AI-Driven Bioacoustics in Poultry Farming: A Critical Systematic Review on Vocalization Analysis for Stress and Disease Detection
Notice bibliographique
Résumé
The fusion of artificial intelligence (AI) and acoustic sensing is fundamentally reshaping poultry welfare monitoring by offering unprecedented, non-invasive insights into the emotional, physiological, and behavioral states of birds through vocal analysis. This systematic review delves into the transformative intersection of bioacoustics, machine learning, and animal welfare, meticulously examining the shift from traditional acoustic feature extraction methods, like Mel-Frequency Cepstral Coefficients (MFCCs) and spectrogram analysis, toward cutting-edge deep learning architectures, such as CNNs, LSTMs, attention mechanisms, and powerful self-supervised models like wav2vec2 and Whisper. Critically, it highlights the evolution toward compact, real-time deployment solutions, including TinyML and edge computing, designed specifically for the dynamic and noisy environments of commercial poultry farms. Emotion recognition, early disease detection, and nuanced behavioral decoding emerge as pivotal application areas, underscoring the immense potential for proactive and responsive livestock management. Furthermore, the review sheds light on emerging open-source toolkits and automated pipelines enhancing dataset preprocessing, annotation accuracy, and robust acoustic inference. Employing advanced bibliometric mapping and thematic clustering, the paper identifies critical gaps in research reproducibility, dataset standardization, and the interpretability of complex AI models. It calls for rigorous advancements in explainable AI methodologies, advocates for greater cross-species generalization of acoustic models, and urges a conscientious approach to ethical AI design. Ultimately, this review underscores the necessity for holistic, interpretable, and ethically informed frameworks, positioning acoustic AI as a transformative force in enhancing animal welfare and operational efficiency within the poultry industry.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».