Разработка алгоритма оценки физиологической упитанности молочных коров
https://doi.org/10.26897/2687-1149-2022-6-4-8
Аннотация
Оценка упитанности коров (BCS) с применением нейросетевых алгоритмов позволяет следить за здоровьем и продуктивностью животного. С целью разработки алгоритма оценки физиологической упитанности молочных коров по параметрам маклаков, крестца и голодной ямки на ферме ГУП «Григорьевское» проведено исследование 80 гол., которые были распределены на группы упитанности (от 1 до 5). Исследования проводились в ноябре 2021 г. во время утреннего доения. Сбор массива данных производился с использованием 3D ToF-камеры O3D 303. Предварительно было проведено моделирование установки трехмерной камеры на ферме, разработан алгоритм, учитывающий рост коровы и расстояние от высшей точки позвоночника до трехмерной камеры. Разработан алгоритм оценки физиологической упитанности молочных коров в соответствии с оценкой состояния маклаков, крестца, голодной ямки, определяющий наивысшую точку холки, пропорции между длиной и шириной туловища, а также глубиной голодных ямок и выраженность хвостовой связки. Разработано программное обеспечение, позволяющее регистрировать номер коровы и определять балл упитанности, а также показывать динамику изменения упитанности животного. Обработка данных проводилась в соответствии с разработанным алгоритмом. Обработка изображений проводилась методом регрессии. Сравнение оценки упитанности коров, проведенной согласно разработанному алгоритму, и оценки экспертов показало, что погрешность работы алгоритма в диапазоне упитанности 2…4 балла составила в среднем 10%. При определении упитанности коров, имеющих пограничное и граничное состояние упитанности (1 и 5 баллов), ошибка измерения предложенным алгоритмом увеличивается до 25%. На основе полученных результатов для дальнейших исследований рекомендовано обучить нейронную сеть; определить корректирующий коэффициент для 1 и 5 баллов упитанности; доработать программное обеспечение, разработать пользовательское ПО с разработкой проходного станка бонитировки и провести испытания.
Ключевые слова
Об авторах
В. В. КирсановРоссия
КИРСАНОВ ВЛАДИМИР ВЯЧЕСЛАВОВИЧ, чл-корр. РАН, д-р техн. наук, профессор, заведующий отделом
109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5
Д. Ю. Павкин
Россия
ПАВКИН ДМИТРИЙ ЮРЬЕВИЧ, канд. техн. наук, заведующий лабораторией
109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5
И. М. Довлатов
Россия
ДОВЛАТОВ ИГОРЬ МАМЕДЯРЕВИЧ, канд. техн. наук, научный сотрудник
109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5
С. С. Юрочка
Россия
ЮРОЧКА СЕРГЕЙ СЕРГЕЕВИЧ, младший научный сотрудник
109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5
С. С. Рузин
Россия
РУЗИН СЕМЕН СЕРГЕЕВИЧ, младший научный сотрудник
109428, Российская Федерация, г. Москва, 1-й Институтский проезд, д. 5
Список литературы
1. Pavkin D.Yu., Dorokhov A.S., Vladimirov F.E., Dovlatov I.M., Lyalin K.S. Algorithms for detecting cattle diseases at early stages and for making diagnoses and related recommendations. Applied Sciences (Switzerland). 2021; 11 (23): 11148. https://doi.org/10.3390/app112311148
2. Колотушкин А.Н., Юрочка С.С., Васина М.Ю., Довлатов И.М. Устройство автоматического регулирования качества воздуха в животноводческих помещениях // Агротехника и энергообеспечение. 2021. № 3 (32). С. 17-23. 3. Кирсанов В.В., Павкин Д.Ю., Никитин Е.А., Довлатов И.М. Методика оптимизации параметров машинного кормления крупного рогатого скота // Агроинженерия. 2021. № 1 (101). С. 10-14. https://doi.org/10.26897/2687-1149-2021-1-10-14
3. Vanholder T., Papen J., Bemers R., Vertenten G., Berge A.C.B. Risk factors for subclinical and clinical ketosis and association with production parameters in dairy cows in the Netherlands. Journal of dairy science. 2015; 98 (2): 880-888. https://doi.org/10.3168/jds.2014-8362
4. Chapel J.M., Muiño R., Pereira V., Castillo C., Hernández J., Benedito J.L. Relationship of BCS prepartum with reproductive performance and lipomobilization in Holstein dairy cows. Pakistan Veterinary Journal. 2017; 37 (2): 215-219.
5. Daros R.R., Hötzel M.J., Bran J.A., LeBlanc S.J., Keyserlingk M.A.G. Prevalence and risk factors for transition period diseases in grazing dairy cows in Brazil. Preventive veterinary medicine. 2017; 145: 16-22. https://doi.org/10.1016/j.prevetmed.2017.06.004
6. Barletta R.V. et al. Association of changes among body condition score during the transition period with NEFA and BHBA concentrations, milk production, fertility, and health of Holstein cows. Theriogenology. 2017; 104: 30-36. https://doi.org/10.1016/j.theriogenology.2017.07.030
7. Garzón A., Oliver-Espinosa O. Incidence and risk factors for ketosis in grazing dairy cattle in the Cundi-Boyacencian Andean plateau, Colombia. Tropical animal health and production. 2019; 51 (6): 1481-1487. https://doi.org/10.1007/s11250-019-01835-z
8. Berry D.P., Macdonald K.A., Penno J.W., Roche J.R. Association between body condition score and live weight in pasture-based Holstein-Friesian dairy cows. Journal of dairy research. 2006; 73 (4): 487-491. https://doi.org/10.1017/S0022029906002020
9. Paul A., Mondal S., Kumar S., Kumari T. Body condition scoring in dairy cows-a conceptual and systematic review. Indian journal of animal research. 2020; 54: 929-935. https://doi.org/10.18805/ijar.B-3859
10. Yukun S. et al. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score. Journal of dairy science. 2019; 102 (11): 10140-10151. https://doi.org/10.3168/jds.2018-16164
Рецензия
Для цитирования:
Кирсанов В.В., Павкин Д.Ю., Довлатов И.М., Юрочка С.С., Рузин С.С. Разработка алгоритма оценки физиологической упитанности молочных коров. Агроинженерия. 2022;24(6):4-8. https://doi.org/10.26897/2687-1149-2022-6-4-8
For citation:
Kirsanov V.V., Pavkin D.Yu., Dovlatov I.M., Yurochka S.S., Ruzin S.S. Developing an algorithm for body condition scoring of dairy cows. Agricultural Engineering (Moscow). 2022;24(6):4-8. (In Russ.) https://doi.org/10.26897/2687-1149-2022-6-4-8