Ultrasonic imaging of marbling at feedlot entry as a predictor of carcass quality grade
Notice bibliographique
Résumé
This study evaluated the ability of ultrasonic examination at entry into the feedlot to predict carcass traits. Feeder calves (487) from eight Prince Edward Island feedlots were examined with an Aloka 500 ultrasound and Critical Vision® image analysis software to determine carcass attributes (backfat, ribeye area and intramuscular fat) at feedlot entry. These measures, along with potential confounders, were evaluated for their ability to predict carcass grade. Three statistical procedures (multinomial logistic regression, constrained multinomial logistic regression and a proportional odds logistic regression) were used to evaluate the data. After evaluation, final analyses were performed using the constrained multinomial logistic regression (adjacent category) procedure. All three ultrasound determined carcass attributes were significantly associated with slaughter grade. The odds of being one grade category higher (e.g., AAA) versus the adjacent category (e.g., AA) were 1.74, 1.37 and 0.98 per percentage point intramuscular fat, mm of backfat or cm2 of ribeye area, respectively. Heifers were 2.1 times more likely to be in the next higher grade category than steers. Feedlot of origin, days on feed and carcass weight were also significant predictors of final grade. Key words: Cattle, beef; carcass traits; ultrasound; marbling; carcass grade
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».