Бесконтактная оценка промеров головы молочных коров

Бесконтактная оценка промеров головы молочных коров с использованием трёхмерных камер позволит облегчить процесс бонитировки. Для разработки бесконтактной оценки экстерьера крупного рогатого скота с использованием автоматических видеокамер необходимо обоснование рациональных конструктивных и режимно-технологических параметров функционирования системы. С помощью цифрового зрения определялись необходимые параметры работы системы – промеры головы (длина головы, длина лба и наибольшая ширина лба). Исследовались 15 взрослых животных зебувидного типа чёрно-пёстрой породы ростом 1300…1500 мм. Для обеспечения охвата головы коровы в любом положении применялись три трехмерные камеры: две расположены над животным на высоте 2 м от пола (минимальное расстояние от камеры до головы составляло 500…800 мм), одна – перед животным на расстоянии не менее 2 м от головы и на высоте 1,3…1,5 м от пола. Сигнал идентификационной антенной сигнала от RFID метки животного инициировал получение трёхмерного снимка со скоростью 5…10 кадров/с. Используя промеры головы, система в автоматическом режиме определяет индексы широколобости и большеголовости. В результате исследований обоснованы рациональные параметры расположения трёхмерных камер. Эффективность съёмки системы и точное измерение промеров головы обеспечиваются при наклоне головы коровы относительно камеры под углом 45° и расположении верхней камеры на уровне 2 м от пола. При наклоне головы под углом 65° и выше съёмка осуществляется фронтальной камерой, расположенной на расстоянии не менее 2 м от головы и на высоте 1,3…1,5 м от пола. В последующих работах планируется обосновать рациональные конструктивные и режимно-технологические параметры функционирования макета.

1. Alem H. The role of technical efficiency achieving sustainable development: A dynamic analysis of Norwegian dairy farms. Sustainability. 2021;13(4):1841. https://doi.org/10.3390/su13041841

2. Батанов С.Д., Баранова И.А., Старостина О.С. Модель прогнозирования молочной продуктивности коров по их экстерьерным особенностям // Вестник Башкирского государственного аграрного университета. 2019. № 1 (49). С. 55-62. EDN: ZAERKH

3. Кравченко В.Н., Зимогорский В.К. Перспективы цифровизации молочного животноводства // Техника и технологии в животноводстве. 2020. № 4 (40). С. 4-13. EDN: CDUXGM

4. Кощаев А.Г., Усенко В.В., Лихоман А.В. Здоровье животных – основной фактор эффективного животноводства // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2014. № 99. С. 201-210. EDN: SGTNXP

5. Shi Ch., Zhang J., Teng G. Mobile measuring system based on LabVIEW for pig body components estimation in a large-scale farm. Computers and Electronics in Agriculture. 2019;156:399-405. https://doi.org/10.1016/j.compag.2018.11.042

6. Сирота А.А., Митрофанова Е.Ю., Милованова А.И. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей // Вестник Воронежского государственного университета. Серия «Системный анализ и информационные технологии». 2019. № 3. С. 123-137. EDN: BXVPQP

7. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object Detection in 20 Years: A Survey. Computer Vision and Pattern Recognition. 2019:1905.05055v2. https://doi.org/10.48550/arXiv.1905.05055

8. Власенкова Т.А., Козырева Ю.Ю. Цифровизация как основа эффективного ведения сельского хозяйства // Менеджмент в АПК. 2021. № 2. С. 11-16. EDN: NTTEVS

9. Ручай А.Н., Дорофеев К.А., Колпаков В.И., Джуламанов К.М., Кобер В.И. Разработка бесконтактной системы измерения морфологических признаков мясного скота // Животноводство и кормопроизводство. 2020. Т. 103, № 2. С. 157-164. https://doi.org/10.33284/2658-3135-103-2-157

10. Batanov S., Starostina O., Baranova I. Non-contact methods of cattle conformation assessment using mobile measuring systems. IOP Conference Series: Earth and Environmental Science. 2019;315(3):032006. https://doi.org/10.1088/1755-1315/315/3/032006