En 2026, une équipe de l'Université Dalhousie (Nouvelle-Écosse, Canada) publie des résultats préliminaires sur l'utilisation de l'intelligence artificielle pour interpréter les meuglements des vaches, avec pour ambition d'améliorer la surveillance sanitaire et le bien‑être en élevage. 26 000 heures enregistrées constituent la base de données initiale, extraite de capteurs vocaux placés sur le cou des animaux pour capter fréquences, amplitudes et profils temporels des vocalisations. Le professeur Ghader Manafiazar, responsable du Centre des animaux ruminants, indique que l'objectif est de savoir si des motifs vocaux cohérents peuvent être reliés à des états physiologiques ou comportementaux précis et reproductibles en élevage.
Méthode
Quarante vaches ont été équipées d'un microphone pendant une période étendue autour du vêlage afin d'observer les variations avant et après cet événement clé. Les enregistrements ont été traités pour extraire des caractéristiques acoustiques puis analysés par des modèles d'apprentissage automatique afin de détecter des motifs et d'identifier des signaux associés à l'œstrus, au stress ou à des changements physiologiques. « Ces enregistrements ont été traités afin d’en extraire des caractéristiques acoustiques, notamment la fréquence, l’amplitude et les caractéristiques temporelles », explique le professeur Manafiazar, qui détaille l'approche multi‑capteur et algorithmique adoptée.
Les premiers résultats montrent que des motifs vocaux distincts peuvent être associés à différents états des animaux, ce qui ouvre la voie à des alertes automatiques sur le plancher de l'étable. 40 vaches équipées et l'analyse comparative avant/après vêlage ont permis de repérer des variations significatives qui restent à expliquer par des causes physiologiques ou comportementales. L'étude cherche notamment à déterminer si ces changements sont liés à l'œstrus, au cycle reproductif ou à des différences d'efficacité alimentaire observées entre animaux plus ou moins performants.
Les applications pratiques sont multiples pour la filière laitière, notamment la détection précoce de troubles de santé, l'identification des chaleurs et le suivi du bien‑être sans intervention invasive. Les auteurs estiment que ces outils pourraient réduire les coûts d'exploitation en améliorant le suivi individuel et en orientant les interventions vétérinaires de manière plus ciblée. Le professeur souligne l'intérêt de coupler ces signaux vocaux à d'autres données de ferme (alimentation, production, activité) pour augmenter la robustesse des diagnostics.
Pour la phase suivante, l'équipe prévoit d'élargir l'échantillon et de valider les modèles dans des contextes variés afin d'identifier les causes des variations vocales et d'améliorer la généralisation des outils. 28 jours de suivi autour du vêlage serviront de référence pour calibrer les prochains tests et évaluer la vitesse de retour à une « voix » normale après l'événement physiologique. Les chercheurs insistent sur la nécessité d'obtenir davantage d'observations étiquetées par des vétérinaires pour rendre les algorithmes exploitables en conditions commerciales.
Ces travaux canadiens suscitent un réel intérêt en Europe et auprès des éleveurs français, qui cherchent des solutions de surveillance non invasives pour la santé de leurs troupeaux et la conformité aux exigences de bien‑être animal. Le transfert technologique exigera des validations locales, mais l'approche illustre le potentiel de l'IA et des capteurs acoustiques pour moderniser la gestion des élevages bovins.
Photo - www.laterre.ca
