Dairy DigiD: An Edge-Cloud Framework for Real-Time Cattle Biometrics and Health Classification
Notice bibliographique
Résumé
The advancement of precision livestock farming hinges not only on breakthroughs in artificial intelligence (AI), but also on overcoming practical challenges in deploying these technologies within real-world farm environments. To bridge this gap, we present Dairy DigiD, an integrated edge-cloud AI framework designed for real-time cattle biometric identification and physiological classification. Central to the system is the lightweight YOLOv11 model, optimized for deployment on NVIDIA Jetson devices through INT8 quantization and TensorRT acceleration, achieving 94.2% classification accuracy and 24 FPS in resource-constrained settings. Complementing this, a DenseNet121-based classifier enables accurate categorization of physiological states under varying farm conditions. A key innovation of Dairy DigiD lies in its active learning pipeline, powered by Roboflow, which enhances model adaptability by prioritizing low-confidence cases for annotation—reducing labeling overhead while maintaining model accuracy. The system also features a Gradio-based user interface that reduces technician onboarding time by 84%, improving accessibility for non-technical users. Validated across ten commercial dairy farms in Atlantic Canada, the framework addresses key barriers to AI adoption in agriculture—including hardware limitations, connectivity variability, and user training—while supporting energy-efficient, continuous monitoring. Rather than introducing new algorithms, Dairy DigiD demonstrates a replicable, systems-level integration of existing AI tools, offering a practical pathway for scalable, welfare-oriented livestock monitoring in commercial dairy operations.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».