Abscess detection on bovine livers with a commercial smart imaging system
Notice bibliographique
Résumé
Meat processors are responsible for ensuring that animal carcasses are fit for human consumption [1]. Trained meat <br/>inspectors play a crucial role in quality control, identifying and condemning unhealthy tissue, with this process occurring <br/>at line speed. Whilst optimized for reporting of disease conditions for quality assurance processes, the time and tools <br/>currently available to inspectors, or other on-floor staff, restricts the depth of information able to be recorded due to rapid <br/>chain speeds. Impacts to the supply chain due to downgraded product can be significant. For example, abscessed <br/>condemned at around 3% of beef cattle slaughtered [2]. Line speed automated disease assessment therefore offers a <br/>promising layer of objective data for defect capture and producer feedback.Currently, Smart Imaging Systems (SIS) are <br/>used in processing plants for foreign object detection, quality assurance and quality control of meat products. One imaging <br/>modality, hyperspectral cameras, capture light reflected from the meat product, across multiple wavelengths in near <br/>infrared to visible ranges with this data being utilized via Machine learning models to identify multiple visual and <br/>biochemical tissue characteristics [3]. Current in-plant hyperspectral imaging systems include the composition analysis of <br/>meat cuts and control of foreign materials [4]. Automated assessment for abscesses and other offal health conditions, <br/>using imaging systems such as hyperspectral analysis, could therefore expand offal inspection with objective data. To <br/>investigate this, the development of hyperspectral disease detection models using commercially available smart imaging <br/>system was investigated.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».