la période 2, en absence présumé de signes cliniques, et la période 3 qui est caractérisée par la présence de la clinique grippale, comme cela est déduit du tableau 2, et de la
Elevage B: Farm B :
En ce qui concerne l’élevage B, la détection tardive des symptômes évocateurs de pathologie respiratoire par l’éleveur n’avait pas encore permis au vétérinaire de suivi de l’élevage d’établir un diagnostic de certitude de présence de grippe récurrente en post sevrage par la réalisation de prélèvements. Cependant, grâce à la mise de l’outil d’analyse d’image dans le cadre de cette étude, le vétérinaire, via le suivi quotidien du nombre de porcelets couchés dans la zone d’intérêt, a pu intervenir au moment adéquat pour confirmer la présence de grippe dans cet élevage.With regard to farm B, the late detection of symptoms suggestive of respiratory pathology by the breeder had not yet allowed the monitoring veterinarian of the farm to establish a definitive diagnosis of the presence of recurrent influenza in post weaning by taking samples. However, thanks to the implementation of the image analysis tool as part of this study, the veterinarian, via the daily monitoring of the number of piglets lying in the area of interest, was able to intervene at the right time to confirm the presence of influenza in this farm.
Pour cet élevage, les animaux ont manifesté un comportement pouvant évoquer l’expression de pathologie respiratoire à 5.5 semaines d’âge.For this farm, the animals showed behavior that could evoke the expression of respiratory pathology at 5.5 weeks of age.
[Tableau 3] décrit l’effet de la période sur le ratio « porcelets couchés dans la zone prédéfinie sur nombre total de porcelets dans la case » pour l’élevage B1.[Table 3] describes the effect of the period on the ratio “piglets lying in the predefined area to total number of piglets in the pen” for farm B 1 .
(1)Moyennes brutes ;(2)Ratio du nombre de porcelets couchés sur nombre total de porcelets dans la case ;(3)ETR : Ecart-type résiduel ; les valeurs non suivies d’une même lettre sont différentes pour le test de Tukey. (1) Raw averages; (2) Ratio of the number of piglets lying down to the total number of piglets in the pen; (3) ETR: Residual standard deviation; values not followed by the same letter are different for Tukey's test.
Le modèle statistique a également permis de mettre en évidence un effet de la période sur le « ratio du nombre porcelets couchés sur nombre total de porcelets dans la case ». Une augmentation significative de ce ratio est constatée entre la période 1, la période 2 et la période 3 (tableau 3,
Le système de surveillance selon l’invention a permis de détecter l’augmentation du nombre de porcs couchés au fil des jours pendant les trois périodes avec une augmentation particulière de ce nombre de porcelets couchés au moment où le vétérinaire a observé la clinique respiratoire.The monitoring system according to the invention made it possible to detect the increase in the number of pigs lying over the days during the three periods with a particular increase in this number of piglets lying at the time when the veterinarian observed the respiratory clinic.
Dans les élevages A et B, atteints par le virus de la Grippe, les animaux observés sont donc moins actifs pendant la phase d’activité de la période 3 et ont tendance à se coucher davantage aux extrémités de la case, possible conséquence de la clinique grippale.In farms A and B, affected by the Influenza virus, the animals observed are therefore less active during the activity phase of period 3 and tend to lie down more at the ends of the pen, a possible consequence of the clinical flu.
Elevage C: Farm C :
Pour l’élevage C, non concerné par de la clinique respiratoire en post sevrage, le modèle statistique n’a pas permis de mettre en évidence une augmentation du « ratio du nombre porcelets couchés sur nombre porcelets total » entre la période 1 et 3 ainsi qu’entre la période 1 et 2 contrairement à ce qui est constaté au niveau des élevages A et B, atteints par le virus de la Grippe.For farm C, not affected by the post-weaning respiratory clinic, the statistical model did not reveal an increase in the "ratio of the number of piglets lying to the total number of piglets" between period 1 and 3 as well as only between period 1 and 2 contrary to what is observed at the level of farms A and B, affected by the flu virus.
[Tableau 4] décrit l’effet de la période sur le ratio « porcelets couchés dans la zone prédéfinie sur nombre total de porcelets dans la case » pour l’élevage C1.[Table 4] describes the effect of the period on the ratio “piglets lying in the predefined area to total number of piglets in the pen” for farm C 1 .
(1)Moyennes brutes ;(2)Ratio du nombre de porcelets couchés sur nombre total de porcelets dans la case ;(3)ETR : Ecart-type résiduel ; les valeurs non suivies d’une même lettre sont différentes pour le test de Tukey. (1) Raw averages; (2) Ratio of the number of piglets lying down to the total number of piglets in the pen; (3) ETR: Residual standard deviation; values not followed by the same letter are different for Tukey's test.
Ainsi, à partir des données collectées et reportées dans le tableau 4 et la
Des seuils d’alertes sont paramétrés en fonction du ratio du nombre de porcelets couchés sur nombre total de porcelets dans une case. Le système de surveillance, lorsqu’il met en évidence le franchissement de l’un de ces seuils alerte les éleveurs en temps donnés sur une interface informatique dédiée (portable, tablette, smartphone, etc.).Alert thresholds are set according to the ratio of the number of piglets lying down to the total number of piglets in a pen. The monitoring system, when it highlights the crossing of one of these thresholds, alerts the breeders in given time on a dedicated computer interface (laptop, tablet, smartphone, etc.).
Claims (7)
a- sélection d’une séquence d’images collectées depuis la caméra (2) ;
b- intégrations des images dans une unité de stockage ;
c- analyse des images par une unité de traitement (6) intégrant un algorithme d’analyse d’images mettant en œuvre un réseau de neurones ;
d- calcul des barycentres des carrés des dessins obtenus par l’algorithme ; et
e- détermination du nombre d’animaux couchés.Method for monitoring sick animals, implementing the monitoring system according to any one of Claims 1 to 3, comprising the following steps:
a- selection of a sequence of images collected from the camera (2);
b- integration of images in a storage unit;
c- analysis of the images by a processing unit (6) integrating an image analysis algorithm implementing a neural network;
d—calculation of the barycenters of the squares of the drawings obtained by the algorithm; and
e- determination of the number of animals lying down.
Monitoring method according to claim 6, comprising a step h- of comparing the value obtained at e- or g- with a threshold value.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2100896 | 2021-01-29 | ||
| FR2100896A FR3119473A1 (en) | 2021-01-29 | 2021-01-29 | behavioral analysis system for animal husbandry |
| FR2101182 | 2021-02-08 | ||
| FR2101182A FR3119310A1 (en) | 2021-02-08 | 2021-02-08 | behavioral analysis system for animal husbandry |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3119309A1 true FR3119309A1 (en) | 2022-08-05 |
Family
ID=82655395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2101754A Pending FR3119309A1 (en) | 2021-01-29 | 2021-02-23 | behavioral analysis system for animal husbandry |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3119309A1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017161167A1 (en) | 2016-03-18 | 2017-09-21 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
| US20200125849A1 (en) * | 2018-10-17 | 2020-04-23 | Group Ro-Main Inc. | Monitoring Livestock |
| CN111783751A (en) * | 2020-08-19 | 2020-10-16 | 杨继猛 | Rifle ball linkage and BIM-based breeding house piglet abnormity early warning method |
-
2021
- 2021-02-23 FR FR2101754A patent/FR3119309A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017161167A1 (en) | 2016-03-18 | 2017-09-21 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
| US20200125849A1 (en) * | 2018-10-17 | 2020-04-23 | Group Ro-Main Inc. | Monitoring Livestock |
| CN111783751A (en) * | 2020-08-19 | 2020-10-16 | 杨继猛 | Rifle ball linkage and BIM-based breeding house piglet abnormity early warning method |
Non-Patent Citations (9)
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neethirajan | The role of sensors, big data and machine learning in modern animal farming | |
| WO2022162324A1 (en) | Behavioral analysis system for animal rearing | |
| Wurtz et al. | Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review | |
| Bjerge et al. | Real‐time insect tracking and monitoring with computer vision and deep learning | |
| Crowther et al. | An updated description of the A ustralian dingo (C anis dingo M eyer, 1793) | |
| McDowell et al. | Campylobacter spp. in conventional broiler flocks in Northern Ireland: epidemiology and risk factors | |
| Altwegg et al. | Nestboxes and immigration drive the growth of an urban Peregrine Falcon Falco peregrinus population | |
| Holman et al. | Comparison of oestrus detection methods in dairy cattle | |
| Becher et al. | Selective anthelmintic therapy of horses in the Federal states of Bavaria (Germany) and Salzburg (Austria): An investigation into strongyle egg shedding consistency | |
| Jori et al. | Transmission of foot and mouth disease at the wildlife/livestock interface of the Kruger National Park, South Africa: Can the risk be mitigated? | |
| Berckmans et al. | Animal sound… talks! Real-time sound analysis for health monitoring in livestock | |
| Lehikoinen et al. | Impacts of trichomonosis epidemics on Greenfinch Chloris chloris and Chaffinch Fringilla coelebs populations in Finland | |
| Duinhof et al. | Detection of PRRSV circulation in herds without clinical signs of PRRS: comparison of five age groups to assess the preferred age group and sample size | |
| Adriaens et al. | Milk losses and dynamics during perturbations in dairy cows differ with parity and lactation stage | |
| Höner et al. | The impact of a pathogenic bacterium on a social carnivore population | |
| Ockenden et al. | Animal hoarding in Victoria, Australia: an exploratory study | |
| Yoon et al. | Epidemiology of the foot‐and‐mouth disease serotype O epidemic of November 2010 to April 2011 in the Republic of Korea | |
| Angell et al. | Sheep and farm level factors associated with footrot: a longitudinal repeated cross‐sectional study of sheep on six farms in the UK | |
| CN108154100B (en) | Intelligent dosing device and method based on biological recognition technology | |
| Yang et al. | Farm level risk factors for bovine digital dermatitis in Taranaki, New Zealand: an analysis using a Bayesian hurdle model | |
| Backer et al. | Using mortality data for early detection of Classical Swine Fever in The Netherlands | |
| Hagenaars et al. | Estimation of foot and mouth disease transmission parameters, using outbreak data and transmission experiments | |
| Christensen et al. | A scenario tree model for the Canadian Notifiable Avian Influenza Surveillance System and its application to estimation of probability of freedom and sample size determination | |
| Beasley et al. | Evaluation of Rhodamine B as a biomarker for assessing bait acceptance in wild pigs | |
| Núñez‐Ávila et al. | Decomposing recruitment limitation for an avian‐dispersed rain forest tree in an anciently fragmented landscape |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20220805 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |