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 inspectors play a crucial role in quality control, identifying and condemning unhealthy tissue, with this process occurring at line speed. Whilst optimized for reporting of disease conditions for quality assurance processes, the time and tools currently available to inspectors, or other on-floor staff, restricts the depth of information able to be recorded due to rapid chain speeds. Impacts to the supply chain due to downgraded product can be significant. For example, abscessed condemned at around 3% of beef cattle slaughtered [2]. Line speed automated disease assessment therefore offers a promising layer of objective data for defect capture and producer feedback.Currently, Smart Imaging Systems (SIS) are used in processing plants for foreign object detection, quality assurance and quality control of meat products. One imaging modality, hyperspectral cameras, capture light reflected from the meat product, across multiple wavelengths in near infrared to visible ranges with this data being utilized via Machine learning models to identify multiple visual and biochemical tissue characteristics [3]. Current in-plant hyperspectral imaging systems include the composition analysis of meat cuts and control of foreign materials [4]. Automated assessment for abscesses and other offal health conditions, using imaging systems such as hyperspectral analysis, could therefore expand offal inspection with objective data. To investigate this, the development of hyperspectral disease detection models using commercially available smart imaging 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».