Оценка применимости трехмерных времяпролетных камер для цифрового мониторинга экстерьера коров

В настоящее время процесс сбора линейных параметров экстерьера коров в основном проводится в ручном режиме, что является трудоемким, сложным и зависимым от навыков ветеринара процессом. Для быстрой и точной бонитировки предлагается разработка интеллектуальной системы бесконтактной цифровой оценки экстерьера крупного рогатого скота, основанной на применении видеокамер и современных технологий анализа изображений. Такой мониторинг позволит проводить диагностику заболеваний и выявлять их на ранней стадии.

Цели исследования — проведение сравнения двух таких камер и определение их применимости в разрабатываемой системе.

Использовались лабораторный стенд с большим числом объектов на заранее известном расстоянии от камер, специально разработанное программное обеспечение для обработки результатов и построения линейной регрессии, связывающей реальное расстояние с измеренным. Была разработана специальная корректировка для уменьшения погрешности камер. В результате определили, что обе камеры такого типа имеют среднюю погрешность ±5 мм при измерении объектов на расстоянии от 382 до 671 мм, получая снимки с апертурой до 60 × 45° и разрешением до 480 × 480 пикселей. Был сделан вывод, что погрешность обеих камер является допустимой для оснащения разрабатываемой системы, не превышая 2% на 1 м.

1. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и технологии. 2021; 15(4): 6-10. https://doi.org/10.22314/2073-7599-2021-15-4-6-10

2. Ценч Ю.С. Научно-технический потенциал как главный фактор развития механизации сельского хозяйства. Сельскохозяйственные машины и технологии. 2022; 16(2): 4-13. https://doi.org/10.22314/2073-7599-2022-16-2-4-13

3. Кирсанов В.В., Владимиров Ф.Е., Павкин Д.Ю., Рузин С.С., Юрочка С.С. Сравнительный анализ и подбор систем мониторинга здоровья КРС. Вестник ВНИИМЖ. 2019; (1): 27-31. https://elibrary.ru/zaiqzn

4. Anderson D.M., Estell R.E., Cibils A.F. Spatiotemporal Cattle Data — A Plea for Protocol Standardization. Positioning. 2013; 4(1): 115-136. https://doi.org/10.4236/pos.2013.41012

5. Павкин Д.Ю., Юрочка С.С., Хакимов А.Р, Довлатов И.М. Разработка модульной системы цифровизации бонитировочных работ. Сельскохозяйственные машины и технологии. 2022; 16(4): 54-59. https://doi.org/10.22314/2073-7599-2022-16-4-54-59

6. Alem H. The Role of Technical Efficiency Achieving Sustainable Development: A Dynamic Analysis of Norwegian Dairy Farms. Sustainability. 2021; 13(4): 1841. https://doi.org/10.3390/su13041841

7. Батанов С.Д., Баранова И.А., Старостина О.С. Модель прогнозирования молочной продуктивности коров по их экстерьерным особенностям. Вестник Башкирского государственного аграрного университета. 2019; (1): 55-62. https://doi.org/10.31563/1684-7628-2019-49-1-55-62

8. Харченко А.В., Фейзуллаев Ф.Р, Лепехина Т.В. Экстерьерные особенности казахской белоголовой породы крупного рогатого скота. Инновационная наука. 2022; (6-1): 62-64. https://elibrary.ru/hchsjb

9. Чиндалиев А.Е., Калимолдинова А.С., Алипов А.У., Баймуканов А.Д. Использование линейной оценки экстерьера коров. Главный зоотехник. 2019; (8): 32-38. https://elibrary.ru/hycfxa

10. Ситдиков Ф.Ф., Цой Ю.А., Зиганшин Б.Г. Основные направления и проблемы цифровизации агропромышленного комплекса. Вестник Казанского государственного аграрного университета. 2019; 14(3): 112-115. https://doi.org/10.12737/article_5db97473887137.67106533

11. Shi C., Zhang J., Teng G. Mobile measuring system based on LabVIEW for pig body components estimation in a large-scale farm. Computers and Electronics in Agriculture. 2019; 156: 399-405. https://doi.org/10.1016/j.compag.2018.11.042

12. Башилов А.М., Королев В.А. Видеоцифровое системнометрическое управление агротехнологическими процессами. Вестник аграрной науки Дона. 2019; (4): 68-75. https://elibrary.ru/vsyvcn

13. Buller H., Blokhuis H., Lokhorst K., Silberberg M., Veissier I. Animal Welfare Management in a Digital World. Animals. 2020; 10(10): 1779. https://doi.org/10.3390/ani10101779

14. Xue T. etal. One-Shot Learning-Based Animal Video Segmentation. IEEE Transactions on Industrial Informatics. 2022; 18(6): 3799-3807. https://doi.org/10.1109/TN.2021.3117020

15. Власенкова Т.А., Козырева Ю.Ю. Цифровизация как основа эффективного ведения сельского хозяйства. Менеджмент в АПК. 2021; (2): 11-16. https://elibrary.ru/nttevs

16. Zou Z., Chen K., Shi Z., Guo Y, Ye J. Object Detection in 20 Years: A Survey. Proceedings of the IEEE. 2023; 111(3): 257-276. https://doi.org/10.1109/JPROC.2023.3238524

17. Jones J.W. et al. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science. Agricultural Systems. 2017; 155: 269-288. https://doi.org/10.1016Zj.agsy.2016.09.021

18. Qiao Y, Kong H., Clark C., Lomax S., Su D., Eiffert S., Sukkarieh S. Intelligent Perception-Based Cattle Lameness Detection and Behaviour Recognition: A Review. Animals. 2021; 11(11): 3033. https://doi.org/10.3390/ani11113033