CC BY
3INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
"ACTUAL PROBLEMS OF LIVESTOCK DEVELOPMENT, MODERN METHODS AND
DEVELOPMENT PROSPECTS" _SEPTEMBER 26-27, 2024_
ИСПОЛЬЗОВАНИЕ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ КОЖНЫХ ЗАБОЛЕВАНИЙ В ЖИВОТНОВОДЧЕСКИХ КОМПЛЕКСАХ
1Самандаров Батирбек Сатимович, 2Гулмирзаева Гузал Алишер кизи
1доцент, университет Мамун, 2докторант, ТУИТ https://doi.org/10.5281/zenodo.13860432
Аннотация. В статье рассматривается использование методов компьютерного зрения и машинного обучения для автоматического обнаружения кожных заболеваний у крупного рогатого скота в животноводческих комплексах. Обсуждаются преимущества и проблемы внедрения таких систем в реальных условиях, а также перспективы дальнейших исследований и интеграции с IoT и другими технологиями.
Ключевые слова: компьютерное зрение, машинное обучение, CNN, кожные заболевания, животноводческие комплексы, автоматическая диагностика.
Annotatsiya. Maqolada chorvachilik fermalarida qoramollarning teri kasalliklarini avtomatik aniqlash uchun kompyuter ko'rish va mashinali o'rgatish usullaridan foydalanish muhokama qilinadi. Bunday tizimlarni real sharoitlarda joriy etishning afzalliklari va muammolari, shuningdek, keyingi tadqiqotlarda IoT va boshqa texnologiyalar bilan integratsiyalashuv istiqbollari muhokama qilingan.
Kalit so'zlar: kompyuterli ko'rish, mashinali o'qitish, CNN, teri kasalliklari, chorvachilik komplekslari, avtomatik diagnostika.
Abstract. The article discusses the use of computer vision and machine learning methods for automatic detection of skin diseases in cattle in livestock complexes. The advantages and problems of implementing such systems in real conditions, as well as prospects for further research and integration with IoT and other technologies are discussed.
Keywords: computer vision, machine learning, CNN, skin diseases, livestock complexes, automatic diagnostics.
Введения
Животноводческие комплексы играют важную роль в сельском хозяйстве, обеспечивая значительную долю мясной и молочной продукции. Одной из проблем, с которой сталкиваются фермеры и ветеринарные службы, являются кожные заболевания у крупного рогатого скота (КРС). Эти заболевания могут не только снижать продуктивность, но и приводить к экономическим потерям. Автоматизация диагностики с помощью компьютерного зрения и машинного обучения позволяет оперативно выявлять кожные заболевания, что способствует улучшению здоровья животных и снижению затрат на ветеринарное обслуживание.
Применение методов компьютерного зрения и машинного обучения для автоматического выявления кожных заболеваний у крупного рогатого скота стало актуальным направлением в животноводстве[1,2]. Эти технологии позволяют оптимизировать процесс диагностики и улучшить мониторинг здоровья животных на фермах[3,4,5].
Постановка задачи
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
"ACTUAL PROBLEMS OF LIVESTOCK DEVELOPMENT, MODERN METHODS AND
DEVELOPMENT PROSPECTS" _SEPTEMBER 26-27, 2024_
Пусть X = {x1,x2,... ,Xn} - множество изображений кожных покровов крупного рогатого скота, где каждое изображение Xi содержит фрагмент кожи с возможными признаками заболевания. Задача заключается в том, чтобы построить модель классификации, которая на основе анализа изображений будет присваивать каждому изображению метку yi Е Y, где Y - это множество заболеваний или отсутствие заболевания.
Y = {Уг,У2,.,Ук)
где, y1 - здоровая кожа, а y2,y3 ... ,ук - различные кожные заболевания.
Процесс решения задачи
Шаг 1. Извлечение признаков
Каждое изображение Xi можно представить в виде матрицы интенсивностей пикселей. Предположим, что изображение имеет размерность т Хп, тогда его можно представить в виде матрицы:
¡Pll Р12 .
Р21 Р21 .
xi = ■ ■ ч
\Р ml рт2 .•• pmnj
Для классификации необходимо извлечь набор признаков f(x{), где f(x{) - это вектор признаков, представляющий текстурные, цветовые и другие особенности изображения.
Для извлечения признаков можно использовать методы:
■ Гистограмма интенсивностей для анализа распределения яркости.
■ GLCM (матрица совместности уровней серого) для текстурного анализа.
■ Цветовые гистограммы для определения отклонений в цветовых характеристиках кожи.
Таким образом, каждый вектор признаков f(xi) может быть описан как:
f(Xi) = (fi(Xi),f2(Xi).....fd(Xi))
где d - размерность пространства признаков.
Шаг 2. Обучение модели классификации
Пусть есть обучающая выборка D = {(X1,y1),(X2,y2), ...,(XN,yN)}, где Xi - изображение кожи, а yi Е Y - метка, указывающая на диагноз. Задача заключается в том, чтобы найти функцию h:X ^ Y, которая минимизирует ошибку классификации:
h* = argmin1^ l(h(Xi) Ф уд i=l
где П(-) - индикаторная функция, которая равна 1, если предсказание модели h(x{) не совпадает с истинным классом yi и 0 в противном случае.
Для решения этой задачи можно использовать методы машинного обучения:
■ Свёрточные нейронные сети (CNN), которые хорошо работают с изображениями благодаря способности автоматически извлекать пространственные и текстурные признаки.
■ Support Vector Machines (SVM), которая строит гиперплоскость для разделения классов в многомерном пространстве признаков.
■ Деревья решений или градиентный бустинг для нелинейной классификации.
Шаг 3. Сверточная нейронная сеть (CNN)
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE
"ACTUAL PROBLEMS OF LIVESTOCK DEVELOPMENT, MODERN METHODS AND
DEVELOPMENT PROSPECTS" _SEPTEMBER 26-27, 2024_
Основной моделью для решения задачи классификации изображений является свёрточная нейронная сеть (CNN). Архитектуру CNN построим следующим образом:
1. Входной слой: Принимает изображение Xj размером mXn.
2. Свёрточные слои: Применяются свёртки чтобы выделить пространственные признаки.
fkixd = Wk*Xj
где * обозначает операцию свёртки.
3. Функция активации (ReLU): Применяется нелинейная активация, которая улучшает способность модели находить сложные зависимости.
fk(Xt) = rnax(0,Wk # Xj)
4. Pooling слои: Слои подвыборки уменьшают размерность признаков и помогают обобщить модель.
5. Полносвязные слои: Финальные слои сети, которые преобразуют признаки в вероятности для каждого класса yj.
6. Softmax выход: Предсказывает вероятности для каждого класса:
p(y = yy|x,)=-,iÄ-Zfc=i6 xp(hk)
Шаг 4. Функция потерь и обучение
Функция потерь для задачи классификации — это перекрёстная энтропия:
k
Ку,У) = - 1о9(Уд =1
где У( - предсказанная вероятность для класса yj ,а yj - истинная метка.
Процесс обучения заключается в минимизации функции потерь с использованием методов оптимизации, таких как градиентный спуск.
Заключение
Использование методов компьютерного зрения на основе машинного обучения для автоматической диагностики кожных заболеваний у КРС может значительно повысить эффективность ветеринарного обслуживания. Применение свёрточных нейронных сетей и других методов машинного обучения позволяет решать задачи классификации с высокой точностью, обеспечивая своевременное лечение животных и снижая затраты. В будущем такие системы могут быть интегрированы с дронами и 1оТ-устройствами для мониторинга состояния животных в режиме реального времени.
REFERENCES
1. Wadhwa, M., Singh, A., & Sharma, V. (2019). Application of computer vision in precision agriculture. Precision Agriculture, 12(2), 63-78.
2. Cheema, M. A., Iqbal, Z., & Akram, W. (2021). Machine learning in agriculture: A comprehensive review of techniques and applications. International Journal of Agricultural and Biological Engineering, 14(3), 1-11.
3. Zhou, Y., Zhang, Y., & Ma, L. (2021). Deep learning-based segmentation and classification of skin lesions in cattle. Veterinary Science, 8(2), 35.
4. Ahmed, S., Khan, M. A., & Saleem, S. (2019). Challenges and future directions for computer vision in animal behavior analysis. Artificial Intelligence in Agriculture, 3(4), 82-91.
INTERNATIONAL SCIENTIFIC AND PRACTICAL CONFERENCE "ACTUAL PROBLEMS OF LIVESTOCK DEVELOPMENT, MODERN METHODS AND
DEVELOPMENT PROSPECTS" _SEPTEMBER 26-27, 2024_
5. Самандаров Б.С., Г.А. Гулмирзаева, А.Ж. Есбергенов Задача определения местонахождения крупного рогатого скота с помощью RFID-устройств // Сборник статей по материалам V Международной научной конференции «МИП-У-2023: Модернизация, Инновации, Прогресс - V International Scientific Conference «MIP-V-2023: Modernization, Innovations, Progress»
