L’IA peut reconnaitre le mode d'élevage des agneaux

Pour la première fois, des chercheurs d’Inrae ont utilisé des algorithmes d’IA pour authentifier le mode d’élevage d’agneaux, en pâturage ou en bergerie. Ce projet, porté par Sophie Prache, ingénieure de recherche Inrae et Lucille Rey-Cadilhac, chargée de recherche Inrae, a duré trois ans au sein de l’UMR Herbivores à Clermont-Ferrand. Leurs résultats ont été publiés dans la revue Meat Science le 14 mai 2025. 

Pendant le projet, les chercheuses ont analysé environ 35 carcasses d’agneaux de race Romane dans chacune des quatre catégories de l’étude : nourris en bergerie uniquement, ou bien à l’herbe pendant 21 jours, pendant 42 jours ou pendant 63 jours avant abattage à l’âge de 5 mois. Elles ont mesuré « 19 variables sur différents tissus accessibles à l’abattoir (gras périrénal), ou au point de vente (gras dorsal, muscle long dorsal) », explique le communiqué d’Inrae publié le 11 septembre 2025. Les chercheuses ont évalué l’efficacité de deux types d’algorithmes de machine learning : les arbres de décision (1) et le random forest (2). 

Lire aussi : Un casque de réalité virtuelle pour faciliter la découpe de viande

Dans leurs conclusions, les chercheuses notent que les algorithmes ont atteint une « précision allant jusqu’à 95% d’agneaux bien classés » pour les deux variables se démarquant nettement, les teneurs en scatol et en pigments caroténoïdes du gras périrénal. Ce modèle, conçu pour être utilisé à l’abattoir, a fait preuve d’une efficacité élevée. Mais le gras périrénal étant enlevé avant d’arriver au point de vente, les chercheuses ont donc conçu un modèle dédié, basé sur les caractéristiques colorimétriques du gras dorsal et du muscle. Ce modèle « a permis d’atteindre une précision de 85 % », selon le communiqué. 

Un modèle adapté au moment du contrôle 

« La méthodologie est innovante », souligne Sophie Prache. « Nous donnons aux utilisateurs l’information pertinente selon qu’ils fassent la mesure à l’abattoir ou en point de vente. Pour limiter la fraude, il ne faut pas travailler avec un seul indicateur. Ce qui compte est non seulement la facilité d’accès aux morceaux, mais aussi la facilité de la mesure avec des outils accessibles en dehors des laboratoires. » 

Même si l’IA arrive plutôt à distinguer les agneaux nourris à l’herbe de ceux élevés en bergerie, elle n’arrive pas à distinguer la durée de pâturage. « Il y a une signature du pâturage, mais on ne sait pas à partir de combien de jours elle apparait », note Lucille Rey-Cadilhac. 

Lire aussi : Exoscarne, une solution pour réduire la pénibilité dans le secteur de l’abattage découpe

Pour Sophie Prache, « il faut continuer ce travail, car il y a un espoir d’arriver à authentifier la durée de pâturage des animaux. Il faudrait incorporer des variables comme la composition en acides gras de la viande, qui permettrait d’améliorer la fiabilité. » D’après sa collègue Lucille Rey-Cadilhac, « incorporer d’autres pratiques d’élevage permettrait de vérifier que nos conclusions sont valables avec d’autres types de pâturage ou d’autres races d’agneaux. » 

(1) Ce modèle ressemble à un organigramme. En allant de question en question, on navigue sur les branches jusqu’à arriver à la décision finale. 

(2) C’est un ensemble de plusieurs arbres de décision, chacun reposant sur un échantillon aléatoire de données. Permet un modèle plus robuste et plus précis, mais moins facilement interprétable.