Определение упитанности молочных коров для оперативного мониторинга их физиологического состояния

Отметили наличие проблемы в животноводстве с автоматизированной диагностикой физиологического состояния молочных коров, в том числе заболевания кетозом. Решили выявить возможность ежедневной диагностики физиологического состояния животных автоматическим бесконтактным способом. (Цель исследования) Разработать алгоритм комплексной оперативной диагностики физиологического состояния молочных коров по их живой массе и упитанности. (Материалы и методы) Натурные данные собирали в 2021-2022 годах на фермах хозяйств «Григорьевское» (Ярославская область), «Истринская сыроварня» и «Совхоз имени Ленина» (Московская область). Использовали коммерческую 3D ToF-камеру (Time-of-flight) O3D303, способную рассчитывать и выводить пространство точек (Point Cloud) в виде многомерного массива. В программе использовали 144 снимка, 136 из них прошли этап фильтрации, в 6 снимках не обнаружены области интересов, так как изображения имели высокую шумовую нагрузку, не был виден крестец. Исследовали 62 коровы. (Результаты и обсуждение) Доказали репрезентативность выборки и результатов: коэффициент корреляции Пирсона равен 0,849, что показывает сильную линейную зависимость между упитанностью и живой массой. Определили, что у 24 процентов коров балл упитанности был меньше нижней границы нормы. Составили алгоритм, помогающий ветеринарам в определение животных, которым нужен дополнительный осмотр. (Выводы) Выявили, что разработанный алгоритм помогает оперативно определять нарушения физиологического состояния молочных коров и в автоматическом режиме диагностировать заболевания на ранней стадии, без дополнительных трудозатрат и расходов на проведение анализов. 

1. Delić B., Belić B., Cincović M.R., Djokovic R., Lakić I. Metabolic adaptation in first week after calving and early prediction of ketosis type I and II in dairy cows. Large Animal Review. 2020. N26. 51-55.

2. Hubner A., Canisso I.F., Peixoto P.M., et al. Characterization of metabolic profile, health, milk production, and reproductive outcomes of dairy cows diagnosed with concurrent hyperketonemia and hypoglycemia. Journal of Dairy Science. 2022. Vol. 105. N11. 9054-9069

3. Puppel K., Kuczyńska B. Metabolic profiles of cow’s blood; a review. Journal of the Science of Food and Agriculture. 2016. N96. 4321-4328.

4. Wang Y., Huo P., Sun Y., Zhang Y. Effects of Body Condition Score Changes During Peripartum on the Postpartum Health and Production Performance of Primiparous Dairy Cows. Animals. 2019. N9. 1159.

5. Пустовая А.О., Секерин И.Ю., Куцевалов А.А. и др. Кетоз у коров // Вестник научно-технического творчества молодежи Кубанского ГАУ. 2016. Т. 4. N1. С. 198-200.

6. Эленшлегер А., Требухов А., Казакова О. Особенности кетогенеза у больных субклиническим кетозом коров до и после отела // Ветеринария сельскохозяйственных животных. 2016. N6. С. 27-30.

7. Deniz A., Aksoy K., Metin M. Transition period and subclinical ketosis in dairy cattle: association with milk production, metabolic and reproductive disorders and economic aspects. Medycyna Weterynaryjna. 2020. N76(09). 495-502.

8. Faruk M.S., Park B., Ha S., et al. Comparative study on different field tests of ketosis using blood, milk, and urine in dairy cattle. Veterinární medicína. 2020. N65. 199-206.

9. Frigo E., Dechow C.D., Pedron O., Cassell B.G. The genetic relationship of body weight and early-lactation health disorders in two experimental herds. Journal of Dairy Science. 2010. N93(3). 1184-1192.

10. Staničkov N., Cincović M., Djoković R., et al. Ketosis in Dairy Cows during Early Lactation – Detection in Pooled Blood Serum Samples. Acta Scientiae Veterinariae. 2022. N50. 1866. 1-8.

11. Satoła A., Bauer E.A. Predicting Subclinical Ketosis in Dairy Cows Using Machine Learning Techniques. Animals. 2021. N11. 2131.

12. Najm N.-A., Zimmermann L., Dietrich O., Rieger A., Martin R., Zerbe H. Associations between motion activity, ketosis risk and estrus behavior in dairy cattle. Preventive Veterinary Medicine. 2019. 104857.

13. Albornoz R.I., Giri K., Hannah M.C., Wales W.J. An Improved Approach to Automated Measurement of Body Condition Score in Dairy Cows Using a Three-Dimensional Camera System. Animals. 2022. N12. 72.

14. Li S., Wei X., Song J., Zhang C., Zhang Y., Sun Y. Evaluation of Statistical Process Control Techniques in Monitoring Weekly Body Condition Scores as an Early Warning System for Predicting Subclinical Ketosis in Dry Cows. Animals. 2021. N11. 3224.

15. Павкин Д.Ю., Юрочка С.С., Хакимов А.Р., Довлатов И.М. Разработка интеллектуального алгоритма взвешивания дойных коров // Агротехника и энергообеспечение. 2022. N3(36). С. 44-51.

16. Павкин Д.Ю., Юрочка С.С., Хакимов А.Р., Довлатов И.М. Разработка интеллектуальной весовой платформы для проведения бонитировочных работ // Агротехника и энергообеспечение. 2022. N3(36). С. 52-58.

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. Яремчук В.П. Некоторые вопросы сдачи-приемки живого скота // Мясные технологии. 2010. N2(86). С. 34-38.

19. Романов И.О., Стрельцов А.С. Функционально математическое определение показателей надежности и установление зависимости комплексного показателя от единичных на стадиях изготовления и восстановления деталей, определяющих безотказность машины // Надежность. 2018. Т. 18. N2. 10-16.