Utiliser l’Intelligence Artificielle pour identifier les œufs : potentiel et limites

Pourquoi l’Intelligence Artificielle (IA) est-elle actuellement peu performante pour identifier les œufs d’oiseaux ?

Œufs de Merle noir (Turdus merula). Photographie : Przemek Pietrak / Wikimedia Commons

Plusieurs raisons expliquent les difficultés de l’IA à identifier les œufs d’oiseaux. Tout d’abord, ils sont d’une variabilité extrême (dimensions, forme, couleurs, motifs, etc.) y compris au sein d’une même espèce (lire Identifier les nids et les œufs des oiseaux des villes et des jardins). Le biotope, l’alimentation et d’autres facteurs externes peuvent aussi intervenir. Certains motifs sont en outre très subtils (taches minuscules ou dégradés de couleur), et l’IA peut ne pas réussir à les percevoir en fonction de l’éclairage par exemple.
L’apprentissage supervisé joue un rôle central dans l’efficacité de l’IA pour identifier les oiseaux à partir de fichiers (sons, images ou vidéos) : il consiste à entraîner un modèle à partir d’un grand nombre de données annotées, c’est-à-dire d’images ou de sons associés à l’espèce correcte.
Grâce à ces exemples, l’IA apprend progressivement à reconnaître les caractéristiques distinctives, comme la silhouette, le plumage ou les vocalisations. Plus les données d’entraînement sont nombreuses, variées et bien étiquetées, plus le modèle devient performant. À l’inverse, un manque de données ou des annotations imprécises réduisent fortement la précision du modèle. Or pour beaucoup d’espèces d’oiseaux, il n’existe pas assez de photos d’œufs annotées avec précision, c’est-à-dire accompagnées d’informations sur la date, le lieu, le type de nid, etc.
Les œufs sont souvent partiellement cachés par  la structure des nids ou la végétation, ou ils ne sont pas bien éclairés, ce qui peut contribuer à faire échouer la reconnaissance.
Un œil humain entraîné (ornithologues, guides, etc.) parvient à détecter des subtiles différence de teinte, de motifs ou de brillance, ce qui st plus délicat pour un modèle d’IA classique, surtout si l’échantillon d’entraînement est limité ou bruité. Les modèles peuvent en outre prendre en compte des caractéristiques non pertinentes, comme l’arrière-plan du nid, et ignorer les caractéristiques importantes de l’œuf. 

Des applications pour smartphones peu nombreuses et peu efficaces

Il existe des applications pour smartphones utilisant l’IA pour identifier les oiseaux à partir de photos ou de sons, come Merlin Bird ID, mais peu pour reconnaître les œufs. Source : The Cornell Lab of Ornithology

Il existe de nombreuses applications mobiles permettant de reconnaître rapidement les espèces à partir de photos ou d’enregistrements sonores (lire Applications pour smartphones pour l’identification des oiseaux – Première partie), et plusieurs utilisent désormais l’IA, comme Merlin Bird ID, dont le modèle a été entraîné sur des millions de photos et enregistrements issus de la base eBird, ou
BirdNET, qui est très performante pour l’identification par le son de plus de 6 000 espèces dans le monde et qui utilise des réseaux neuronaux spécialisés en bioacoustique (lire Amber Cowans : utiliser des enregistreurs et l’IA pour évaluer l’impact des promeneurs sur l’activité vocale des oiseaux forestiers écossais).
Il n’existe par contre pratiquement aucune application mobile fiable dédiée spécifiquement à l’identification des œufs, et il faut donc encore se baser essentiellement sur des guides en ligne (lire Identifier les nids et les œufs des oiseaux des champs et des prairies d’Europe) ou des ouvrages. Certaines applications proposent des fiches descriptives incluant des photos de ces derniers, mais ces informations ne peuvent pas être utilisées pour une identification automatisée. 
Il existe actuellement des applications peu connues, comme Bird Egg Identifier et Bird Egg Collection AI, qui fonctionnent toutes sur le même principe : on prend une photo, l’IA analyse la forme, la couleur et les motifs, et une espèce est proposée, mais les résultats obtenus semblent souvent peu fiables, les avis donnés par les utilisateurs sont très peu nombreux et les écarts de notes sont souvent importants selon les versions. Elles ne sont pas basées sur des bases de données suffisamment importantes et validées par des spécialistes. Elles restent expérimentales, peu robustes et encore loin des performances des outils d’identification des oiseaux.

Des approches prometteuses pour améliorer la reconnaissance des œufs d’oiseaux avec l’IA 

S’il n’existe pas encore d’applications et des logiciels pour le grand public et les scientifiques utilisant l’IA performants pour l’identification automatique des œufs, plusieurs approches pourraient permettre dans le futur de progresser dans ce domaine :

Œufs de Pie-grièche écorcheur (Lanius collurio) : retirer le fond de la photo permet de faciliter l’entraînement des modèles d’IA. Photographie : Didier Descouens / Wikimedia Commons

• des modèles basés sur des réseaux de neurones convolutionnels (CNN), utilisés pour identifier la texture et les motifs de surface, peuvent être entraînés sur des images à haute résolution des œufs pour détecter les taches, stries et nuances de couleur. Ils ont toutefois besoin de beaucoup de données qualifiées par espèce.
• La fusion multimodale, qui consiste à combiner plusieurs types de données (modalités) pour prendre une décision plus fiable (la couleur, la forme et le contexte par exemple dans le cas des œufs), peut donner de bons résultats. Cette approche permet en effet de réduire les ambiguïtés, de compenser les données manquantes, d’améliorer la précision globale et de se rapprocher du raisonnement humain (un humain ne regarde pas seulement un œuf, car il considère aussi le lieu, le nid, la saison, etc.). Toutefois, elle est complexe, elle a besoin de nombreuses données synchronisées (image + localisation + contexte) et il y a un risque élevé de « bruit » si une modalité est incorrecte.
• L’apprentissage par transfert. Les modèles pré-entraînés sur de grandes bases générales d’images, comme ImageNet, peuvent être adaptés à l’identification des œufs avec un jeu réduit de données spécifique, ce qui réduit le besoin de disposer de centaines ou de milliers d’images par espèce et améliore la capacité à détecter des motifs subtils.
• La techniques de vision par ordinateur. L’IA découpe l’œuf du fond d’une photo pour ne pas être trompée par l’arrière-plan, et une analyse de texture fine, par extraction de micro-motifs via des filtres spécialisés, comme Gabor ou wavelets, est réalisée. Des images multispectrales, permettant de voir des différences de couleur non perceptibles à l’œil humain, peuvent être utilisées. 
• Une approche hybride, combinant IA et expertise humaine, est prometteuse. Il est possible, comme pour les oiseaux, de proposer un classement de probabilités par espèce plutôt qu’une seule réponse, et un ornithologue ou des observateurs spécialisés confirmeraient les réponses, permettant d’entraîner le modèle avec les corrections. Cela nécessite toutefois une grande quantité de photos de qualité et contextualisées et des personnes volontaires disponibles. Les images transmises sont d’abord traitées (redimensionnement normalisation, correction de l’éclairage et détachement de l’œuf du fond avec un masque), leurs caractéristiques sont envoyées à un modèle de classification, qui  produit une probabilité par espèce, et les corrections proposées par des humains sont enregistrées pour améliorer la précision des réponses. 

Une étude prometteuse réalisée sur des œufs de pies-grièches

Œufs de Pie-grièche écorcheur (Lanius collurio). Photographie : Grüner Flip / Wikimedia Commons

Dans un article publié en 2025 sur la plateforme PLOS One, des biologistes ont présenté une proposition de classification automatique des œufs des Pies-grièches écorcheur (Lanius collurio), à poitrine rose (L. minor), grise (L. excubitor) et à tête rousse (L. senator) à partir de photos provenant de collections muséales et de clichés de 2 236 œufs issus de 438 nids réalisés dans six sites en Pologne et en Allemagne, chacun étant photographié deux fois après une rotation de 180 degrés. Les images ont été prétraitées pour retirer l’arrière-plan, éliminer les artefacts, les objets étrangers et les œufs endommagés, conduisant à un jeu de données final de 3 260 images, organisé pour l’entraînement d’un modèle d’apprentissage profond (« deep learning »). Des mesures standardisées de la longueur, de la largeur et de la masse des œufs ont été effectuées, et des conditions photographiques constantes ont été maintenues pour garantir la qualité des images.
Le modèle VGG16, basé sur un réseau de neurones convolutifs très populaire en vision par ordinateur, qui permet de traiter efficacement des images complexes pour effectuer la classification, la détection et la reconnaissance d’objets, a été adapté pour classer les œufs des quatre espèces de pies-grièches.
Pour identifier les caractéristiques discriminantes des œufs (motifs, couleurs, etc.), deux méthodes d’intelligence artificielle explicable (XAI) ont été utilisées  (Grad-CAM et SHAP DeepExplainer). 
Le modèle a atteint une précision globale d’identification de 95,7 % ± 1,5 % pour des images de 256×256 pixels, ce qui est prometteur. Les analyses Grad-CAM ont révélé que le modèle concentrait son attention sur les zones centrales et les extrémités des œufs, tandis que les résultats de SHAP DeepExplainer mettaient en évidence des zones spécifiques selon les espèces : pour la Pie-grièche écorcheur, les taches modérément contrastées étaient par exemple déterminantes, alors que pour la Pie-grièche grise, a couleur de fond et les zones fortement tachetées étaient essentielles. Les erreurs les plus fréquentes concernaient des confusions entre les œufs d des Pies-grièches écorcheur à tête rousse, dues à l’ambiguïté de certains motifs ou à la forme des taches.
Cette étude a mis en lumière des observations biologiques intéressantes : les espèces concernées semblent développer des stratégies distinctes pour l’identification de leurs œufs, certaines reposant principalement sur la couleur de fond, tandis que d’autres reposent sur des motifs spécifiques ou la disposition spatiale des pigments.  
Elle ouvre également des perspectives prometteuses pour identifier les œufs d’un plus grand nombre d’espèces. Elle pourrait contribuer à la recherche sur le parasitisme de couvée et à l’automatisation de l’inventaire des collections, en combinant précision de classification et interprétation des caractéristiques visuelles des œufs.  

Réagir à notre article

Réagissez à cet article en publiant un commentaire