Smart glasses in the chicken barn: Enhancing animal welfare through mixed reality
Notice bibliographique
Résumé
Livestock production requires a thorough understanding of animal welfare to increase productivity and ensure appropriate housing conditions. The expanding availability of consumer-grade virtual and augmented reality devices opens new possibilities for precision livestock farming (PLF), where sensor technology traditionally monitors real-time animal data. In poultry farming, monitoring each bird individually is often not economically feasible due to the large flock sizes. To address this issue, we propose a novel method to evaluate housing conditions by focusing on the visual and temperature preferences of domestic chickens, considering these factors within a broader environmental context. Chickens perceive light at a wider range of wavelengths than humans, which significantly influences their behavior. Additionally, temperature variations, such as heat leaks and accumulations, can contribute to stress and negative behaviors in the flock. We developed a device comprising smart glasses equipped with specialized cameras to capture thermal infrared, ultraviolet, and visible RGB (red, green, blue) light, alongside real-time user position tracking. Points of interest (POIs) can be added to the logged tracking data along with captured content. The data collected by the glasses can be used to create virtual tours embedded in a 3D model of the barn, providing a comprehensive view of on-site conditions. We also introduce a streamlined pipeline for building these virtual tours using the Unity game engine, making the content accessible for agricultural education. This approach enables users to remotely gain insights into the housing conditions of poultry without needing a physical visit, enhancing both learning and engagement in animal welfare practices.
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 | 0,001 |
| 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 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 ».