Weighing finishing pigs in motion: A walk-over scale for accurate weight estimation
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
Accurate and efficient weight estimation of pigs is crucial for optimizing production, ensuring animal welfare, and making informed decisions in swine farming. Despite technological advancements, obtaining precise individual pig weights remains challenging due to the dynamic nature of pig movement and the stress induced by traditional weighing methods, highlighting the need for innovative, non-invasive solutions. This study presents an automated walk-over scale system that leverages high-frequency load cell data, feature engineering, and machine learning techniques to estimate pig weights in motion, addressing the limitations of traditional weighing methods. The system’s effectiveness was validated in a real-world setting with 50 pigs across 944 walk-throughs, achieving a Root Mean Square Error (RMSE) of 2.87 kg and a Mean Absolute Percentage Error (MAPE) of 2.65% on a 20% pig-wise holdout validation set, demonstrating its potential as a practical solution for non-invasive, accurate weight monitoring in commercial pig farming operations. • Developed an automated walk-over scale for dynamic pig weight estimation. • Used high-frequency load cell data with machine learning for weight predictions. • Improved weight prediction with zero-acceleration weights and segmented features. • Achieved an RMSE of 2.87 kg and a MAPE of 2.65% in real-world farm trials. • Gradient Boosting Regressor was the most effective for predicting the weight of pigs.
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 | 0,000 |
| 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 découle