Le projet Meat@ppli a pour objet le développement d’une application smartphone permettant d’estimer en temps réel, la quantité de gras d’une pièce de viande bovine, à partir d’une photo réalisée avec un smartphone. Cet outil sera utilisable par tous les maillons de la filière : pour faire du phénotypage massif et sélectionner les animaux de demain, pour trier les carcasses en fonction des circuits commerciaux, pour guider le consommateur dans ses achats de viande…

1. Webinaire
Meat@ppli
29 juin 2021
Application smartphone
pour déterminer la teneur en gras
de la viande bovine en temps réel

2. Le projet Meat@ppli
• Un projet CASDAR de Recherche Technologique
• Un projet pluriannuel : janvier 2017 à juin 2021
• Un projet multi-partenarial
• Les objectifs :
• Mettre au point une application smartphone pour estimer
en temps réel la teneur en gras d’un morceau de viande
bovine à partir de sa photo, au stade de la carcasse
comme à celui du morceau tranché
• Disposer d’un outil facilement utilisable, fiable,
économe et non destructif
Webinaire Meat@ppli 2
29 juin 2021

3. Programme du webinaire
9h40 Le persillé dans la viande bovine : un gras essentiel
pour la qualité des produits
• Piloter le gras des carcasses et de la viande bovine : une
nécessité
• Perception du persillé par les consommateurs
• Pourquoi et comment mesurer le gras dans la viande
bovine ?
10h10 Le projet Meat@ppli, ou comment développer des
outils d’analyse d’images en temps réel pour évaluer
la teneur en gras d’une viande bovine
• Choix des équipements de prise de vue
• Une méthode d’analyse d’image semi-automatique à partir
d’outils informatiques en libre-accès
Webinaire Meat@ppli 3
29 juin 2021

4. Programme du webinaire
10h40 Pause 10h50
• Développement d’un réseau de neurones pour une analyse
d’image automatisée
11h15 Démonstration de l’application développée dans le
cadre du projet Meat@ppli
• Comment passer d’un outil d’analyse complexe à une
application smartphone ?
• Vidéo de présentation de l’application Meat@ppli
11h35 Intérêt des outils de monitoring du persillé pour les
professionnels de la filière viande bovine
Webinaire Meat@ppli 4
29 juin 2021
10h50

5. Une question pour se
présenter !
5

6. Le persillé dans la viande bovine :
un gras essentiel pour la qualité
des produits
Jérôme NORMAND
Institut de l’Élevage
Service Qualité des Carcasses et des Viandes

7. Pourquoi parler du gras de la viande
bovine ?
• Pour des raisons nutritionnelles et de santé
humaine
• Sensibilité croissante des consommateurs à la valeur santé
des aliments
• Image négative des lipides de la viande bovine
• Pour des raisons organoleptiques
• Rebute à l’achat
• Déception à la consommation
• Réputation des viandes étrangères
• Pour des raisons économiques
• Problématique des rendements
• Gaspillage d’énergie (alimentation animale)
Le persillé dans la viande bovine 7
29 juin 2021

8. Piloter le gras des carcasses et de la
viande bovine : une nécessité
• Un impact majeur du gras pour tous les maillons
de la filière
• Pour l’éleveur, rémunéré en fonction de l’état
d’engraissement de la carcasse
• Pour l’abatteur/transformateur qui doit obtenir le
meilleur rendement de découpe et qui oriente ses produits
vers les circuits de valorisation les plus adaptés
• Pour le consommateur, à la recherche d’une viande
goûteuse mais peu grasse
 Le gras est donc un critère de différenciation clé
de la valorisation d’une carcasse ou d’une viande
Le persillé dans la viande bovine 8
29 juin 2021

9. Les différents gras du bovin
Le persillé dans la viande bovine 9
29 juin 2021
Gras internes
Entourant les abats
Péritonéaux
Péricardiques
Mésentériques
Périrénaux = de rognons
Tapissant les cavités
Pelvienne = gras de bassin
Thoracique = grappé
Gras externes
De couverture = sous-cutané
De couronne du tende de tranche
De verge ou de mamelle
De poitrine
D’œillet
Gras intermusculaires = marbré
Gras intramusculaires = persillé

10. Les différents gras du bovin
Le persillé dans la viande bovine 10
29 juin 2021
Gras internes
Entourant les abats
Péritonéaux
Péricardiques
Mésentériques
Périrénaux = de rognons
Tapissant les cavités
Pelvienne = gras de bassin
Thoracique = grappé
Gras externes
De couverture = sous-cutané
De couronne du tende de tranche
De verge ou de mamelle
De poitrine
D’œillet
Gras intermusculaires = marbré
Gras intramusculaires = persillé

11. Le persillé et le marbré
Le persillé dans la viande bovine 11
29 juin 2021
Persillé
• Autour de 5 % de
lipides dans la
noix d’entrecôte
• Plage de variation
1 à 17 %

12. Le persillé et le marbré
Le persillé dans la viande bovine 12
29 juin 2021
Persillé
• Autour de 5 % de
lipides dans la
noix d’entrecôte
• Plage de variation
1 à 17 %
Marbré
• Autour de 10 %
de lipides dans la
côte
• Plage de variation
1 à 18 %

13. Quelle perception du persillé de la viande
par les consommateurs ?
29 juin 2021 Le persillé dans la viande bovine 13

14. Une question sur votre
perception du persillé en
tant que consommateur !
14

15. Quelle perception du persillé de la viande
par les consommateurs ?
• Quelle est la perception de 300 consommateurs ?
• Issus de 3 régions : Paris / Lyon / Caen
29 juin 2021 Le persillé dans la viande bovine 15
Présentation en cru Dégustation
Analyses sensorielles consommateurs

16. Intention d’achat des faux-filets persillés
29 juin 2021 Le persillé dans la viande bovine 16
Faible
Moyen
Elevé
Niveau de persillé du faux-filet En barquette
(visuel cru)
Après
dégustation
75 %
75 %
40 %
35 %
55 %
65 %
Normand, 2017

17. Intention d’achat des entrecôtes
persillées
29 juin 2021 Le persillé dans la viande bovine 17
Faible
Moyen
Elevé
Niveau de persillé du faux-filet En barquette
(visuel cru)
Après
dégustation
70 %
65 %
30 %
55 %
65 %
80 %
Normand, 2017

18. Un retour en grâce du persillé ?
• Le niveau de persillé élevé est mal perçu lors de la
présentation des produits crus mais améliore les
qualités perçues en bouche
• Le niveau de persillé faible est plébiscité « en cru »
mais ne donne pas satisfaction en bouche
• Le niveau de persillé intermédiaire : un bon
compromis ! Bien perçu « en cru », il améliore les
qualités perçues en bouche
• Un impact positif des messages explicatifs
(5-10 % d’intentions d’achat supplémentaires)
29 juin 2021 Le persillé dans la viande bovine 18

19. Le persillé, un engagement du plan de
filière bovin viande
• Intégrer, dans le fonctionnement de la filière, de
nouveaux paramètres d’évaluation des viandes
en vue d’améliorer l’expérience
gustative pour les
consommateurs
• Une légère infiltration de gras
dans la viande, le persillé, est
synonyme de flaveur, de jutosité
et favorise la tendreté
• C’est pourquoi la filière retient
ce critère pour évaluer les viandes
en complément des outils actuels
Le persillé dans la viande bovine 19
29 juin 2021

20. Pourquoi mesurer le gras dans la viande
bovine ?
• Pour le consommateur
• Améliorer son expérience gustative
• Le rassurer sur la quantité de gras dans la viande
• Pour l’aval de la filière
• Evaluer la composition de la carcasse (viande / gras)
• Trier et orienter les carcasses vers les circuits les plus
valorisateurs le plus tôt possible
• Pour l’amont de la filière
• Maîtriser l’état d’engraissement des animaux
• Pour la génétique
• Sélectionner les animaux de demain sur la teneur en gras
des carcasses et viandes  phénotypage massif
Le persillé dans la viande bovine 20
29 juin 2021

21. Une dernière question sur
la mesure du gras !
21

22. Comment mesurer le gras dans la
viande bovine ?
Le persillé dans la viande bovine 22
29 juin 2021
Persillé
Analyses
chimiques
Spectro.
proche infra-
rouge
Techno.
non-
invasives
Analyse
d’images
Notation
visuelle
Echographie, imagerie
hyperspectrale, rayons X, RMN…

23. Comment mesurer le gras dans la
viande bovine ?
• Au démarrage du projet Meat@ppli
Absence d’outil d’évaluation fiable, simple, rapide,
non destructif, automatisable et peu coûteux
 Choix de travailler sur l’analyse d’images
Le persillé dans la viande bovine 23
29 juin 2021

24. Projet CASDAR RT
1620
Meat@ppli
Merci de votre attention !
Pour en savoir plus :
http://idele.fr/reseaux-et-partenariats/meat@ppli.html

25. Une méthode informatique
d'analyse d'images : un premier
pas vers l’application smartphone
Bruno MEUNIER et Muriel BONNET
UMR1213 Herbivores
INRAE

26. Les étapes du projets
Une méthode informatique d'analyse d'images 26
• Optimiser des paramètres de prise de
vue et concevoir des algorithmes de
traitement d’images
Application
smartphone
Relation avec les
mesures de
référence
Analyse des
images
Acquisition
des images
Les mesures
de référence
29 juin 2021

27. Les étapes du projets
Une méthode informatique d'analyse d'images 27
• Optimiser des paramètres de prise de
vue et concevoir des algorithmes de
traitement d’images
Application
smartphone
Relation avec les
mesures de
référence
Analyse des
images
Acquisition
des images
Les mesures
de référence
Meunier et al., 2021
29 juin 2021

28. Constitution de la population bovine
•Obtenir un maximum de variabilité
Une méthode informatique d'analyse d'images 28
• Travail sur 130 6èmes côtes
• JB lait et viande / Vaches lait et viande /
Génisses viande / Bœufs lait
(n = 130)
Moyenne
± écart-type
Mini - Maxi
% lipides intra
(persillé)
6,6 ± 3,6 1,6 – 17,6
% lipides inter
(marbré)
8,7 ± 3,9 0,9 – 17,8
29 juin 2021

29. Les mesures de références
Une méthode informatique d'analyse d'images 29
• Dissection bouchère de la 6ème côte
• Séparation et pesées des muscles / gras / os
Poids de gras intermusculaire de la côte (marbré)
• Dosage chimique du gras intramusculaire
Teneur en lipides du muscle (persillé)
29 juin 2021

30. Optimiser les conditions de prises d’image
• Objectifs
• Qualité de l’image optimale
• Equipement simple, adapté à un environnement industriel
30
Une méthode informatique d'analyse d'images
29 juin 2021

31. Optimiser les conditions de prises d’image
• Objectifs
• Qualité de l’image optimale
• Equipement simple, adapté à un environnement industriel
• Tests de 29 conditions de prise de vue par carcasse
• Différentes positions (sur carcasse, sur table…)
• Différents éclairages (flash, flash polarisé…)
31
Une méthode informatique d'analyse d'images
29 juin 2021

32. Optimiser les conditions de prises d’image
• Objectifs
• Qualité de l’image optimale
• Equipement simple, adapté à un environnement industriel
• Tests de 29 conditions de prise de vue par carcasse
• Différentes positions (sur carcasse, sur table…)
• Différents éclairages (flash, flash polarisé…)
• Différents calibrages géométriques (mires)
32
Une méthode informatique d'analyse d'images
29 juin 2021

33. Méthode d’analyse d’image
33
Acquisition de l’image
avec le smartphone
Une méthode informatique d'analyse d'images
29 juin 2021

34. Méthode d’analyse d’image
34
Une méthode informatique d'analyse d'images
29 juin 2021

35. Méthode d’analyse d’image
35
Détourage
de la côte
Une méthode informatique d'analyse d'images
29 juin 2021

36. Méthode d’analyse d’image
36
Détection automatique
du gras intramusculaire
dans la noix de côte
Une méthode informatique d'analyse d'images

37. Méthode d’analyse d’image
37
Détection automatique
des gras intermusculaires
autour de la noix de côte
Une méthode informatique d'analyse d'images
29 juin 2021

38. Méthode d’analyse d’image
38
Analyse et contrôle
visuel de l’ensemble
des segmentations
Catégorie Animale / Type racial Vache Lait
Classement O=3
Age à l’abattage (mois) 61
Surface gras intramusculaire (%) 2,9
Surface gras intermusculaire (%) 20,5
Surface côte désossée (cm²) 188,6
Surface noix d’entrecôte (cm²) 34,0
Une méthode informatique d'analyse d'images
29 juin 2021

39. Nos choix pour le protocole d’acquisition
des images
39
• Samsung Galaxy S8 + une coque équipée de filtres polarisant
• Une mire plastifiée de 5 x 5 cm²
Une méthode informatique d'analyse d'images
29 juin 2021

40. Nos choix pour le protocole d’acquisition
des images
40
• Samsung Galaxy S8 + une coque équipée de filtres polarisant
• Une mire plastifiée de 5 x 5 cm²
• Deux images/animal :
• Face caudale de la 5ème côte (CAF5R) capturée sur la carcasse suspendue
• Face caudale de la 6ème côte coupée (CAF6R) capturée sur une table
CAF5R
CAF6R
Une méthode informatique d'analyse d'images
29 juin 2021

41. Nos choix pour le protocole d’acquisition
des images
41
• Samsung Galaxy S8 + une coque équipée de filtres polarisant
• Une mire plastifiée de 5 x 5 cm²
• Deux images/animal :
• Face caudale de la 5ème côte (CAF5R) capturée sur la carcasse suspendue
• Face caudale de la 6ème côte coupée (CAF6R) capturée sur une table
• Image RVB (rouge, vert, bleu) de 4032 × 3024 pixels enregistrée au format JPEG
→ résolution de 100 µm pour détecter les taches de persillé
CAF5R
CAF6R
Une méthode informatique d'analyse d'images
29 juin 2021

42. Un algorithme semi-automatisé pour les
quantifications de surfaces
42
• Développé en langage macro à l'aide du logiciel de traitement d'image open
source ImageJ v1.52i
Une méthode informatique d'analyse d'images
29 juin 2021

43. Un algorithme semi-automatisé pour les
quantifications de surfaces
43
• Développé en langage macro à l'aide du logiciel de traitement d'image open
source ImageJ v1.52i
Correction des effets de
perspective, coupe à 70
degrés = Exclusion de l'os et
du M. trapezius thoracis
Une méthode informatique d'analyse d'images
29 juin 2021

44. Un algorithme semi-automatisé pour les
quantifications de surfaces
44
• Développé en langage macro à l'aide du logiciel de traitement d'image open
source ImageJ v1.52i
Correction des effets de
perspective, coupe à 70
degrés = Exclusion de l'os et
du M. trapezius thoracis
Conversion en niveaux
de gris. Détourage de
la noix de côte
Une méthode informatique d'analyse d'images
29 juin 2021

45. Un algorithme semi-automatisé pour les
quantifications de surfaces
45
• Développé en langage macro à l'aide du logiciel de traitement d'image open
source ImageJ v1.52i
Correction des effets de
perspective, coupe à 70
degrés = Exclusion de l'os et
du M. trapezius thoracis
Conversion en niveaux
de gris. Détourage de
la noix de côte
Gras intramusculaire
(jaune) et intermusculaire
(cyan) dans la noix de côte
(rouge) agrandie de 25%
Une méthode informatique d'analyse d'images
29 juin 2021

46. Un algorithme semi-automatisé pour les
quantifications de surfaces
46
• Développé en langage macro à l'aide du logiciel de traitement d'image open
source ImageJ v1.52i
Correction des effets de
perspective, coupe à 70
degrés = Exclusion de l'os et
du M. trapezius thoracis
Conversion en niveaux
de gris. Détourage de
la noix de côte
Gras intramusculaire
(jaune) et intermusculaire
(cyan) dans la noix de côte
(rouge) agrandie de 25%
Gras total (cyan) dans la
côte (bleu), gras
intermusculaire (rose) + un
morceau de gras sous-
cutanée (jaune) attenant
au M. trapezius thoracis
Une méthode informatique d'analyse d'images
29 juin 2021

47. 17 aires mesurées semi-
automatiquement en moins de 5
minutes
47
Surface de la côte, cm²
Surface de la noix de côte, cm² :
Marbré, ratios de surface, % :
• Zone de la noix de côte agrandie de
25 %
• Avec/sans correction de densité
Une méthode informatique d'analyse d'images
29 juin 2021

48. 17 aires mesurées semi-
automatiquement en moins de 5
minutes
48
Surface de la côte, cm²
Surface de la noix de côte, cm²:
Persillé, ratios de surface, % :
•Dans la noix de côte
•Avec/sans correction de densité
•Par seuillage manuel/auto
Marbré, ratios de surface, % :
• Zone de la noix de côte agrandie de
25 %
• Avec/sans correction de densité
Données sur les grains de
persillé de la noix :
•Aire moyenne, mm²
•Périmètre moyen, mm
•Nombre
Une méthode informatique d'analyse d'images
29 juin 2021

49. 17 aires mesurées semi-
automatiquement en moins de 5
minutes
49
Surface de la côte, cm²
Surface de la noix de côte, cm²:
Persillé, ratios de surface, % :
•Dans la noix de côte
•Avec/sans correction de densité
•Par seuillage manuel/auto
Marbré, ratios de surface, % :
• Zone de la noix de côte agrandie de
25 %
• Avec/sans correction de densité
Données sur les grains de
persillé de la noix :
•Aire moyenne, mm²
•Périmètre moyen, mm
•Nombre
Ratio de surface des gras dans
la côte, % :
• Sans distinction d'intra ou
intermusculaire
Une méthode informatique d'analyse d'images
29 juin 2021

50. 17 aires mesurées semi-
automatiquement en moins de 5
minutes
50
Surface de la côte, cm²
Surface de la noix de côte, cm²:
Marbré sous le M. trapezius
thoracis :
•Épaisseur, cm
•Surface, cm2
Gras sous-cutané sur le M.
trapezius thoracis :
•Épaisseur, cm
Persillé, ratios de surface, % :
•Dans la noix de côte
•Avec/sans correction de densité
•Par seuillage manuel/auto
Marbré, ratios de surface, % :
• Zone de la noix de côte agrandie de
25 %
• Avec/sans correction de densité
Données sur les grains de
persillé de la noix :
•Aire moyenne, mm²
•Périmètre moyen, mm
•Nombre
Ratio de surface des gras dans
la côte, % :
• Sans distinction d'intra ou
intermusculaire
Une méthode informatique d'analyse d'images
29 juin 2021

51. Corrélations entre les caractéristiques
des images et les données « gold
standard »
51
y = 0.88x - 0.93
r = 0.87
0
5
10
15
20
0 2 4 6 8 10 12 14 16 18 20
ratios
de
surfaces
du
persillé
dans
«
noix
de
côte
(
%
=
de
surface
jaune)
Teneur en gras intramusculaires
(Méthode de Soxhlet, %)
Persillé dans le longissimus
thoracis (CAF6R, n=130)
Une méthode informatique d'analyse d'images
29 juin 2021

52. Corrélations entre les caractéristiques
des images et les données « gold
standard »
52
y = 0.88x - 0.93
r = 0.87
0
5
10
15
20
0 2 4 6 8 10 12 14 16 18 20
ratios
de
surfaces
du
persillé
dans
«
noix
de
côte
(
%
=
de
surface
jaune)
Teneur en gras intramusculaires
(Méthode de Soxhlet, %)
Persillé dans le longissimus
thoracis (CAF6R, n=130)
y = 2.81x + 16.91
r = 0.85
0
10
20
30
40
50
60
70
80
90
0 5 10 15 20 25
Surface
de
marbré
dans
les
25%
autour
de
la
noix
de
côte
(=
surface
du
cyan)
Poids de gras intermusculaire des côtes divisé
par le poids du muscle…
Marbré dans la côte
(CAF6R, n=112)
Une méthode informatique d'analyse d'images
29 juin 2021

53. Prédiction des teneurs en gras intra-, inter- ou
total de la côte par les données d’analyse
d’image
53
• Variables animales quantitatives + qualitatives (« jeunes bovins lait », « autres
bovins lait », « jeunes bovins viande», « bovins viande ») + 17 résultats d'image
• Meilleure prédiction avec l'image de la face caudale de la 6ème côte coupée
(CAF6R) et photographiée sur une table
• Meilleurs résultats avec une analyse Sparse Partial Least Square (package R
mixOmics R, population entraînée + validation externe)
Une méthode informatique d'analyse d'images
29 juin 2021

54. 54
• Variables animales quantitatives + qualitatives (« jeunes bovins lait », « autres
bovins lait », « jeunes bovins viande», « bovins viande ») + 17 résultats d'image
• Meilleure prédiction avec l'image de la face caudale de la 6ème côte coupée
(CAF6R) et photographiée sur une table
• Meilleurs résultats avec une analyse Sparse Partial Least Square (package R
mixOmics R, population entraînée + validation externe)
R2 RPD RMSEP
0.90 3.14 0.92
Persillé (%)
5 variables prédictives communes aux
modèles
Une méthode informatique d'analyse d'images
29 juin 2021
Prédiction des teneurs en gras intra-, inter- ou
total de la côte par les données d’analyse
d’image

55. 55
• Variables animales quantitatives + qualitatives (« jeunes bovins lait », « autres
bovins lait », « jeunes bovins viande», « bovins viande ») + 17 résultats d'image
• Meilleure prédiction avec l'image de la face caudale de la 6ème côte coupée
(CAF6R) et photographiée sur une table
• Meilleurs résultats avec une analyse Sparse Partial Least Square (package R
mixOmics R, population entraînée + validation externe)
R2 RPD RMSEP
0.90 3.14 0.92
Persillé (%)
5 variables prédictives communes aux
modèles
4 surfaces relatives aux
gras dans la noix de côte
Ratio de surface du marbré
dans la zone « noix de
côte » élargie de 25 %
Une méthode informatique d'analyse d'images
29 juin 2021
Prédiction des teneurs en gras intra-, inter- ou
total de la côte par les données d’analyse
d’image

56. 56
Marbré (%)
R2 RPD RMSEP
0.86 2.63 1.52
“jeunes bovins viande” + poids de
carcasse chaud
Ratio de surface du marbré
dans la zone « noix de côte »
élargie de 25 %
Ratio de surface des gras
totaux de la côte
4 variables prédictives communes aux modèles
Une méthode informatique d'analyse d'images
29 juin 2021
Prédiction des teneurs en gras intra-, inter- ou
total de la côte par les données d’analyse
d’image

57. 57
Gras totaux (%)
Marbré (%)
R2 RPD RMSEP
0.84 2.52 1.83
R2 RPD RMSEP
0.86 2.63 1.52
“jeunes bovins viande” +
“jeunes bovins viande” + poids de
carcasse chaud
Ratio de surface du marbré
dans la zone « noix de côte »
élargie de 25 %
Ratio de surface des gras
totaux de la côte
4 variables prédictives communes aux modèles
4 variables prédictives communes aux modèles
Une méthode informatique d'analyse d'images
Ratio de surface du marbré
dans la zone « noix de
côte » élargie de 25 %
Ratio de surface des gras
totaux de la côte
Epaisseur du gras sous-
cutané sous le M. trapezius
thoracis, cm
29 juin 2021
Prédiction des teneurs en gras intra-, inter- ou
total de la côte par les données d’analyse
d’image

58. Performances de la méthode d’analyse
d’image
 Les 130 images CAF5R et 129 CAF6R (une perdue) prises par 6 opérateurs différents
ont été faciles à analyser
 Temps moyen d’analyse par le program ImageJ : 4.3 et 4.7 min par image pour les
côtes CAF5R and CAF6R
 Résolutions comprises entre 85 to 97 µm/pixel pour les images CAF5R et CAF6R
 Résolution comparable entre CAF5R and CAF6R sauf pour la noix d’entrecôte (38 cm2
en moyenne pour CAF6R et 32 cm2 en moyenne pour CAF5R)
58
Une méthode informatique d'analyse d'images
29 juin 2021

59. Performances de la méthode d’analyse
d’image
 Les 130 images CAF5R et 129 CAF6R (une perdue) prises par 6 opérateurs différents
ont été faciles à analyser
 Temps moyen d’analyse par le program ImageJ : 4.3 et 4.7 min par image pour les
côtes CAF5R and CAF6R
 Résolutions comprises entre 85 to 97 µm/pixel pour les images CAF5R et CAF6R
 Résolution comparable entre CAF5R and CAF6R sauf pour la noix d’entrecôte (38 cm2
en moyenne pour CAF6R et 32 cm2 en moyenne pour CAF5R)
 Coefficients de corrélation entre les méthodes de références et les données d'analyse
d'images :
•0.79 à 0.87 pour le persillé => supérieurs à ceux rapportés pour des génisses
europérennes (r = 0.62; Giaretta et al. 2018), similaires ou inférieurs à ceux rapportés pour
des races trés grasses (r = 0.82 à 0.96, Gerard et al. 1996; Kuchida et al. 2000; Nakahashi et al. 2008)
•0.54 à 0.66 pour les proportions gras / muscles => supérieurs à ceux rapportés chez des
taureaux européens (Santos et al. 2012), similaires ou inférieurs à ceux rapportés pour des
races trés grasses (Cross et al. 1983)
59
Une méthode informatique d'analyse d'images
29 juin 2021

60. Messages clés
 Une méthode informatique originale pour l'analyse d'images de côtes
bovines développée sous un logiciel open source (Meunier et al., 2021)
 Peu d’équipement pour l’acquisition d'image : une mire légère et
utilisable directement sur une carcasse, deux filtres polarisants
60
Une méthode informatique d'analyse d'images
29 juin 2021

61. Messages clés
 Une méthode informatique originale pour l'analyse d'images de côtes
bovines développée sous un logiciel open source (Meunier et al., 2021)
 Peu d’équipement pour l’acquisition d'image : une mire légère et
utilisable directement sur une carcasse, deux filtres polarisants
 Détection automatique des gras totaux, intra- et inter-musculaires à
l'aide d’une méthode publiée (Li et Tam, 1998) de segmentation d’image
mais appliquée à une zone spécifique : autour du muscle LT agrandie
de 25%
61
Une méthode informatique d'analyse d'images
29 juin 2021

62. Messages clés
 Une méthode informatique originale pour l'analyse d'images de côtes
bovines développée sous un logiciel open source (Meunier et al., 2021)
 Peu d’équipement pour l’acquisition d'image : une mire légère et
utilisable directement sur une carcasse, deux filtres polarisants
 Détection automatique des gras totaux, intra- et inter-musculaires à
l'aide d’une méthode publiée (Li et Tam, 1998) de segmentation d’image
mais appliquée à une zone spécifique : autour du muscle LT agrandie
de 25%
 Haute précision de la méthode attestée par les très bonnes
corrélations entre les méthodes de référence et les mesures d'analyse
d'image
62
Une méthode informatique d'analyse d'images
29 juin 2021

63. Projet CASDAR RT
1620
Meat@ppli
Merci de votre attention !
Pour en savoir plus :
http://idele.fr/reseaux-et-partenariats/meat@ppli.html

64. Analyse des images par
intelligence artificielle
Benjamin ALBOUY-KISSI

65. Analyse des images par intelligence
artificielle
• Intelligence artificielle
• Mythes et réalité
• Principes des réseaux de neurones artificiels
• Modélisation et entrainement
• Évaluation
Analyse des images par intelligence artificielle
29 juin 2021 65

66. Intelligence artificielle
• Mythe
• Conscience propre
• Autonome
• Créative
Analyse d’images par intelligence artificielle 66
29 juin 2021

67. Intelligence artificielle
• Mythe
• Conscience propre
• Autonome
• Créative
Analyse d’images par intelligence artificielle 67
• Réalité
• Simulation d’intelligence
• Du simple « si…, alors… »
• Aux réseaux de neurones
artificiels
29 juin 2021

68. Réseaux de neurones
• Application du biomimétisme
Analyse d’images par intelligence artificielle 68
29 juin 2021

69. Neurone
Analyse d’images par intelligence artificielle 69
« entrées »
« sorties »
29 juin 2021

70. Neurone artificiel
Analyse d’images par intelligence artificielle 70
𝑤1
𝑤2
𝑤3
𝑤𝑛
⋮
𝑥1
𝑥2
𝑥3
𝑥𝑛
∑
valeurs poids
fonction de
combinaison
𝑜
sortie
Un neurone artificiel
29 juin 2021

71. Neurone artificiel
Analyse d’images par intelligence artificielle 71
Un réseau de neurones
𝑤1
𝑤2
𝑤3
𝑤𝑛
⋮
𝑥1
𝑥2
𝑥3
𝑥𝑛
∑
valeurs poids
fonction de
combinaison
𝑜
sortie
Un neurone artificiel
29 juin 2021

72. Modélisation & entrainement
• Phase d’apprentissage
• Une partie de la base de données est présentée au réseau de neurones
Analyse d’images par intelligence artificielle 72
valeur estimée - vérité terrain
erreur
correction des poids
29 juin 2021

73. Modélisation & entrainement
• Phase d’apprentissage
• Une partie de la base de données est présentée au réseau de neurones
• Phase de vérification
• L’autre partie de la base de données est utilisée pour valider la qualité
Analyse d’images par intelligence artificielle 73
valeur estimée - vérité terrain
erreur
correction des poids
valeur estimée - vérité terrain erreur
29 juin 2021

74. Modélisation pour Meat@ppli
• Base de données
• 164 animaux  3560 photographies
• C’est peu pour entrainer un réseau de neurones
• Stratégie
• Analyse en deux étapes
• Segmentation de la zone de l’image à analyser
• Analyse du taux de matière grasse sur la zone d’intérêt
Analyse d’images par intelligence artificielle 74
29 juin 2021

75. Segmentation des images
• Segmentation manuelle de toute la base
• Côte
• Noix de l’entrecôte
• Entrainement de deux réseaux de neurones
• L’un sépare la côte
dans l’image
• L’autre sépare la
noix de l’entrecôte
Analyse d’images par intelligence artificielle 75
29 juin 2021

76. Analyse du taux de matière grasse
• Base de données des taux de matière grasse
• 164 animaux
• 164 taux pour l’entrecôte rattachés à 3560 images
segmentées
• 164 taux pour la noix rattachés à 3560 images segmentées
• Entrainement de deux réseaux de neurones
• L’un pour la côte
• L’autre pour la noix
Analyse d’images par intelligence artificielle 76
2,9 % (3,1 % Gold Std)
20,6 % (16,5 % Gold Std)
29 juin 2021

77. Résultats
• Noix d’entrecôte (persillé)
Analyse d’images par intelligence artificielle 77
• Côte entière
R² = 0,65
0
5
10
15
20
25
30
35
40
0 5 10 15 20
TG Noix Idéal Linear (TG Noix)
R² = 0,37
0
5
10
15
20
25
30
0 5 10 15 20 25 30
TG côte Idéal Linear (TG côte)
29 juin 2021

78. Résultats (médianes des valeurs)
• Noix d’entrecôte
Analyse d’images par intelligence artificielle 78
• Côte entière
R² = 0,83
0
5
10
15
20
25
0 5 10 15 20
TG Noix Idéal Linear (TG Noix)
R² = 0,63
0
5
10
15
20
25
30
0 5 10 15 20 25 30
DAdip6c(%) idéal Linear (DAdip6c(%))
29 juin 2021

79. Projet CASDAR RT
1620
Meat@ppli
Merci de votre attention !
Pour en savoir plus :
http://idele.fr/reseaux-et-partenariats/meat@ppli.html

80. Intégration d’un réseau de
neurones dans un
smartphone
Benjamin ALBOUY-KISSI

81. De l’apprentissage à l’usage
• Apprentissage
• Grand volume de données
• 3560 images (15 Go)
• Grande capacité de traitement
• Processus itératif pour affiner les poids des neurones
• Plusieurs heures pour l’apprentissage d’un modèle sur un
ordinateur puissant
Intégration d’un réseau de neurones dans un smartphone 81
29 juin 2021

82. De l’apprentissage à l’usage
• Apprentissage
• Grand volume de données
• 3560 images (15 Go)
• Grande capacité de traitement
• Processus itératif pour affiner les poids des neurones
• Plusieurs heures pour l’apprentissage d’un modèle sur un
ordinateur puissant
 Impossible avec un smartphone
• 20x moins rapide
• Espace de stockage limité
Intégration d’un réseau de neurones dans un smartphone 82
29 juin 2021

83. Dizaine d’heures
De l’apprentissage à l’usage
Intégration d’un réseau de neurones dans un smartphone 83
valeur estimée - vérité terrain
erreur
correction des poids
29 juin 2021

84. Dizaine d’heures
De l’apprentissage à l’usage
Intégration d’un réseau de neurones dans un smartphone 84
valeur estimée - vérité terrain
erreur
correction des poids
Quelques secondes
valeur estimée
Récupération du modèle
en fin d’apprentissage
(1Mo de données –
10000x moins)
29 juin 2021

85. Création de l’application
• Intégration des différentes technologies
Intégration d’un réseau de neurones dans un smartphone 85
Maquettage
Langages de
programmation
Bibliothèques de
développement
Outils de
développement
29 juin 2021

86. Projet CASDAR RT
1620
Meat@ppli
Place à une démonstration !

87. Intérêt des outils de monitoring
du persillé pour les
professionnels
de la filière viande bovine
Emmanuel BERNARD1, Franck BELLACA2
1Président de la section bovine d’Interbev
2Animateur Interbev du groupe de travail
« qualité des viandes »

88. Conclusions
Jérôme NORMAND
Institut de l’Élevage
Service Qualité des Carcasses et des Viandes

89. Meat@ppli, une preuve de concept
réussie !
• Un équipement relativement simple pour la prise
de vue
• Des résultats encourageants
• Une amélioration sans doute encore possible en
augmentant le nombre de données dans la base
• Un développement à poursuivre pour l’adapter à une
utilisation en routine dans un contexte industriel
• Un outil qui pourra être utilisable à l’avenir pour
évaluer la note de persillé de la viande bovine
• Pour faire du phénotypage massif et sélectionner les
animaux de demain
• Pour trier les carcasses en fonction des circuits
commerciaux
Webinaire Meat@ppli 89
29 juin 2021

90. Merci à l’ensemble des
équipes ayant contribué
à la réalisation du projet !
Laurent Allais, Sylvie Bardou-Valette, Elisa Batany,
Clarisse Baverey, David Chadeyron, Thibaut Coadou,
Simon Collange, Cédric Coustet, Antoine Debant,
Quentin Delahaye, Arnaud Delavaud, Mohammed El
Jabri, Bénédicte Fusai, Valérie Hardit, Delphine Huguel,
Marine Joubert, Catherine Malayrat, Julien Mongiat,
Pierre Tisseur, Loïck Roberjot, Frédéric Véron
Contacts : jerome.normand @idele.fr
muriel.bonnet@inrae.fr
bruno.meunier@inrae.fr
benjamin.albouy@uca.fr

91. Projet CASDAR RT
1620
Meat@ppli
Merci de votre attention !
Pour en savoir plus :
http://idele.fr/reseaux-et-partenariats/meat@ppli.html