MARC

 008260126s2025        us                              c    eng  d
■001000017358885
■00520260202104805
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291502723
■035    ▼a(MiAaPQ)AAI32165490
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a636
■1001  ▼aSwartz,  Drew  Matthew.
■24510▼aEffectiveness  and  Producers  Perceptions  of  Camera-Based  Technology  Detecting  Hoof  Lesions  in  Dairy  Cows
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a357  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Cramer,  Gerard.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2025.
■520    ▼aLameness  remains  a  significant  concern  in  the  dairy  industry,  with  growing  interest  in  automated  technologies  for  early  detection  and  intervention.  This  dissertation  combines  quantitative,  qualitative,  and  machine  learning  approaches  to  assess  both  the  technical  performance  of  an  autonomous  camera  system  and  stakeholder  perspectives  on  technology  implementation.  The  first  objective  of  this  thesis  was  to  evaluate  how  previous  research  has  applied  machine  learning  methods  for  detecting  lameness  and  hoof  lesions  in  dairy  cattle  (Chapter  1).  The  second  and  third  objectives  assessed  the  performance  of  an  automated  camera-based  system  that  scores  locomotion  and  body  condition.  Chapter  2  examined  whether  the  system's  locomotion  scores  were  associated  with  hoof  lesion  outcomes,  using  hoof  trimming  data  to  compare  cows  with  and  without  lesions.  Chapter  3  evaluated  the  system's  ability  to  reliably  identify  individual  cows.  Chapter  4  assessed  inter-  and  intra-observer  reliability  across  different  methods  of  body  condition  scoring,  including  human  observers,  photo-based  scoring,  and  the  automated  system.  Recognizing  the  role  of  human  perspectives  in  technology  adoption,  Chapters  5  and  6  explored  perceptions  of  lameness  and  lameness  detection  technologies  among  dairy  farm  decision-makers.  These  chapters  focused  on  stakeholders  view  lameness  management  priorities  and  barriers  to  adopting  automated  technologies.  Finally,  Chapter  7  evaluated  existing  locomotion  score-based  thresholds  for  identifying  cows  with  hoof  lesions,  while  Chapter  8  developed  a  machine  learning  algorithm  to  improve  classification  of  cows  requiring  intervention  for  hoof  lesions.  Together,  these  chapters  contribute  to  advancing  both  the  technical  capabilities  and  real-world  applicability  of  autonomous  lameness  detection  technologies  in  the  dairy  industry.
■590    ▼aSchool  code:  0130.
■650  4▼aAnimal  sciences
■650  4▼aMedicine
■653    ▼aAnimal  health
■653    ▼aDairy  cows
■653    ▼aInter-observer  agreement
■653    ▼aPrecision  Livestock  Farming
■653    ▼aPredictive  modeling
■653    ▼aMobility  classification
■690    ▼a0475
■690    ▼a0564
■690    ▼a0800
■690    ▼a0778
■71020▼aUniversity  of  Minnesota▼bVeterinary  Medicine.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358885▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books