Bimodal data analysis for early detection of lameness in dairy cows using artificial intelligence
Notice bibliographique
Résumé
Lameness remains a leading cause of economic loss in Canadian dairy herds while also compromising animal welfare. To address the urgent need for early detection, we introduce a novel bimodal artificial intelligence (AI) framework that leverages both facial biometric data and accelerometer-based movement metrics. Over a 21-day period, six Holstein cows were monitored to capture variations in facial expressions and locomotion, and a multimodal model was built by combining DenseNet-121 for image analysis with Long Short-Term Memory (LSTM) networks for time-series data. Crucially, our model employs a multi-head attention mechanism to fuse visual and movement features, enabling it to overcome confounding factors such as lighting conditions, barn environments, and individual behavioral differences. This approach achieved a 99.55 % accuracy—substantially exceeding single-modality baselines—and Grad-CAM interpretations revealed key facial cues (orbital tightening, ear posture, muzzle tension) linked to lameness. Lame cows also exhibited prolonged resting times, especially during peak activity hours, underscoring their discomfort. These findings illustrate how integrating facial and accelerometer data can promote timely interventions, significantly enhancing cow welfare and reducing medical expenditures and productivity losses. Moreover, our results highlight how tie-stall barn systems can exacerbate lameness by restricting natural movement, further supporting recommendations to transition toward more open, movement-friendly housing. In doing so, producers not only protect cow well-being but also safeguard vital economic returns. • AI integrates visual and accelerometer data for early lameness detection in dairy cows. • Facial biometrics reveal novel features, enhancing accurate lameness identification. • Multimodal AI model improves detection accuracy to 99.55 % for lameness in dairy cows. • Combines DenseNet and LSTM models for comprehensive analysis of cow behavior data. • Offers a non-invasive, real-time solution to enhance cow welfare and farm productivity.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».