基于机器学习的乳牛临床乳腺炎检测,使用牛奶电导率和体细胞计数
Lihong Pan1,2, Xiao Chen1,3, Ding Han1,4
1State Key Laboratory of Transducer Technology, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China.
Frontiers in veterinary science
|December 1, 2025
概括
机器学习模型使用体细胞计数 (SCC) 准确检测牛乳腺炎,性能优于电导率 (EC) 方法. SVM实现了95.6%的准确性,而FNN显示出优越的模式识别,改善了奶牛群的健康.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 乳制品科学 乳制品科学
- 机器学习应用 机器学习应用
背景情况:
- 牛乳炎对乳制品生产经济有重大影响.
- 目前的检测方法,如电导率 (EC),缺乏特异性.
- 体细胞计数 (SCC) 是一个可靠的生物标志物,但面临现有传感器的实施挑战.
研究的目的:
- 开发和评估用于准确检测牛乳腺炎的机器学习模型.
- 为了比较后勤回归 (LR),支持向量机 (SVM) 和前神经网络 (FNN) 的性能.
- 评估EC,SCC及其组合作为输入特征的实用性.
主要方法:
- 收集了来自四个奶牛场93头奶牛的数据.
- 使用EC和SCC数据训练和测试LR,SVM和FNN模型.
- 使用精度,灵敏度和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 基于SCC的模型显著优于基于EC的模型.
- 通过SCC,SVM实现了95.6%的精度和100%的灵敏度.
- FNN模型显示最高的AUC (0.981),表明强大的诊断能力.
- 结合EC和SCC数据显示,在特定场景中,增强强性具有潜力.
结论:
- 与EC相比,体细胞计数 (SCC) 是牛乳腺炎检测的优越指标.
- 机器学习,特别是FNN和SVM,为乳制品环境中的乳腺炎监测提供了强大的工具.
- 未来的研究应该集中在使用高精度SCC传感器的实时部署上.
