Short communication: Using infrared ocular thermography as a tool to predict meat quality from lean cattle breeds prior to slaughter: Exploratory trial
Notice bibliographique
Résumé
Aim of study: To assess the potential of using infrared ocular thermography (IROT) as a tool to predict beef quality at the slaughterhouse.Area of study: The study was carried out in the Salteras’s slaughterhouse (Seville, Spain).Material and methods: Ocular temperature images were captured from 175 lean young bulls prior to slaughter. Carcasses were classified into three groups according to weight: ˂250 kg, 250-310 kg and ˃310 kg. IROT was measured just before slaughter and pH was measured 24 h later. Colour parameters (CIELAB space) were evaluated 48 h post-slaughter. Water holding capacity was evaluated at seven days after slaughter.Main results: IROT mean values were higher in heavier bulls (p<0.05), probably due to these animals appeared to movilize a greater blood flow, thus increasing ocular temperature. Furthermore, IROT showed a statistically significant correlation with both pH from light carcasses (r=0.66; p<0.001), and mean Hue value from all carcass weights (r=-0.22; p<0.05). A quadratic regression analysis accounting carcass weight as a continuous variable, found medium to strong fit values for pH (R2=0.52; RMSE=0.032; p<0.01) and medium fit values for H* (R2=0.41; RMSE=3.793; p<0.001), changing their relation with IROT depending on carcass weight.Research highlights: IROT showed potential to become a useful tool to assess pH in light carcasses and to assess H* in all carcasses of young bulls prior to slaughter, regardless their weight. However, further studies would be recommended under more variable pre-slaughter stress conditions.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».