Combined Infrared Thermography and Agitated Behavior in Sows Improve Estrus Detection When Applied to Supervised Machine Learning Algorithms
Notice bibliographique
Résumé
The identification of estrus at the right moment allows for a higher success of fecundity with artificial insemination. Evaluating changes in body surface temperature of sows during the estrus period using an infrared thermography camera (ITC) can provide an accurate model to predict these changes. This pilot study comprised nine crossbred Large White x Landrace sows, providing 59 data records for analysis. Observed changes in the behavior and physiological signs of the sows signaled the identification of estrus. Images of the ocular area, ear tips, breast, back, vulva, and perianal area were collected with the ITC. The images were analyzed using the FLIR Thermal Studio Starter software. Infrared mean temperatures were reported and compared using ANOVA and Tukey–Kramer tests (p < 0.05). Supervised machine learning models were tested using random forest (RF), Conditional inference trees (Ctree), Partial least squares (PLS), and K-nearest neighbors (KNN), and the method performance was measured using a confusion matrix. The orbital region showed significant differences between estrus and non-estrus states in sows. In the confusion matrix, the algorithm predicted estrus with 87% accuracy in the test set, which contained 40% of the data, when agitated behavior was combined with orbital area temperature. These findings suggest the potential for integrating behavioral and physiological observations with orbital thermography and machine learning to detect estrus in sows under field conditions accurately.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».