Exploiter l'apprentissage profond pour l'estimation automatisée de la morphométrie équine

• L'apprentissage profond permet l'estimation automatique de la conformation corporelle des chevaux. • Les réseaux de neurones convolutionnels prédisent les points clés anatomiques des chevaux. • La morphométrie basée sur les points clés atteint une précision au centimètre près. • L'apprentissage profond soutient l'évaluation objective et basée sur les données de la morphologie équine. La conformation corporelle joue un rôle fondamental dans la performance équine, la biomécanique, et la santé globale. Les évaluations morphométriques traditionnelles, basées sur des mesures manuelles et un scoring visuel, sont chronophages, subjectives et souvent impraticables dans des conditions de terrain. Dans cette étude, un cadre basé sur l'apprentissage profond a été développé pour estimer automatiquement les traits morphométriques des chevaux à partir d'images de profil. Deux ensembles de données ont été collectés : l'ensemble de données A, composé de 1 000 images standardisées utilisées pour entraîner des réseaux de neurones convolutionnels (CNN), et l'ensemble de données B, comprenant 106 images de terrain avec des mesures manuelles correspondantes utilisées pour les tests. Quatre architectures CNN (MobileNetV3-small-100, EfficientNet-B0, ResNet50, et HRNetW48) ont été évaluées pour la précision d'estimation des points clés. Chaque réseau a été entraîné pour prédire 16 repères anatomiques, permettant la reconstruction automatique des mesures corporelles linéaires. Pour tous les modèles, la précision moyenne a dépassé 0,9, démontrant une grande précision de localisation des points clés. ResNet50 a obtenu la meilleure performance globale, suivi de près par EfficientNet-B0, qui offrait un équilibre optimal entre précision et efficacité computationnelle, le rendant adapté au déploiement mobile. Les mesures corporelles reconstruites automatiquement ont donné une erreur absolue moyenne de 3,5 à 4 cm, les repères centraux montrant une stabilité plus élevée que les distaux. L'analyse de Procruste a confirmé que le CNN préservait la forme corporelle globale et la variabilité morphologique parmi les individus. À notre connaissance, ce travail représente l'une des premières applications à grande échelle des CNN à la morphométrie équine, fournissant un cadre robuste et évolutif pour l'évaluation objective de la conformation. Le système proposé permet des évaluations morphométriques automatisées, non invasives et applicables sur le terrain, soutenant l'élevage basé sur les données, le suivi des performances et l'évaluation du bien-être.