БЕСКОНТАКТНАЯ ОЦЕНКА УПИТАННОСТИ МОЛОЧНЫХ КОРОВ С ИСПОЛЬЗОВАНИЕМ TOF-ТЕХНОЛОГИИ

В статье приведены результаты применения алгоритма наименьших квадратов по BCS-оценке упитанности дойных коров с использованием 3D ToF-камеры. Предложена методика сбора натурных данных об упитанности дойных коров на промышленном производстве молока с использованием 3D ToF-камеры. Установка камеры производилась на высоте 2200 мм от уровня пола под углом 5° по направлению к крестцу. Исследовались четыре области тела 34 дойных коров: седалищные бугры, закругленность маклоков, сакральная связка, хвостовая связка. Сбор данных производился во время дойки. Было обработано 136 снимков. Обработка цифровых данных производилась по трём вариантам изображений: в цветовом спектре RGB-D, Point Cloud и бинарном. При оценке учитывалось пять групп упитанности: 1 – тощая; 2 – худая; 3 – упитанная; 4 – очень упитанная; 5 – ожиревшая дойная корова. Полученные изображения были проанализированы с помощью программного обеспечения, разработанного в среде Matlab. Результаты работы алгоритма сравнивались с экспертной оценкой четырёх специалистов. По результатам BCS оценки алгоритма, балл упитанности 1 и 5 групп с вероятностью 73 и 67% совпал с мнением экспертов, у групп 2, 3, 4 совпадение составило соответственно 61, 52 и 55%. Авторами высказано предположение о том, что неточность определения упитанности 2, 3 и 4 групп связана с неявно выраженными их отличиями. Сделан вывод о том, что из всех групп BCS-система точнее определяет упитанность коров 1 и 5 групп, а также из трёх вариантов изображений (Point cloud 3D, RGB-D, бинарное) RGB-D наиболее точно определило упитанность коров.

1. Никитин Е.А. Разработка автоматизированной системы персонального дозирования концентрированных кормов для крупного рогатого скота // Инновации в сельском хозяйстве. 2019. № 3. С. 80-86.

2. Dorokhov A. et al. Recognition of Cow Teats Using the 3D-ToF Camera When Milking in the «Herringbone» Milking Parlor // International Conference on Intelligent Computing & Optimization. Springer, Cham, 2019. С. 128-137.

3. Rodriguez Alvarez J. et al. Estimating body condition score in dairy cows from depth images using convolu-tional neural networks, transfer learning and model ensem-bling techniques // Agronomy. 2019, 9(2): 90. https://doi/. org/10.3390/agronomy9020090

4. Spoliansky R. et al. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera // Journal of dairy science. 2016 Sep; 99(9): 7714-7725. doi: 10.3168/jds.2015-10607.

5. O'Leary N. et al. Validation of an Automated Body Condition Scoring System Using 3D Imaging // Agriculture. 2020; 10(6): 246. doi:10.3390/agriculture10060246

6. M’hamdi N. et al. Dairy Cattle Welfare Status Measured by Animal-Linked Parameters Under Tunisian Rearing Conditions // Milk Production-An Up-to-Date Overview of Animal Nutrition, Management and Health, 2012. DOI: 10.5772/28287

7. Кирсанов В.В., Павкин Д.Ю., Юрочка С.С. и др. Подготовка изображения, получаемого с 3D TOF камеры для автоматического обнаружения сосков коровы // Инновации в сельском хозяйстве. 2019. № 3. С. 340-346.