Giving Cows a Digital Voice – AI-Enabled Bioacoustics and Smart Sensing in Precision Livestock Management – A Review
Notice bibliographique
Résumé
Abstract Cattle express their physiological and emotional states through vocalizations, often long before visible behavioral symptoms emerge. This review critically examines the evolution of artificial intelligence (AI) techniques used to decode these vocal signals, tracing the development from early signal processing and classical machine learning approaches to contemporary deep learning architectures and large language models (LLMs). Drawing from a systematic analysis of over 120 core studies, we evaluate the capabilities, limitations, and real-world applicability of current methods, highlighting persistent challenges such as data scarcity, limited cross-farm generalizability, and a lack of interpretability in black-box models. The integration of multimodal sensor data – including audio, accelerometry, thermal imaging, and environmental inputs – emerges as a pivotal strategy for achieving accurate, context-aware, and real-time welfare assessment. We propose a Hybrid Explainable Acoustic Multimodal (HEAM) model, which fuses spectrogram-based convolutional neural networks (CNNs), interpretable decision trees, and natural language reasoning modules to generate transparent and actionable alerts for farmers. In addition to surveying technical progress, the review explores ethical considerations, such as anthropomorphism, data privacy, and the potential misuse of AI in welfare decisions. Best practices for dataset curation, cross-farm validation, and model explainability are also outlined. By shifting animal welfare monitoring from intermittent human observation to continuous, sensor-driven, animal-centered analysis, AI-enabled bioacoustics holds promise for earlier disease detection, improved treatment outcomes, enhanced productivity, and increased societal trust in precision livestock farming.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».