Dairy DigiD ∼ A Deep Learning-Based, Non-Invasive Biometric Identification System for Dairy Cattle Using Detectron2
Notice bibliographique
Résumé
Abstract Precision livestock farming demands accurate and reliable individual animal identification for optimizing health monitoring, resource allocation, and overall herd productivity. Conventional identification methods—such as ear tagging and wearable sensors—are often invasive, potentially causing animal discomfort and affecting natural behaviors. To address these challenges, we introduce Dairy DigiD, a non-invasive biometric classification system for dairy cattle using facial image analysis. Leveraging deep learning and the Detectron2 framework, Dairy DigiD classifies cattle into four categories—young (<2 years), mature milking, pregnant, and old—using over 2,500 high-resolution facial images. A DenseNet121 model achieved a classification accuracy of 97%, showcasing its strong discriminative capability. Further, Detectron2 attained an average recall of 87% in category identification, an average precision of 96% in cattle detection, and an overall detection accuracy of 93%, demonstrating its robustness and adaptability to varied environmental conditions. Unlike traditional approaches that rely on fixed facial landmarks and can be sensitive to environmental variability, Dairy DigiD’s flexible deep learning architecture enables stable and scalable facial feature extraction. This non-invasive method minimizes animal stress, enhances data integrity, and facilitates improved herd management and welfare monitoring. In comparison to existing convolutional neural network (CNN)-based strategies, Dairy DigiD exhibits superior adaptability to real-world farm conditions, including variable lighting and complex poses. This work highlights the potential of integrating advanced computer vision and deep learning methodologies into precision dairy farming, offering an ethically aligned, efficient, and scalable approach to modern livestock management.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».