Работоспособность элементов макета системы оценки коров в создаваемых условиях внешней среды

Оценка фенотипа является неотъемлемой частью работы по улучшению генетического потенциала отечественных пород крупного рогатого скота. Проводятся исследования по цифровизации и автоматизации фенотипирования с использованием оптических систем распознавания и оценки линейных параметров животных. Разрабатывается макет бесконтактной системы мониторинга показателей фенотипа скота. Перемещение животных внутри макета (лабораторного измерительного стенда) ограничивается специальным прозрачным стеклом из полиэтилентерефталата, что позволяет получать трехмерные снимки экстерьера животных. Для подтверждения пригодности стекла к эксплуатации проведены лабораторные испытания. (Цель исследования) Определение степени влияния загрязнения стекла на точность работы оптической системы распознавания животных. (Материалы и методы) Приведены характеристики лабораторного стенда, объекта и оборудования, методика и условия эксперимента. Вероятность определения степени загрязнения стекла выражалось в пределах 0-1 (0,78 – высокая вероятность определения). (Результаты и обсуждение) Исследование показало, что система определения линейных параметров животных способно стабильно работать при загрязнении оградительного стекла до 30 процентов включительно. При загрязнении 50 процентов и некачественной очистке стекла возможность распознавания точек интереса снижается в 1,625 раза, а при загрязнении 80 процентов качественный сбор данных невозможен, в виду того, что камера не способна определить объект. При некачественной очистке стекла система работает нестабильно. (Выводы) Оптическая система позволяет распознавать и проводить оценку линейных параметров животных при загрязнении оградительного стекла лабораторного стенда не более 50 процентов и при условии его качественной очистки. При загрязнении стекла до 30 процентов данные оценки выше на 2,6-38 процента по сравнению с другими уровнями загрязнения.

1. Ценч Ю.С. Научно-технический потенциал как главный фактор развития механизации сельского хозяйства // Сельскохозяйственные машины и технологии. 2022. Т. 16. N2. С. 4-13. DOI: 10.22314/2073-7599-2022-16-2-4-13.

2. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15. N4. С. 6-10. DOI: 10.22314/2073-7599-2021-15-4-6-10.

3. Королев В.А., Башилов А.М. Видеоцифровое системно-метрическое управление агротехнологическими процессами // Вестник аграрной науки Дона. 2019. N4(48). С. 68-75.

4. Buller H., Blokhuis H., Lokhorst K. et al. Animal welfare management in a digital world. Animals. 2020. N10. 1779. doi.org/10.3390/ani10101779.

5. Martins B.M., Mendes A.L.C., Silva L.F. et al. Estimating body weight, body condition score, and type traits in dairy cows using three dimensional cameras and manual body measurements. Livestock Science. 2020. Vol. 236. 104054. doi.org/10.1016/j.livsci.2020.104054.

6. Zhao Y., Xiao Q., Li J., et al. Review on image-based animals weight weighing. Computers and Electronics in Agriculture. 2023. N215. 108456. doi.org/10.1016/j.compag.2023.108456.

7. Bi Ye, Campos L.M., Wang J., Yu H. Depth video data-enabled predictions of longitudinal dairy cow body weight using thresholding and Mask R-CNN algorithms. Smart Agricultural Technology. 2023. N6. 100352. doi.org/10.1016/j.atech.2023.100352.

8. Li J., Ma W., Bai Q. et al. A posture-based measurement adjustment method for improving the accuracy of beef cattle body size measurement based on point cloud data. Biosystems Engineering. 2023. N230. С. 171-190. DOI: 10.1016/biosystemseng,2023.04.014.

9. Zhao K.X., Shelley A.N., Lau D.L. et al. Automatic body condition scoring system for dairy cows based on depth-image analysis. International Journal of Agricultural and Biological Engineering. 2020. N13(4): 45–54. DOI: 10.25165/j.ijabe.20201304.5655.

10. Yurochka S.S., Dovlatov I.M., Pavkin D.Yu. et al. Technology of automatic evaluation of dairy herd fatness. Agriculture. 2023. N13(7). 1363. DOI: 10.3390/agriculture13071363.

11. Tsai D.M., Huang C.Y. A motion and image analysis method for automatic detection of estrus and mating behavior in cattle. Computers and Electronics in Agriculture. 2014. 104. 25-31. DOI: 10.1016/j.compag.2014.03.003

12. Xue T., Qiao Y., Kong H. et al. One-shot learning-based animal video segmentation. IEEE Transactions on Industrial Informatics. 2021. DOI: 10.1109/TII.2021.3117020.

13. Jones J.W., Antle J.M., Basso B. 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. DOI: 10.1016/j.agsy.2016.09.021

14. Charfeddine N., Pérez-Cabal M.A. Effect of claw disorders on milk production, fertility, and longevity, and their economic impact in Spanish Holstein cows. Journal of Dairy Science. 2017. (1):653-665. doi:10.3168/jds.2016-11434.

15. Qiao Y., Kong H., Clark C. et al. Intelligent perception-based cattle lameness detection and behaviour recognition: A Review. Animals. 2021. 11. 3033. https://doi.org/10.3390/ani11113033.

16. Дунин И.М., Павлов М.Б., Белик Н.И., Сердюков И.Г. Использование селекционных индексов в тонкорунном овцеводстве. Зоотехния. 2020. N2. С. 30-32. DOI: 10.25708/ZT.2020.33.25.010.

17. Bahlo C., Dahlhaus P., Thompson H., Trotter M. The role of interoperable data standards in precision livestock farming in extensive livestock systems: A review. Computers and Electronics in Agriculture. 2019. 156. 459-466. DOI: 10.1016/j.compag.2018.12.007