在哺乳期的霍尔斯坦犬中检测部病变:第二部分. 使用自主摄像系统数据与被动监视相比,开发和在农场验证预测分类模型

科学领域:

• 动物科学动物科学
• 兽医医学 兽医医学 兽医医学
• 机器学习在农业中的应用

背景情况:

• 部病变的检测对于奶牛场的管理至关重要.
• 现有的自主摄像头系统 (AUTO) 用于移动计分 (LS) 在区分受影响的奶牛方面存在局限性.
• 开发准确的检测模型对于及时干预和群体健康至关重要.

研究的目的:

• 开发和调整机器学习模型,以使用AUTO衍生的身体状况评分 (BCS) 和LS数据来检测脚病变.
• 评估表现最好的模型的现实性能和积极预测值 (PPV).
• 为了比较模型的PPV与农场的被动监控方法.

主要方法:

• 五个机器学习算法被训练并使用AUTO BCS,LS,健康和511头荷尔斯坦牛的牛奶生产数据进行交叉验证.
• 选择了一个针对F0.5分数 (强调PPV) 优化的随机森林模型.
• 顶级模型在现场环境中进行了前性评估,将其PPV与基于脚修剪结果的被动监测进行了比较.

主要成果:

• 在开发过程中,表现最好的随机森林模型实现了高PPV (100%培训,92.3%测试).
• 在实时实施中,该模型的PPV (13.7%) 低于被动监控 (48.6%).
• 这两种方法都确定了独特的案例,突出了潜在的互补价值,但也增加了模型中不必要的剪裁.

结论:

• 开发的随机森林模型显示了补充脚病变检测的潜力,识别了被动监测错过的病例.
• 然而,该车型较低的PPV需要仔细考虑增加不必要的修饰和相关成本.
• 需要进一步精细化,以平衡乳牛群管理中的检测灵敏度和经济可行性.