使用深度学习预测和解释肉类的高死后结果:改善福利管理的途径
Chalita Jainonthee1, Phutsadee Sanwisate2, Panneepa Sivapirunthep3
1Veterinary Academic Office, Faculty of Veterinary Medicine, Chiang Mai University, Chiang Mai 50100, Thailand; Veterinary Public Health and Food Safety Centre for Asia Pacific (VPHCAP), Faculty of Veterinary Medicine, Chiang Mai University, Chiang Mai 50100, Thailand; Research Center for Veterinary Biosciences and Veterinary Public Health, Faculty of Veterinary Medicine, Chiang Mai University, Chiang Mai 50100, Thailand.
Poultry science
|June 20, 2025
概括
肉的高死亡率是由一个可解释的深度学习模型预测的. 关键因素包括群体大小,巢穴温度,子年龄和运输时间,从而实现有针对性的福利改善.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 数据科学数据科学数据科学
背景情况:
- 到达时死亡率 (DOA) 是家禽生产中一个重要的福利和经济问题.
- 肉类,与肉和不同,需要更多关于屠宰前压力因素影响的研究.
- 现有的用于DOA预测的机器学习模型往往缺乏透明度,限制了实际使用.
研究的目的:
- 开发一种可解释的深度学习模型,用于预测肉类的高DOA结果.
- 确定影响DOA率的关键屠宰前管理和环境因素.
- 通过可解释性来增强预测模型的实际应用.
主要方法:
- 分析了从2022年到2023年的8220辆卡车载有肉类子的输入.
- 开发用于DOA分类的深度学习模型.
- 应用夏普利添加式解释 (SHAP) 来实现模型的解释性.
主要成果:
- 该模型实现了80.29%的准确性,79.25%的精度,80.29%的回忆率和76.03%的AUC-ROC.
- 高DOA的重要预测因素包括头数量,巢穴温度,子年龄和运输时间.
- 更高的密度,更低的巢穴温度,更年轻的子和更短的运输时间与增加的DOA风险有关.
结论:
- 可解释的深度学习模型可以准确地预测肉的高DOA率.
- SHAP分析为推动DOA的因素提供了关键的见解,支持有针对性的干预措施.
- 这些发现可以优化处理,运输和巢穴,以改善子的福利和降低死亡率.
