Redefining lameness assessment: Constructing lameness hierarchy using crowd-sourced data
Notice bibliographique
Résumé
• Our lameness hierarchy method ranks cows from the most sound to most lame. • This method showed high inter-observer reliability among experienced assessors. • Hierarchy created by crowd workers closely matched that from experienced assessors. • This method enables quick, precise labeling for lameness videos of dairy cows. • 5-level gait scoring system showed low intra- and inter-observer reliability. Lameness causes pain to dairy cows and economic losses to farmers, but can be difficult to detect and routinely monitor. Despite numerous attempts to develop automatic detection methods, few have been successfully applied on farms. The development of reliable automated methods is likely restricted by the lack of large, labeled training datasets that capture the diversity in lameness cases within and among farms. Additionally, conventional gait scoring methods employed for annotating training videos are subjective and unreliable, adding noise to training data and thus hindering model performance. We propose a novel approach to lameness assessment in dairy cows, leveraging crowd-sourced data to construct a lameness hierarchy using the Elo-rating method. In this pilot study using 30 cow videos, our proposed lameness hierarchy constructed from pairwise lameness assessments achieved high inter-observer reliability (intraclass correlation coefficient (ICC) = 0.81) among experienced assessors. In contrast, we found that the traditional, subjective gait scoring systems to be inconsistent, with intra- and inter-observer reliabilities of ICC = 0.62±0.09 and 0.44±0.02, respectively. We also demonstrated feasibility for the pairwise assessment to be executed by untrained assessors (in this case, crowd workers recruited via Amazon MTurk), evidenced by high agreement between hierarchies generated by crowd workers and experienced assessors (ICC = 0.85). We created a subsampling algorithm, and found that recruiting just 8 crowd workers per video pair was sufficient to construct a reliable lameness hierarchy. This method also decreased the number of pairwise comparisons required by 61 %, relative to evaluating all possible comparisons between every pair of cows. We conclude that our proposed lameness hierarchy method, using easily accessible crowd workers to facilitate quick and accurate labeling of lameness videos, enables a reliable and granular evaluation of lameness. We suggest that this approach be used to create large training datasets suitable for developing robust lameness detection models.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».