Разработка модульной системы цифровизации бонитировочных работ

Отметили недостатки существующих на рынке весовых платформ для взвешивания молочного скота при бонитировке. Предложили определять упитанность животных путем сканирования крестца оптическими системами, что позволяет отслеживать их физиологическое состояние и в случае нарушений оперативно изменять рацион. (Цель исследования) Разработать модульную систему цифровизации бонитировочных работ при условии автономности и независимости модулей. (Материалы и методы) Приняли во внимание необходимость интегрирования в общую систему фермы с использованием единого интернет-пространства. Предусмотрели 4 модуля. Составили алгоритм бонитировки и сопоставили его со схемой расположения модулей, чтобы оценить масштабы работы по цифровизации бонитировочных работ. В модуле взвешивания установили 4 тензометрических датчика. (Результаты и обсуждение) Доказали, что модуль осуществляет высокоточное (точность С3) взвешивание животных независимо от их движения и расположения в боксе, результаты выводятся на дисплей единого блока управления. Камеру модуля технического зрения расположили на высоте 2200 миллиметров, что исключает ее повреждение животными и обеспечивает беспрепятственный обзор для трехмерной ToF-камеры. Транспортировочные габариты прототипа системы составляют: длина – 2500 миллиметров, ширина – 1564, высота – 2118 миллиметров. Общая масса изготовленной системы, включая исходную платформу, составляет ориентировочно 620-640 килограммов. (Выводы) Разработали и создали модульную систему цифровизации бонитировочных работ. Выявили, что погрешность модуля взвешивания при испытании с вариантами эталонной массы 655 и 1200 килограммов была менее 1 процента.

1. Büscher W. Digitization of the barn – current status and perspectives. Züchtungskunde. 2019. Vol. 91. N1. 35-44.

2. Burmistrov D.E., Pavkin D.Y., Khakimov A.R., Ignatenko D.N., Nikitin E.A., Lednev V.N., Lobachevsky Y.P., Gudkov S.V., Zvyagin A.V. Application of Optical Quality Control Technologies in the Dairy Industry: An Overview. Photonics. 2021. N8. 551.

3. Khakimov A.R., Pavkin D.Y., Yurochka S.S., Astashev M.E., Dovlatov I.M. Development of an Algorithm for Rapid Herd Evaluation and Predicting Milk Yield of Mastitis Cows Based on Infrared Thermography. Applied Sciences. 2022. N12. 6621.

4. Лачуга Ю.Ф., Измайлов А.Ю., Лобачевский Я.П., Шогенов Ю.Х. Результаты научных исследований агроинженерных научных организаций по развитию цифровых систем в сельском хозяйстве // Техника и оборудование для села. 2022. N3(297). С. 2-6.

5. Feng L.Q., Wei L.J., Hong M.W. Yu D.L., Yang Y.Q. Research progress of intelligent sensing technology for diagnosis of livestock and poultry diseases. Scientia Agricultura Sinica. 2021. N54(11). 2445-2463.

6. Daros R.R., Weary D.M., von Keyserlingk M.A.G. Invited review: Risk factors for transition period disease in intensive grazing and housed dairy cattle. Journal of Dairy Science. 2022. N105(6). 4734-4748.

7. Wurtz K., Camerlink I., D’Eath R.B., Fernández A.P., Norton T., Steibel J., Siegford J. Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic revie. PLoS ONE. 2019. N14(12).

8. Сатдыкова Ю.С., Горелик О.В., Неверова О.П. Эффективность производства молока в зависимости от живой массы коров-первотелок // Молодежь и наука. 2020. N11.

9. Косилов В.И., Никонова Е.А., Джалов А.Г. Потребление и использование кормов и энергии рациона телками черно-пестрой породы и ее помесями // Известия Оренбургского государственного аграрного университета. 2016. N4(60). С. 124-127.

10. Вильвер Д.С., Фомина А.А. Влияние энергетической кормовой добавки на изменчивость показателей молочной продуктивности коров черно-пестрой породы // Известия Оренбургского государственного аграрного университета. 2017. N1(63). С. 140-142.

11. Morales-Piñeyrúa J.T., Damián J.P., Banchero G., Blache D., Sant'Anna A.C. Metabolic profile and productivity of dairy Holstein cows milked by a pasture-based automatic milking system during early lactation: Effects of cow temperament and parity. Research in Veterinary Science. 2022. 147. 50-59.

12. Кирсанов В.В., Павкин Д.Ю., Довлатов И.М., Жмылев В.А. Модуль базовой станции приема-передачи данных физиологического состояния КРС // Агроинженерия. 2022. Т. 24. N1. С. 28-34.

13. Довлатов И.М., Юрочка С.С. Разработка энергоэффективной системы микроклимата для беспривязного содержания дойного стада // Сельскохозяйственные машины и технологии. 2021. Т. 15. N3. С. 73-80.

14. Краусп В.Р., Харатян Г.А. Контроль живой массы и диагностика состояния здоровья крупного рогатого скота // Инновации в сельском хозяйстве. 2016. N6(21). С. 46-51.

15. Харатян Г.А., Дубровин А.В., Суюнчалиев Р.С. Новая технологическая линия автоматизированного контроля живой массы и численности поголовья овец в пастбищных условиях их содержания // Механизация и электрификация сельского хозяйства. 2015. N8. 19-22.

16. Manshin Yu.P., Manshina E.Yu., Geue M. About the dynamic error of strain gauge torque measuring devices. Journal of Physics: Conference Series. 2021. 2131(5).

17. Павкин Д.Ю., Юрочка С.С., Шилин Д.В., Рузин С.С. Бесконтактная оценка упитанности молочных коров с использованием ToF-технологии // Агроинженерия. 2021. N2(102). С. 39-44.

18. Лобачевский Я.П., Бейлис В.М., Ценч Ю.С. Аспекты цифровизации системы технологий и машин // Электротехнологии и электрооборудование в АПК. 2019. N3(36). С. 40-45.