Оценка стереокамер для цифрового мониторинга экстерьера коров

Отметили значительный потенциал для внедрения цифровизации в животноводстве. К актуальным направлениям использования цифровых технологий относится замена ручного сбора данных о фенотипе животных, включая линейные показатели экстерьера. В вопросе создание бесконтактной системы цифрового мониторинга экстерьера крупного рогатого скота важным элементом являются камеры, обеспечивающие точное определение расстояния до объекта. Цифровая реконструкция морфометрии тела животных с помощью бесконтактного метода измерения и автоматическое определение размеров могут эффективно решить проблемы с неточностью и субъективностью бонитёров. (Цель исследования) Изучить возможность использования стереокамер для измерения расстояния до объектов с необходимой точностью, а также проанализировать работу системы стереозрения в разных участках кадра. (Материалы и методы) В исследовании использована стереопара из двух расположенных на плате объективов 1/3-Inch CMOS OV4689 на 4 мегапикселя на расстоянии 6,3 сантиметра друг от друга. Ориентиром достаточной точности измерения расстояния принималось достижение погрешности не более 1-2 процентов (1-2 сантиметра) от расстояния до объекта (0,5-1 метра). В качестве испытательного стенда использовался размеченный лист с шагом 25 сантиметров, а сами стереокамеры выполняли съемку стенда на расстоянии от 30 до 100 сантиметров с шагом 10 сантиметров. (Результаты и обсуждение) В двух этапах исследования применялись две конфигурации камер: одиночная стереокамера и единый блок из трех таких камер. Результаты съемки одиночной стереокамеры показали погрешность измерений 5-10 сантиметров на расстоянии 0,3-1 метра до объекта. Для блока из трех стереокамер точность оказалась аналогичной. Определили, что в центре кадра точность выше: средняя ошибка при близких к нулю углах зрения составила 3 сантиметра. (Выводы) Доказали отсутствие влияния количества стереопар на точности и то, что выявленная погрешность - это предел возможностей стереозрения для данных стереопар.

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. Кирсанов В.В., Владимиров Ф.Е., Павкин Д.Ю. и др. Сравнительный анализ и подбор систем мониторинга здоровья КРС // Вестник Всероссийского научно-исследовательского института механизации животноводства. 2019. N1(33). 27-31. EDN: ZAIQZN.

4. Anderson D.M., Estell R.E., Cibils A.F. Spatiotemporal cattle data - a plea for protocol standardization. Positioning. 2013. N4. 115-136. DOI: 10.4236/pos.2013.41012.

5. Дорохов А.С., Кирсанов В.В., Владимиров Ф.Е. и др. Температура и уровень pH рубца КРС как показатели вероятности репродуктивного успеха // Вестник НГИЭИ. 2019. N6(97). С. 117-126. EDN: IURGBX.

6. Alem H. The role of technical efficiency achieving sustainable development: A dynamic analysis of Norwegian dairy farms. Sustainability. 2021. N13(4). 1841. DOI: 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. N1 (49). С. 55-62. DOI: 10.31563/1684-7628-2019-49-1-55-62.

8. Харченко А.В., Фейзуллаев Ф.Р., Лепёхина Т.В. Экстерьерные особенности казахской белоголовой породы крупного рогатого скота // Инновационная наука. 2022. N6(1). С. 62-64. EDN: HCHSJB.

9. Чиндалиев А.Е., Калимолдинова А.С., Алипов А.У., Баймуканов А.Д. Использование линейной оценки экстерьера коров // Главный зоотехник. 2019. N8. С. 32-38. EDN: HYCFXA.

10. Ситдиков Ф.Ф., Цой Ю.А., Зиганшин Б.Г. Основные направления и проблемы цифровизации агропромышленного комплекса // Вестник Казанского государственного аграрного университета. 2019. Т. 14. N3. С. 112-115. DOI: 10.12737/article_5db97473887137.67106533.

11. Shi Ch., Zhang J., Teng G. Mobile measuring system based on LabVIEW for pigbody components estimation in a large-scale farm. Computers and Electronics in Agriculture. 2019. N156. 399-405. DOI: 10.1016/j.compag.2018.11.042.

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

13. Buller H., Blokhuis H., Lokhorst K. et al. Animal welfare management in a digital world. Animals. 2020. N10. 1779. DOI: 10.3390/ani10101779.

14. Xue T., Qiao Y., Kong H. et al. One-shot learning-based animal video segmentation. IEEE Transactions on Industrial Informatics. 2021. Vol. 18. N6. 3799-3807. DOI: 10.1109/TII.2021.3117020.

15. Власенкова Т. А., Козырева Ю.Ю. Цифровизация как основа эффективного ведения сельского хозяйства // Менеджмент в АПК. 2021. N2. С. 11-16. DOI: 10.35244/2782-3776-2021-1-2-11-16.

16. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object detection in 20 years: a survey. Computer Vision and Pattern Recognition. 2019. 1905.05055v2. DOI: 10.48550/arXiv.1905.05055.

17. 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. N155. 269-288. DOI: 10.1016/j.agsy.2016.09.021.

18. Qiao Y., Kong H., Clark C. et al. Intelligent perception-based cattle lameness detection and behaviour recognition: a review. Animals. 2021. N11. 3033. DOI: 10.3390/ani11113033.