La base documentaire de l'IFIP

La base documentaire de l'IFIP : des centaines de documents à télécharger ou bien à commander.

Résultats 1 à 9 de 9 résultats
Rechercher une documentation
Publication Annéetrier par ordre croissant

Early disease detection for weaned piglet based on live weight, feeding and drinking behaviour

Consulter le resumé

Michel Marcon et al., The European Conference on Precision Livestock Farming (ECPLF), 26-29 août 2019, Cork, Irlande, poster

Reduce antibiotic use is a major issue for pigs production because of World Health Organization recommendations and meat consumers concerns.
In order to reduce the needs of medication, one way is the early individual disease detection for isolate and treat only the sick animal. The subclinical
symptoms with the feeding and drinking behaviour can have a diagnostic value. A first automatic warning system has been built based on a statistic model who use data from automatic feeders, connected bowl drinker and connected scale.

PDF icon Michel Marcon et al., The European Conference on Precision Livestock Farming (ECPLF), 26-29 août 2019, Cork, Irlande, poster
2019

Early disease detection for weaned piglet based on live weight, feeding and drinking behaviour

Consulter le resumé

Michel Marcon et al., 70th Annual Meeting of the European Federation Animal Science (EAAP), 26-30 août 2019, Ghent, Belgique, p. 547

Early disease detection is one of the key to effective disease control in farms and reducing antibiotics usage. A batch of 153 weaned piglets was used to test a first machine learning algorithm in order to predict the individual health state of each animal. In order to build the early disease detection algorithm, nine boxes of 17 piglets has been set up with automata. In real time within this section we knew the number of times each animal went to the drinker or the feeder, the quantity of water and feed it took and its weight. As the golden standard to know either a piglet seems healthy or not, the clinical signs will be observed by trained operators on each pig every workday and recorded on a standardized grid (diarrhoea, cough, lameness…). Then, data collected from this batch of 153 piglets were used to create an algorithm with the software R, based on bagging and random forest machine-learning method. The database was split into learning (70%) and testing (30%). We obtained a global success of 86% of good prediction. 
In order to validate the accuracy of the model, a second batch of 153 piglets was used. Every day, a list of predicted sick pigs was printed automatically, indicating the individual identification of the animal, and its pen. Then, the results of these predictions were compared with the golden standard (observations of clinical signs by trained operators). Out of 3,437 observations (including predictions that the piglet is not sick), the algorithm correctly predicted the status of the piglets 2,462 times. Artificial intelligence has made 72% of good predictions. Regarding the true positive results, 96 alerts out of 117 were actually associated with observations of animals suffering mainly
from diarrhoea within two days (82% of success). Now, the aim is to improve this algorithm in different ways: to test accelerometers to check the activity of each piglet; to be more accurate on recording cough by a microphone (SOMO, Soundtalks); to test if some trajectories of behavioural change are linked to specific diseases (lameness, digestive or respiratory disease) and not only to generic disease. These studies will be part of the Healthylivestock project (EC funded H2020 research project).

PDF icon Mchel Marcon et al., 70th EAAP, 26-30 août 2019, Ghent, Belgique, p. 547
2019

Modélisation de l'évolution moyenne du poids vif après la mise bas selon l'âge chez des truies croisées Large White x Landrace

Consulter le resumé

51es Journées de la Recherche Porcine, 5 et 6 février 2019, Paris, p. 123-128, par Nathalie Quiniou

Le rang de portée et l'épaisseur de lard dorsal au début de la gestation sont deux critères utilisés par de nombreux éleveurs pour grouper les truies et choisir le niveau de rationnement appliqué à l'échelle de la case ou de l'individu. Ignorer la variabilité du poids vif et de l'âge à un rang de portée donné peut induire un accroissement de l’hétérogénéité dans l'état des réserves entre truies d’une même bande. Mieux ajuster la ration à la dynamique des changements de poids au cours de la carrière de la truie implique de peser les truies et de définir l’objectif de poids vif en fin de gestation en fonction de l'âge. A partir des données obtenues en station expérimentale sur 90 truies Large White x Landrace, nées entre 2012 et 2015 et suivies sur au moins six cycles, plusieurs modèles de croissance sont étudiés pour modéliser l’évolution du poids après la mise bas (PV) en fonction de l’âge (t). La précision de prédiction (hors primipares) est environ de 15 kg quand le poids (P1i) et l’âge (t1i) individuel à la première mise bas sont pris en compte (e.g. modèle de Weibull : P1i + (326,3 – P1i)(1 - exp(-(2,288/1000 x (t – t1i))1,041))) contre environ 16 kg quand ce n'est pas le cas (e.g. modèle de Brody : 331,4 x (1 - 0,821 x exp(-2,121/1000t))). L’évaluation de ces équations à partir de trois autres jeux de données obtenues dans le même élevage indique une évolution du PV avec l'âge similaire à celle du jeu initial. Le calibrage d’un modèle adapté à chaque élevage de production sera possible dans un futur proche dès lors que les truies seront pesées avec des bascules automatiques, développées dans une optique d’élevage de précision.

Modelling the relationship between body weight and age at farrowing in Large White x Landrace sow

Parity and backfat thickness are frequently used by farmers to group gestating sows and thereafter choose a feeding plan at the pen- or individual-scale. At a given parity, ignoring differences in body weight with age contributes to the increase in variability of body reserves at farrowing. Therefore, improving the adequacy of the feed allowance relies on better knowledge of the dynamic change in body weight over the productive lifetime. Data collected routinely on an experiment station from 90 crossbred Large White x Landrace sows were used to characterise the relationship between individual age (t) and body weight after farrowing (BW). Sows were born from 2012-2015 and studied over at least six parities. Accuracy of the prediction (without primiparous sows) was around 15 kg when the individual BW (P1i) and age (t1i) at first parity were considered (e.g., Weibull model: P1i + (326.3 – P1i)(1 - exp(-(2.288/1000 x (t – t1i))1.041))), otherwise 16 kg (e.g., Brody model : 331.4 x (1 – 0.821 exp(-2.121/1000t))). Models were evaluated using three other datasets obtained within the same herd from sows born over a period of 12 years. Relationships between BW and age obtained from these datasets were relatively similar to those of the initial dataset. It appeared that the more homogeneous the herd was, the more accurate was the prediction. Calibration of such models for a commercial herd should be possible in the near future from automatic BW measurement, using tools developed in the context of precision farming.

2019

Prédiction en temps réel du poids vif des porcs en croissance logés en groupe à partir des pesées quotidiennes réalisées avec une bascule automatique

Consulter le resumé

51es Journées de la Recherche Porcine, 5 et 6 février 2019, Paris, p. 153-154, par Nathalie Quiniou et al., poster

Poster. 

La mise en oeuvre de l’alimentation de précision chez le porc consiste à adapter quotidiennement l’apport de nutriments en fonction des besoins nutritionnels de chaque animal au sein du groupe. Dans un contexte où les animaux sont rationnés, la quantité d’aliment distribuée dépend étroitement des spécificités du plan de rationnement, qui peut intégrer certaines caractéristiques individuelles, par exemple le poids de chaque porc à l’entrée en engraissement pour fixer la ration initiale ou le sexe pour fixer le plafond d’alimentation.
Dans le même temps, la qualité de l’aliment apporté peut être modulée de façon dynamique, par exemple au regard de la teneur en acides aminés, selon le poids atteint chaque jour par le porc (qui détermine le besoin d’entretien) et la variation de poids quotidienne (qui détermine le besoin de croissance). Le système d’alimentation de précision développé dans le cadre du projet européen H2020 Feed-a-Gene intègre à la fois des distributeurs de granulés, une bascule automatique et un logiciel de pilotage (OAD) qui s’appuie sur les données historiques de chaque porc pour prédire ses caractéristiques pondérales le lendemain et modéliser les besoins en acides aminés associés.
L’objectif de l’étude est d’évaluer la pertinence des prédictions de poids réalisées par cet outil tout au long de l’engraissement selon le porc, voire selon la séquence alimentaire appliquée à chaque animal qui est susceptible d’influencer son gain de poids.

Real-time prediction of individual body weight of group-housed growing pigs from daily measurements with an automatic weighing scale

Precision feeding is a promising strategy to improve the efficiency of resource use by improving the adequacy between nutrient supplies and animal requirements. Technologies that identify each pig within a group (RFID ear tags), weighs it automatically and mixes different diets to adapt the quality of the feed ration on an individual and daily basis (precision feeders) were combined in a decision support system developed in the H2020 Feed-a-Gene project. It also includes a conceptual model to estimate nutritional requirements that relies on prediction of body weight (BW) and BW gain. These day D+1 criteria must be predicted from daily and individual measurements of BW performed up to day D on growing pigs group-housed in a pen equipped with an automatic weighing scale. The BW predicted with the Holt-Winters’ double exponential smoothing model (HWα, with the smoothing parameter α set at 0.6) were compared to measurements performed over at least 97 days on two groups of 96 pigs. From the 85 and 83 individual growth curves available, the slope of the regression between mean measured and predicted BW averaged 0.98 (R² = 0.99). Based on 9080 and 7662 measured BW available (respectively in each group), mean daily RMSEP regularly varies over time around 4-5% (without any particular event during the trial). Consequently, the accuracy of the prediction method was considered to meet expectations.

2019

Prédiction en temps réel du poids vif des porcs en croissance logés en groupe à partir des pesées quotidiennes réalisées avec une bascule automatique

Consulter le resumé

Poster présenté par Nathalie Quiniou et al., aux 51es Journées de la Recherche Porcine, 5 et 6 février 2019

Ajuster chaque jour les apports en acides aminés (AA) au besoin de chaque animal estl’un des objectifs de l’alimentation de précision. Au delà d’une réduction des coûts alimentaires, cette approche permet d’envisager une utilisation des ressources plus efficace et un impact environnemental moindre des production sanimales.

PDF icon Nathalie Quiniou et al., 51e JRP, 5 et 6 février 2019, poster
2019

Quelle réduction du rejet de zinc la 3-phytase microbienne permet-elle chez le porc à partir de 10 kg de poids vif ?

Consulter le resumé

L’incidence zootechnique et environnementale de la réduction du zinc alimentaire en relation avec l’apport de 3-phytase microbienne est étudiée sur 379 porcelets et 160 porcs charcutiers. Les teneurs en zinc des aliments sont déterminées en utilisant l’équivalence de 23, 32 et 40 mg de zinc sous forme de sulfate pour respectivement 280, 500 et 750 FTU établie sur le porcelet sevré. Cette équivalence est utilisée en engraissement en adoptant une marge de sécurité de 20 %.
PDF icon Quelle réduction du rejet de zinc la 3-phytase microbienne permet-elle chez le porc à partir de 10 kg de poids vif ?
2006

Au-delà de 130 kg de poids vif, maintien des performances

Consulter le resumé

2004

Influence de l'élévation de la température ambiante et du poids vif sur le comportement alimentaire des porcs en croissance élévés en groupe

Consulter le resumé

Le comportement alimentaire individuel de porcs en croissance issus d'un croisement Piétrain x Large White est étudié à partir de groupes de 3 ou 4 porcs à deux stades de croissance (S1 et S2) correspondant respectivement à des poids moyens de 49 et 75 kg. Pendant chaque stade, les porcs sont soumis à des températures variant par paliers de 19 à 29°C et de 29 à 19°C; la température est maintenue constante pendant 3 ou 4 jours consécutifs aux paliers suivants: 19, 22, 25, 27 ou 29°C.
PDF icon Influence de l'élévation de la température ambiante et du poids vif sur le comportement alimentaire des porcs en croissance élévés en groupe
1998

Prédiction de la composition chimique des truies reproductrices à partir du poids vif et de l’épaisseur de lard dorsal. Application à la définition des besoins énergétiques

Consulter le resumé

Des équations de prédiction de la composition chimique ont été déterminées à partir de résultats de dissections et d’analyses chimiques de truies reproductrices primipares et multipares, à différents stades physiologiques (saillie, mise bas, sevrage). Au total, 189 truies ont été disséquées et 23 d’entre elles ont été analysées chimiquement. Les équations ont été calculées par la technique de la double régression, le poids vif vide (PVV, kg) et l’épaisseur de lard dorsal (P2, mm) étant utilisés pour prédire la composition chimique.

PDF icon Prédiction de la composition chimique des truies reproductrices à partir du poids vif et de l’épaisseur de lard dorsal. Application à la définition des besoins énergétiques
1997