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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».