Pour parvenir à un diagnostic rapide, plusieurs méthodes et équipements de détection ont été étudiés, tels que le comptage des CCS, le California Mastitis Test (CMT) et le test du pH du lait. Cependant, ces méthodes nécessitent la mesure de composants physico-chimiques dans des échantillons de lait de vache à l'aide d'instruments spécialisés dans des conditions environnementales strictes, et le processus opérationnel global est long et coûteux.

La technologie de thermographie infrarouge (IRT) est une méthode non invasive et non destructive de mesure de la température corporelle, qui a été utilisée par de nombreux chercheurs comme outil de diagnostic physiologique et pathologique. Toutefois, la précision moyenne de détection de la mammite a été faible dans les études précédentes.

Cependant, ces dernières années, avec le développement rapide de l'apprentissage profond (Deep Learning) dans les systèmes de vision artificielle, les réseaux neuronaux convolutifs ont rencontré un grand succès dans les scénarios de détection d'objectifs complexes.

Pour répondre à ces défis, un groupe de chercheurs chinois a développé l'algorithme de segmentation sémantique CLE-UNet (Centroid Loss Ellipticization UNet), qui intègre la technologie infrarouge et les réseaux neuronaux convolutifs.

L'objet expérimental de cet article était un groupe de 180 vaches Holstein en lactation, sur lesquelles l'étude a été réalisée. En comparaison avec le comptage des cellules somatiques, la nouvelle méthode a atteint une précision et une sensibilité de 86,67 % et 82,35 %, respectivement, pour détecter la mammite chez ces vaches laitières.

Face à ces résultats, les auteurs expliquent que, bien que l'étude ait montré des résultats prometteurs dans l'utilisation des données infrarouges thermiques pour la détection de la mammite, « nous reconnaissons qu'il est nécessaire d'apporter davantage d'améliorations pour exploiter pleinement le potentiel de cette méthode ». Des facteurs tels que la couleur de la peau, la couverture de fumier et la pilosité « peuvent affecter la précision et la fiabilité des résultats thermographiques et, par conséquent, doivent être pris en compte pour améliorer l'efficacité de la méthode ».

Cependant, « notre étude représente un pas important vers une détection de la mammite plus efficace et plus efficiente chez les vaches laitières, ce qui pourrait en fin de compte conduire à une meilleure santé animale et à une meilleure production laitière ».

En conclusion, l'utilisation innovante de l'algorithme CLE-UNet « a considérablement amélioré la précision et a prouvé qu'il s'agissait d'un outil efficace pour détecter avec précision la mammite chez les vaches », se réjouissent les auteurs.