104 Non-invasive pregnancy diagnosis in Holstein dairy cows using computer vision analysis of thermal images
Notice bibliographique
Résumé
Abstract Thermal visualization of Holstein dairy cattle skin can be indicative of the pregnancy state (cyclic or pregnant) of the cow by observing the size and shape of skin thermal patterns. However, visual assessment of skin thermal patterns can be subjective and laborious. Further, infrared thermography implementation on-farm requires automated analysis to be feasible for dairy producers. The objectives of this study were to implement a machine learning convolutional neural network (CNN) to detect features in thermal images associated with pregnant (Pregnant) and non-pregnant (Cyclic) and to evaluate the accuracy of pregnancy diagnosis in dairy cows. A total of 938 images from 18 Pregnant cows and 982 images from 18 Cyclic were used to build the CNN model, and 120 images from Pregnant (60 images) and Cyclic (60 images) dairy cows were used to validate the model. Pregnant cows were confirmed to be pregnant 90 d after insemination via transrectal ultrasonography. Cyclic cows were confirmed to be non-pregnant using follicular dynamics and corpora lutea presence via transrectal ultrasonography. Images were recorded using a T620s infrared camera at 640 × 480 (307,200) to train the CNN model and images from an E40 FLIR camera at 320 x 240 (76,800 pixels) were used for the validation test. The CNN model was created using TensorFlow in Google Colab to binary classify images into Pregnant or Cyclic using a single output neuron (1: Pregnant and 0: Cyclic) with different Epochs (10, 25, and 100). The diagnosis accuracy (acc) was 0.72 with a validation accuracy (val_acc) of 0.41 for 10 Epochs, acc 0.76 with val_acc 0.37 for 25 Epochs, and acc 0.80 with val_acc 0.63. The acc and val_acc of the training model and validation test were optimized when using images from the T620s exclusively (Epochs 10: acc = 0.70 and val_acc = 0.64; Epoch 25: acc = 0.74 and val_acc = 0.70; Epoch 100: acc = 0.81 and val_acc = 0.80). Greater resolution of thermal images was proven to increase the accuracy of pregnancy diagnosis (307,200 compared with 76,800 pixels) and the greater number of Epoch used to train the model. Machine learning algorithms can diagnose pregnancy using thermal images with an acceptable evaluation accuracy (> 0.70).
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».