PSIII-2 Infrared technology: A potential tool for improved pork production
Notice bibliographique
Résumé
Abstract This study investigated infrared technology (IRT) as a non-invasive tool for identifying febrile or stressed pigs before slaughter. A total of 120 market pigs (BW= 105.1 ± 4.9 kg) were transported in five replicate trips (20–25 pigs/replicate) for ~2 hr to an abattoir during summer 2020. Ocular and body temperatures of the pigs were recorded using a consumer grade digital infrared camera (FLIR C3, FLIR Systems) in lairage immediately after transport. Thermographic images were taken from 0.25m and 2m from pigs’ eyes and body (back/flank), respectively. At slaughter, blood samples were collected from each animal for cortisol, glucose and lactate analyses. Carcass pH measures were taken at 1 and 3 h post-mortem and loin samples were collected for meat quality assessment. Linear regression models (SAS 9.4) were used to evaluate whether post-transport temperature was predictive of blood and meat quality responses using ambient temperature and relative humidity as covariates. There were significant relationships between pigs’ ocular and body temperatures and blood measures. The regression coefficient (r2) of ocular temperatures for blood cortisol, glucose and lactate were 0.15, 0.15 and 0.04, respectively (P ≤0.03). There were significant relationships between pig ocular temperatures and pH taken at 1, 3 and 24 h post-mortem (r2=0.32, 0.18 and 0.51 respectively, P < 0.001). Meat yellowness (b*) and drip loss increased with body temperatures [r2=0.12 (P =0.0002) and 0.05 (P = 0.024), respectively]. Results for Warner-Bratzler shear force showed that higher temperatures were associated with tougher meat (ocular temperature: r2=0.51, P < 0.0001). In conclusion, as pig temperature increased, blood stress markers and drip loss increased and pH at 1 and 3 h post-mortem decreased, indicative of pale, soft and exudative (PSE) meat traits. IRT shows potential for identifying diseased/stressed pigs prior to slaughter and could be a valuable tool for improved food safety and meat quality.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».