Scoping review of precision technologies for cattle monitoring
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Precision livestock farming is growing to meet global demand for cattle products. • Machine learning is increasingly popular, mainly for computer vision applications. • Many studies determine animal activity or health, suggesting need for specificity. Livestock farming has increased in complexity considerably due to the growing demand for animal products combined with a decreasing number of farmers and ranchers. To meet this challenge, Precision Livestock Farming (PLF) aims to develop fully automated tools to continuously monitor animals, such as cattle, to detect issues earlier and improve productivity. The objective of this scoping review is to provide an overview of precision livestock farming technologies used for cattle monitoring. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Scoping Reviews (PRISMA-ScR) guidelines were followed in this review. Peer-reviewed journal and conference papers from 2005 to 2023 were included, with a focus on technological systems used for cattle monitoring or disease detection. Extracted data included publication year, geographical region, type of technology used, type of monitoring, goal of the intervention, and the level of validation. The relationships between the technology, type of monitoring, and goal of intervention were also explored. 413 papers were found to meet the eligibility criteria. The countries with the most papers were China ( n = 55), Japan ( n = 52), the United States ( n = 38), Australia ( n = 25), and India ( n = 20). The most common types of technology were found to be inertial sensors (37 %) and images or videos (35 %). Simple classification methods were used in 48 % of papers and machine learning in 29 %. The two most common goals stated in PLF papers were determining animal behavior (30 %) and animal health (12 %). Overall, the results provide a snapshot of the types and uses of technologies in PLF for cattle management and suggest emerging technologies and applications of these tools to improve cattle health and welfare.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle