Une IA de l’Inrae pour mieux repérer l’inconfort des chevaux en compétition

Un cheval ne peut pas verbaliser une douleur, une peur ou une gêne. En compétition, où l’animal est soumis à un environnement inhabituel, à l’effort et à l’attention du public, repérer ces signaux avec justesse est donc un enjeu central. Des éthologues de l’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement, l’Inrae, proposent une piste technologique : une intelligence artificielle qui analyse des photographies et des vidéos pour identifier des indices d’inconfort.

Présenté au 17 mai 2025, ce travail ne prétend pas lire les pensées des chevaux ni établir un diagnostic vétérinaire à partir d’une image. Son ambition est plus précise : fournir une mesure supplémentaire, fondée sur l’observation des expressions faciales, pour mieux apprécier l’état de l’animal pendant ou après une épreuve. L’outil développé par l’équipe dirigée par Léa Lansade affiche une précision annoncée d’environ 90 % dans la détection de l’inconfort sur les contenus visuels évalués.

Comment l’IA apprend-elle à reconnaître l’inconfort d’un cheval ?

Le dispositif repose sur une méthode d’apprentissage automatique. Le principe est celui d’un entraînement à partir d’images annotées : des photographies de chevaux sont associées à des indications permettant de distinguer des manifestations considérées comme compatibles avec le confort ou l’inconfort. Le programme cherche ensuite des régularités visuelles dans ces exemples afin de les reconnaître sur de nouvelles photos ou séquences vidéo.

Cette logique est très différente d’une simple caméra qui enregistrerait une compétition. L’image constitue la matière première, mais l’algorithme dépend des annotations qui lui ont servi de référence. Autrement dit, l’IA n’invente pas seule une définition du bien-être : elle apprend à reproduire, à partir de caractéristiques visuelles, une grille d’interprétation construite par les chercheurs.

Dans le projet de l’Inrae, l’attention porte en particulier sur les expressions de la tête. Selon les résultats rapportés, elles apportent des informations plus fiables sur le bien-être d’un cheval que la seule lecture de sa posture corporelle. Cette distinction compte : une posture peut être liée à la discipline, au mouvement demandé ou au moment précis où l’image a été prise. Les mouvements et expressions de la tête offrent, eux, une autre voie pour étudier le ressenti de l’animal.

Pourquoi les expressions faciales sont-elles au cœur de la recherche ?

L’étude des émotions animales progresse à mesure que les chercheurs disposent d’outils d’observation plus précis. Les travaux antérieurs avaient notamment montré que les chevaux pouvaient percevoir les émotions humaines. Comprendre avec la même finesse ce que les chevaux expriment reste toutefois difficile, car il faut éviter de projeter sur eux des réactions humaines ou de tirer une conclusion à partir d’un seul comportement isolé.

L’approche de l’Inrae cherche justement à réduire cette part de subjectivité. Observer un cheval à l’œil nu demeure indispensable, mais deux personnes peuvent ne pas retenir les mêmes détails ou ne pas interpréter une expression de la même façon. Un système entraîné sur un ensemble d’images annotées peut appliquer les mêmes critères à chaque image. Il offre ainsi un cadre de comparaison plus constant, susceptible d’aider les chercheurs et, à terme, les acteurs de la filière équestre.

Il faut cependant distinguer deux niveaux. Une expression observable est un signal extérieur. L’émotion ou l’inconfort ressenti par l’animal est une réalité plus complexe, qui doit être interprétée dans son contexte : nature de l’épreuve, durée de l’effort, comportement habituel du cheval, état physique et observations réalisées sur le terrain. L’intérêt de l’IA est de repérer et de quantifier des éléments visuels, pas de remplacer cette mise en contexte.

La méthode FACS, un langage détaillé des mouvements du visage

Pour enrichir l’algorithme, l’équipe prévoit d’intégrer davantage de données sur les expressions faciales issues d’études antérieures. Elle envisage aussi d’appliquer aux équidés la méthode FACS, pour Facial Action Coding System, un système de codage des actions faciales.

L’idée consiste à décrire minutieusement les mouvements anatomiques observables au niveau de la tête. Plutôt que de résumer une image par une impression globale, la méthode décompose les actions faciales. Ce codage très détaillé peut aider à constituer des données plus structurées pour l’entraînement d’un modèle d’intelligence artificielle.

Dans le cas des chevaux, ce travail répond à une difficulté essentielle : les animaux ne s’expriment pas selon les codes humains. Une méthode adaptée aux équidés doit donc partir de leurs propres mouvements et de leurs propres manifestations comportementales. À terme, l’ajout de ces données pourrait améliorer la capacité du programme à relier certains changements visibles à des situations de confort ou d’inconfort.

Cette étape est aussi importante pour la rigueur scientifique. Plus les critères d’annotation sont clairement définis, plus il devient possible de comparer les observations entre études ou entre situations. L’IA peut ensuite traiter un volume d’images bien plus important qu’un observateur isolé, tout en appliquant systématiquement les mêmes règles d’analyse.

Que veut dire une précision d’environ 90 % ?

Le chiffre de 90 % est prometteur, mais il doit être lu avec méthode. Dans ce projet, il correspond au niveau de précision annoncé pour détecter l’inconfort sur les photographies et vidéos étudiées. C’est un indicateur de performance de l’outil, pas une garantie que chaque cheval, dans chaque compétition et sous toutes les conditions de prise de vue, sera interprété sans erreur.

Pour apprécier pleinement un outil de ce type, plusieurs informations sont habituellement déterminantes : la diversité des chevaux représentés dans les données, les conditions dans lesquelles les images ont été prises, la qualité des annotations, ainsi que la capacité du modèle à conserver ses performances face à des situations nouvelles. Les éléments présentés ne détaillent pas ces paramètres. Il serait donc prématuré de transformer ce résultat en promesse de surveillance infaillible.

L’enjeu est particulièrement sensible lorsqu’il s’agit de bien-être animal. Une alerte algorithmique doit conduire à regarder plus attentivement une situation, et non à prononcer automatiquement une sanction ou un diagnostic. Inversement, l’absence d’alerte ne doit pas empêcher un cavalier, un soigneur, un juge ou un vétérinaire d’intervenir s’il constate un problème.

En compétition, un outil pour objectiver un débat sensible

Les sports équestres sont confrontés à une attente sociale grandissante concernant les conditions de vie, de préparation et de compétition des chevaux. Les cas de maltraitance largement médiatisés lors des Jeux olympiques de Tokyo ont renforcé les interrogations sur le traitement des animaux engagés dans les épreuves.

Dans ce contexte, disposer d’indicateurs plus objectivés peut contribuer à sortir d’oppositions trop simples entre défenseurs et détracteurs de la compétition. Vincent Boureau, vice-président de l’Association vétérinaire équine française, a souligné l’importance de ces recherches pour objectiver la question du bien-être équin.

L’outil de l’Inrae ne change pas à lui seul les règles de l’équitation. Il peut en revanche nourrir une démarche plus documentée : mieux identifier les situations qui méritent une attention, mieux former les personnes chargées d’observer les animaux et mieux évaluer l’effet de certaines pratiques. Son intérêt potentiel dépasse donc la seule recherche de performance. Un cheval dont l’inconfort est repéré plus tôt peut aussi faire l’objet d’une prise en charge plus adaptée.

Le projet est financé par le fonds Equiaction de la Fédération française d’équitation. Ce soutien illustre l’importance prise par le bien-être animal dans la filière. Pour être utile et accepté, une telle technologie devra néanmoins être intégrée à des procédures transparentes, avec des règles claires sur la manière dont les résultats sont interprétés et utilisés.

Une surveillance en temps réel est-elle déjà possible ?

Les photographies et les vidéos permettent en théorie une analyse rapide, voire automatisée, une fois le modèle entraîné. Mais les éléments présentés décrivent avant tout un outil d’analyse d’images et évoquent une perspective d’optimisation vers un suivi en temps réel. À ce stade, il ne faut donc pas confondre potentiel technique et déploiement opérationnel dans les compétitions.

La différence est importante. Pour surveiller une épreuve en direct, il faudrait notamment garantir une captation suffisamment nette, sous des angles adaptés, malgré les mouvements rapides et les variations de luminosité. Il faudrait aussi définir qui reçoit une éventuelle alerte, qui la vérifie et quelle décision peut être prise. Dans un environnement sportif, ces questions techniques et organisationnelles sont aussi importantes que l’algorithme lui-même.

L’usage le plus immédiat peut être l’analyse a posteriori. Des images collectées pendant une épreuve pourraient aider à réexaminer certains moments, à comparer des situations ou à enrichir les données de recherche. Dans tous les cas, la présence d’observateurs formés reste nécessaire pour confronter ce que l’IA détecte à l’état réel du cheval.

Ce qu’il faut surveiller pour la suite

La prochaine étape annoncée par l’équipe de l’Inrae consiste à intégrer davantage de données sur les expressions faciales et à s’appuyer sur un codage FACS adapté aux chevaux. L’amélioration du programme dépendra directement de la qualité, de la variété et de la pertinence de ces données. Un modèle robuste devra être capable d’analyser des chevaux différents, dans diverses disciplines et dans des conditions de compétition variées.

La recherche devra également préciser la place exacte de l’outil dans la décision. Sera-t-il utilisé pour la recherche, la formation, l’accompagnement des cavaliers, l’appui aux vétérinaires ou le contrôle des compétitions ? Ces usages n’impliquent pas les mêmes règles ni le même niveau d’exigence. Plus une IA pèse sur une décision concernant un animal et les personnes qui l’entourent, plus ses résultats doivent être compréhensibles et vérifiables.

Enfin, le succès de cette technologie se mesurera moins à la sophistication de son algorithme qu’à son effet concret sur le bien-être des chevaux. Si elle aide à détecter plus tôt des situations préoccupantes, à améliorer les pratiques et à alimenter un dialogue fondé sur des observations fiables, elle pourra devenir un outil utile pour toute la filière équestre.