vetpressАграрная наукаAgrarian science0869-81552686-701XРедакция журнала "Аграрная наука"10.32634/0869-8155-2025-392-03-110-115vetpress-3511Research ArticleАГРОИНЖЕНЕРИЯ И ПИЩЕВЫЕ ТЕХНОЛОГИИAGROENGINEERING AND FOOD TECHNOLOGIESКорреляционная зависимость между влажностью корма и его оптическими свойствами на примере жмыха подсолнечникаCorrelation dependence between feed moisture and its optical properties using sunflower cake as an examplehttps://orcid.org/0000-0001-7826-5197БлаговД. А.BlagovD. A.

Благов Дмитрий Андреевич - кандидат биологических наук, лаборатория инновационных технологий и технических средств кормления в животноводстве.

Институтский проезд, 5, стр. 1, Москва, 109428

Dmitry A. Blagov - Candidate of Biological Sciences, Laboratory of Innovative Technologies and Technical Means of Feeding in Animal Husbandry.

5/1 Institutsky proezd, Moscow, 109428

aspirantyra2013@gmail.comhttps://orcid.org/0000-0003-0918-2990НикитинЕ. А.NikitinE. A.

Никитин Евгений Александрович - кандидат технических наук, лаборатория инновационных технологий и технических средств кормления в животноводстве.

Институтский проезд, 5, стр. 1, Москва, 109428

Evgeny A. Nikitin - Candidate of Technical Sciences, Laboratory of Innovative Technologies and Technical Means of Feeding in Animal Husbandry.

5/1 Institutsky proezd, Moscow, 109428

evgeniy.nicks@yandex.ruhttps://orcid.org/0000-0002-4371-8042БеляковМ. В.BelyakovM. V.

Беляков Михаил Владимирович - доктор технических наук, лаборатория инновационных технологий и технических средств кормления в животноводстве.

Институтский проезд, 5, стр. 1, Москва, 109428

Mikhail V. Belyakov - Doctor of Technical Sciences, Laboratory of Innovative Technologies and Technical Means of Feeding in Animal Husbandry.

5/1 Institutsky proezd, Moscow, 109428

bmw20100@mail.ruФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation20252103202503110115Copyright © Благов Д.А., Никитин Е.А., Беляков М.В., 20252025Благов Д.А., Никитин Е.А., Беляков М.В.Blagov D.A., Nikitin E.A., Belyakov M.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vetpress.ru/jour/article/view/3511

Каждый тип сельскохозяйственного корма имеет уникальные оптические свойства и характеристики питательной ценности, которые необходимо учитывать на этапе составления рациона кормления животных для обеспечения рационального ведения хозяйственных процессов на промышленных животноводческих предприятиях.

Арбитражные химические методы оценки содержания влажности и питательной ценности сельскохозяйственных кормов трудоемки в реализации. Мировая практика показывает, что оптические методы могут служить эффективной альтернативой для разработки и изготовления приборной базы нового поколения, позволяющей определять качественные свойства материалов, в том числе сельскохозяйственных кормов (питательную ценность). Наиболее трудоемкая процедура разработки оптических приборов — это получение оптических калибровок (см. определение), которые обеспечивают интерпретацию значений косвенного параметра, характеризующего питательную ценность сельскохозяйственных кормов.

Исследование описывает процесс получения оптических калибровок методом варьирования контрольного показателя (на примере влажности корма) с последующим построением корреляционной связи между значением косвенного параметра (интенсивности фотолюминесценции) и контрольного показателя. Формирует методику построения алгоритмической связи для определения питательной ценности сельскохозяйственного корма. В том числе в портативном экспресс-анализаторе, функционирующем на основе фотолюминесценции.

Предлагаемая методика варьирования контрольного показателя может быть применена для получения оптических калибровок для экспресс-определения общего содержания жира и других показателей питательной ценности.

Each type of agricultural feed has unique optical properties and nutritional value characteristics that must be taken into account at the stage of drawing up an animal feeding diet to ensure the rational management of economic processes at industrial livestock enterprises.

Arbitrage chemical methods for assessing the moisture content and nutritional value of agricultural feed are laborious in the implementation. World practice shows that optical methods can serve as an effective alternative for the development and manufacture of a new generation instrument base that allows determining the qualitative properties of materials, including agricultural feed (nutritional value).

The most time-consuming procedure for developing optical devices is to obtain optical calibrations (see definition), which provide interpretation of the values of an indirect parameter that characterizes the nutritional value of agricultural feed.

The study describes the process of obtaining optical calibrations by varying the control indicator (using the example of feed moisture), followed by building a correlation between the value of an indirect parameter (photoluminescence intensity) and the control indicator. Including in a portable express analyzer operating on the basis of photoluminescence.

The proposed method of forming a control indicator can be used to obtain optical calibrations for rapid determination of total fat content and other indicators of nutritional value.

фотолюминесцентный контрольэкспресс-определение влажностидетектирование питательной ценностиphotoluminescent controlrapid determination of humiditydetection of nutritional valueReferencesКирсанов В.В., Беляков М.В., Никитин Е.А., Благов Д.А., Михайличенко С.М. Спектральный анализ как инструмент определения качества смешивания многокомпонентной кормовой смеси. Вестник Башкирского государственного аграрного университета. 2023; (3): 41‒46. https://www.elibrary.ru/rcobbxKirsanov V.V., Belyakov M.V., Nikitin E.A., Blagov D.A., Mikhailichenko S.M. Spectral analysis as a tool for determining the mixing quality of a multicomponent feed mixture. Vestnik Bashkir State Agrarian University. 2023; (3): 41‒46 (in Russian). https://www.elibrary.ru/rcobbxPavkin D.Y., Belyakov M.V., Nikitin E.A., Efremenkov I.Y., Golyshkov I.A. Determination of the Dependences of the Nutritional Value of Corn Silage and Photoluminescent Properties. Applied Sciences. 2023; 18(13): 10444. https://doi.org/10.3390/app131810444Pavkin D.Y., Belyakov M.V., Nikitin E.A., Efremenkov I.Y., Golyshkov I.A. Determination of the Dependences of the Nutritional Value of Corn Silage and Photoluminescent Properties. Applied Sciences. 2023; 18(13): 10444. https://doi.org/10.3390/app131810444Морозов Н.М., Кирсанов В.В., Ценч Ю.С. Историко-аналитическая оценка развития процессов автоматизации и роботизации в молочном животноводстве. Сельскохозяйственные машины и технологии. 2023; 17(1): 11‒18. https://doi.org/10.22314/2073-7599-2023-17-1-11-18Morozov N.M., Kirsanov V.V., Tsench Yu.S. Historical and Analytical Assessment of Automation and Robotization for Milking Processes. Agricultural Machinery and Technologies. 2023; 17(1): 11–18 (in Russian). https://doi.org/10.22314/2073-7599-2023-17-1-11-18Дорохов А.С., Кирсанов В.В., Павкин Д.Ю., Никитин Е.А., Михайличенко С.М., Благов Д.А. Анализ роботизированных кормораздатчиков для животноводческих комплексов по содержанию крупного рогатого скота. Электротехнологии и электрооборудование в АПК. 2023; 70(1): 94‒104. https://doi.org/10.22314/2658-4859-2023-70-1-94-104Dorokhov A.S., Kirsanov V.V., Pavkin D.Yu., Nikitin E.A., Mikhailichenko S.M., Blagov D.A. Analysis of robotic feeders for livestock complexes for the cattle breeding. Electrical technology and equipment in the agro-industrial complex. 2023; 70(1): 94‒104 (in Russian). https://doi.org/10.22314/2658-4859-2023-70-1-94-104Buelvas R.M., Adamchuk V.I., Leksono E., Tikasz P., Lefsrud M., Holoszkiewicz J. Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors. Computers and Electronics in Agriculture. 2019; 164: 104896. https://doi.org/10.1016/j.compag.2019.104896Buelvas R.M., Adamchuk V.I., Leksono E., Tikasz P., Lefsrud M., Holoszkiewicz J. Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors. Computers and Electronics in Agriculture. 2019; 164: 104896. https://doi.org/10.1016/j.compag.2019.104896Giménez-Gallego J., González-Teruel J.D., Soto-Valles F., Jiménez-Buendía M., Navarro-Hellín H., Torres-Sánchez R. Intelligent thermal image-based sensor for affordable measurement of crop canopy temperature. Computers and Electronics in Agriculture. 2021; 188: 106319. https://doi.org/10.1016/j.compag.2021.106319Giménez-Gallego J., González-Teruel J.D., Soto-Valles F., Jiménez-Buendía M., Navarro-Hellín H., Torres-Sánchez R. Intelligent thermal image-based sensor for affordable measurement of crop canopy temperature. Computers and Electronics in Agriculture. 2021; 188: 106319. https://doi.org/10.1016/j.compag.2021.106319Michelucci U., Venturini F. Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing. Applied Sciences. 2019; 9(22): 4748. https://doi.org/10.3390/app9224748Michelucci U., Venturini F. Multi-Task Learning for Multi-Dimensional Regression: Application to Luminescence Sensing. Applied Sciences. 2019; 9(22): 4748. https://doi.org/10.3390/app9224748Qin Y. et al. Acid Detection through a Rapid and Sensitive Amplified Luminescent Proximity Homogeneous Assay. Toxins. 2023; 15(8): 501. https://doi.org/10.3390/toxins15080501Qin Y. et al. Acid Detection through a Rapid and Sensitive Amplified Luminescent Proximity Homogeneous Assay. Toxins. 2023; 15(8): 501. https://doi.org/10.3390/toxins15080501Беляков М.В. Оптические спектральные свойства семян растений различной влажности. Вестник НГИЭИ. 2016; (4): 38‒50. https://www.elibrary.ru/vyuqrbBelyakov M.V. Optical spectral qualities of plant seeds with different moisture. Bulletin NGIEI. 2016; (4): 38‒50 (in Russian). https://www.elibrary.ru/vyuqrbZhang D., Wang Z., Jin N., Gu C., Chen Y., Huang Y. Evaluation of Efficacy of Fungicides for Control of Wheat Fusarium Head Blight Based on Digital Imaging. IEEE Access. 2020; 8: 109876–109890. https://doi.org/10.1109/ACCESS.2020.3001652Zhang D., Wang Z., Jin N., Gu C., Chen Y., Huang Y. Evaluation of Efficacy of Fungicides for Control of Wheat Fusarium Head Blight Based on Digital Imaging. IEEE Access. 2020; 8: 109876–109890. https://doi.org/10.1109/ACCESS.2020.3001652Sanjay M., Kalpana B. Early Mass Diagnosis of Fusarium Wilt in Banana Cultivations using an E-Nose Integrated Autonomous Rover System. International Journal of Applied Sciences and Biotechnology. 2017; 5(2): 261–266. https://doi.org/10.3126/ijasbt.v5i2.17621Sanjay M., Kalpana B. Early Mass Diagnosis of Fusarium Wilt in Banana Cultivations using an E-Nose Integrated Autonomous Rover System. International Journal of Applied Sciences and Biotechnology. 2017; 5(2): 261–266. https://doi.org/10.3126/ijasbt.v5i2.17621Karadağ K., Tenekeci M.E., Taşaltın R., Bilgili A. Detection of pepper fusarium disease using machine learning algorithms based on spectral reflectance. Sustainable Computing: Informatics and Systems. 2020; 28: 100299. https://doi.org/10.1016/j.suscom.2019.01.001Karadağ K., Tenekeci M.E., Taşaltın R., Bilgili A. Detection of pepper fusarium disease using machine learning algorithms based on spectral reflectance. Sustainable Computing: Informatics and Systems. 2020; 28: 100299. https://doi.org/10.1016/j.suscom.2019.01.001Hong S. et al. Visualization analysis of crop spectral index based on RGB-NIR image matching. Spectroscopy and Spectral Analysis. 2019; 39(11): 3493‒3500 (на кит. яз.).Hong S. et al. Visualization analysis of crop spectral index based on RGB-NIR image matching. Spectroscopy and Spectral Analysis. 2019; 39(11): 3493‒3500 (in Chinese).Yuan H. et al. Recent Advances in Fluorescent Nanoprobes for Food Safety Detection. Molecules. 2023; 28(14): 5604. https://doi.org/10.3390/molecules28145604Yuan H. et al. Recent Advances in Fluorescent Nanoprobes for Food Safety Detection. Molecules. 2023; 28(14): 5604. https://doi.org/10.3390/molecules28145604Liu S. et al. Fluorescence spectra of nutrients in chicken and skin under baking conditions. Optik. 2020; 18: 164795. https://doi.org/10.1016/j.ijleo.2020.164795Liu S. et al. Fluorescence spectra of nutrients in chicken and skin under baking conditions. Optik. 2020; 18: 164795. https://doi.org/10.1016/j.ijleo.2020.164795Alshehawy A.M., Mansour D.-E.A., Ghali M., Lehtonen M., Darwish M.M.F. Photoluminescence Spectroscopy Measurements for Effective Condition Assessment of Transformer Insulating Oil. Processes. 2021; 9(5): 732. https://doi.org/10.3390/pr9050732Alshehawy A.M., Mansour D.-E.A., Ghali M., Lehtonen M., Darwish M.M.F. Photoluminescence Spectroscopy Measurements for Effective Condition Assessment of Transformer Insulating Oil. Processes. 2021; 9(5): 732. https://doi.org/10.3390/pr9050732Iyer S.N., Behary N., Nierstrasz V., Guan J., Chen G. Study of photoluminescence property on cellulosic fabric using multifunctional biomaterials riboflavin and its derivative Flavin mononucleotide. Scientific Reports. 2019; 9: 8696. https://doi.org/10.1038/s41598-019-45021-5Iyer S.N., Behary N., Nierstrasz V., Guan J., Chen G. Study of photoluminescence property on cellulosic fabric using multifunctional biomaterials riboflavin and its derivative Flavin mononucleotide. Scientific Reports. 2019; 9: 8696. https://doi.org/10.1038/s41598-019-45021-5Ding K., Xiao L., Weng G. Active contours driven by region-scalable fitting and optimized Laplacian of Gaussian energy for image segmentation. Signal Processing. 2017; 134: 224‒233. https://doi.org/10.1016/j.sigpro.2016.12.021Ding K., Xiao L., Weng G. Active contours driven by region-scalable fitting and optimized Laplacian of Gaussian energy for image segmentation. Signal Processing. 2017; 134: 224‒233. https://doi.org/10.1016/j.sigpro.2016.12.021Jin R., Weng G. Active contours driven by adaptive functions and fuzzy c-means energy for fast image segmentation. Signal Processing. 2019; 163: 1‒10. https://doi.org/10.1016/j.sigpro.2019.05.002Jin R., Weng G. Active contours driven by adaptive functions and fuzzy c-means energy for fast image segmentation. Signal Processing. 2019; 163: 1‒10. https://doi.org/10.1016/j.sigpro.2019.05.002Chaikov L.L. et al. Two Convenient Methods for Detection of Non-Dairy Fats in Butter by Dynamic Light Scattering and Luminescence Spectroscopy. Applied Sciences. 2023; 13(15): 8563. https://doi.org/10.3390/app13158563Chaikov L.L. et al. Two Convenient Methods for Detection of Non-Dairy Fats in Butter by Dynamic Light Scattering and Luminescence Spectroscopy. Applied Sciences. 2023; 13(15): 8563. https://doi.org/10.3390/app13158563Halachmi I., Ben Meir Y., Miron J., Maltz E. Feeding behavior improves prediction of dairy cow voluntary feed intake but cannot serve as the sole indicator. Animal. 2016; 10(9): 1501‒1506. https://doi.org/10.1017/S1751731115001809Halachmi I., Ben Meir Y., Miron J., Maltz E. Feeding behavior improves prediction of dairy cow voluntary feed intake but cannot serve as the sole indicator. Animal. 2016; 10(9): 1501‒1506. https://doi.org/10.1017/S1751731115001809

The authors declare that there are no conflicts of interest present.