Enhancing welfare assessment: Automated detection and imaging of dorsal and lateral views of swine carcasses for identification of welfare indicators
Notice bibliographique
Résumé
High animal welfare standards are essential for sustainable pork production. Current on-farm welfare assessments present challenges including cost, time consumption, and biosecurity risks. This study presents the initial step towards an automated animal welfare assessment system for swine carcasses. We introduce a computer vision system for capturing dorsal and lateral views of pig carcasses. The proposed system consists of a tracking and image acquisition system, which captures comprehensive lateral and dorsal views of pig carcasses as they pass by a camera installed at a slaughterhouse. During evaluation, the system achieved an accuracy of 92.5 % (74 out of 80 detections in a video with 40 carcasses) with minimal false positives and undetected positions, operating in real-time at 41.65 frames per second (FPS) with high confidence. The Detection manager module led to a remarkable reduction in erroneous detections, dropping from 38.75 % to 3.75 %. In addition to tail position data, leveraging head position data as an auxiliary mechanism substantially reduced missed detections to 6.25 % and erroneous detections to 1.25 %. This underscores the critical role of auxiliary mechanisms in enhancing system performance. This system marks the initial phase in developing an automated welfare assessment tool, paving the way for real-time welfare monitoring of carcasses in pork production.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 ».