Эффективность болюсов и ошейников с акселерометрами в мониторинге двигательной активности коров молочного стада

В современных системах точного животноводства для контроля здоровья и продуктивности скота активно применяются носимые и имплантируемые устройства с акселерометрами. В данном исследовании проведена сравнительная оценка двух устройств — ошейника SCR Heatime (Allflex Livestock Intelligence, Израиль) и рубцового болюса «Здоровье коров» (ФГБНУ ФНАЦ ВИМ, Россия) — для классификации активности и жвачки у молочных коров. Эксперимент проводили на базе фермы Кубанского ГАУ в течение 90 дней на коровах голштинской породы. Устройства регистрировали данные с частотой 10 Гц, которые в дальнейшем анализировали с помощью алгоритмов машинного обучения для идентификации ключевых поведенческих паттернов: кормления, жвачки, ходьбы и отдыха. Результаты показали, что ошейники демонстрируют более высокую точность (94,2%) при распознавании кормления и ходьбы, в то время как болюсы превзошли их в мониторинге жвачки (97,8%). Комбинированное использование обоих устройств позволило достичь максимальной общей точности классификации поведения — 98,1%. Дополнительно исследовали эффективность систем в выявлении половой охоты: совместное применение ошейников и болюсов повысило точность детекции на 12% по сравнению с раздельным использованием. Полученные данные подчеркивают взаимодополняющую роль носимых и имплантируемых сенсоров в цифровом животноводстве. Комбинация технологий не только улучшает мониторинг физиологического состояния коров, но и открывает перспективы для создания цифровых двойников животных, что способствует оптимизации управления стадом и повышению экономической эффективности молочных ферм.

1. Лобачевский Я.П., Дорохов А.С. Цифровые технологии 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. Фёдоров А.Д., Кондратьева О.В., Слинько О.В. О перспективах цифровизации животноводства. Вестник Всероссийского научноисследовательского института механизации животноводства. 2019; (1): 127‒131. https://elibrary.ru/urcasi

4. Norton T., Chen C., Larsen M.L.V., Berckmans D. Review: Precision livestock farming: Building “digital representations” to bring the animals closer to the farmer. Animal. 2019; 13(12): 3009‒3017. https://doi.org/10.1017/S175173111900199X

5. Pereira G.M., Sharpe K.T., Heins B.J. Evaluation of the RumiWatch system as a benchmark to monitor feeding and locomotion behaviors of grazing dairy cows. Journal of Dairy Science. 2021; 104(3): 3736‒3750. https://doi.org/10.3168/jds.2020-18952

6. Zhang F. et al. Research Advances and Prospect of Intelligent Monitoring Systems for the Physiological Indicators of Beef Cattle. Smart Agriculture. 2024; 6(4): 1‒17 (на кит. яз.). https://doi.org/10.12133/j.smartag.SA202312001

7. Bikker J.P. et al. Technical note: Evaluation of an ear-attached movement sensor to record cow feeding behavior and activity. Journal of Dairy Science. 2014; 97(5): 2974–2979. https://doi.org/10.3168/jds.2013-7560

8. Borchers M.R., Chang Y.M., Tsai I.C., Wadsworth B.A., Bewley J.M. A validation of technologies monitoring dairy cow feeding, ruminating, and lying behaviors. Journal of Dairy Science. 2016; 99(9): 7458‒7466. https://doi.org/10.3168/jds.2015-10843

9. Hajnal É., Kovács L., Vakulya G. Dairy Cattle Rumen Bolus Developments with Special Regard to the Applicable Artificial Intelligence (AI) Methods. Sensors. 2022; 22(18): 6812. https://doi.org/10.3390/s22186812

10. Reiter S. et al. Evaluation of an ear-tag-based accelerometer for monitoring rumination in dairy cows. Journal of Dairy Science. 2018; 101(4): 3398‒3411. https://doi.org/10.3168/jds.2017-12686

11. Vázquez Diosdado J.A. et al. Classification of behaviour in housed dairy cows using an accelerometer-based activity monitoring system. Animal Biotelemetry. 2015; 3: 15. https://doi.org/10.1186/s40317-015-0045-8

12. El Moutaouakil Kh., Falih N. Deep learning-based classification of cattle behavior using accelerometer sensors. IAES International Journal of Artificial Intelligence. 2024; 13(1): 524‒532. https://doi.org/10.11591/ijai.v13.i1.pp524-532

13. Lovatti J.V.R., Dijkinga K.A., Aires J.F., Garrido L.F.C., Costa J.H.C., Daros R.R. Validation and interdevice reliability of a behavior monitoring collar to measure rumination, feeding activity, and idle time of lactating dairy cows. JDS Communications. 2024; 5(6): 602‒607. https://doi.org/10.3168/jdsc.2023-0467

14. Владимиров Ф.Е. Разработка цифрового устройства для мониторинга физиологического состояния крупного рогатого скота. Диссертация на соискание ученой степени кандидата технических наук. Москва. 2024; 154.