Weighing finishing pigs in motion: A walk-over scale for accurate weight estimation
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».