Multimodal AI systems for enhanced laying hen welfare assessment and productivity optimization
Notice bibliographique
Résumé
The future of poultry production hinges on a revolutionary paradigm shift: transforming subjective, labor-intensive welfare assessments into data-driven, intelligent monitoring systems. Traditional welfare evaluation methods—constrained by human limitations and unimodal sensor dependencies—fail to capture the intricate, multidimensional nature of laying hen welfare in modern commercial environments. Multimodal Artificial Intelligence (AI) emerges as the critical breakthrough technology, orchestrating sophisticated fusion of visual, acoustic, environmental, and physiological data streams to unlock unprecedented insights into avian welfare dynamics. This comprehensive review synthesizes 130 peer-reviewed studies, revealing multimodal AI's transformative potential in laying hen welfare monitoring. Through systematic analysis of fusion architectures, we demonstrate that intermediate (feature-level) fusion strategies achieve optimal robustness-performance equilibrium under real-world poultry conditions, delivering superior scalability compared to early or late fusion approaches. Our investigation exposes critical implementation barriers: sensor fragility in harsh environments, prohibitive deployment costs, inconsistent behavioral taxonomies, and limited cross-farm generalizability that collectively impede widespread adoption. To overcome these challenges, we introduce two pioneering evaluation frameworks: the Domain Transfer Score (DTS) quantifying model generalizability across diverse farm conditions, and the Data Reliability Index (DRI) assessing sensor data quality under operational constraints. Additionally, we propose a modular, context-aware deployment framework specifically engineered for laying hen environments, enabling scalable integration of multimodal sensing technologies. This review establishes the scientific foundation for transitioning from reactive, unimodal monitoring to proactive, multimodal welfare systems, ultimately catalyzing the evolution toward precision-driven, ethically conscious poultry production that harmonizes productivity with animal welfare imperatives.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».