CC BY
8
¥¥¥¥¥¥¥¥¥¥¥ ТРГНШ/ЛЛ/Р? МЛГШМРЯ ЛМП
^^WWW^^WWV F/ll? THF IMTWIGTBIAI ГЛШ1 ГгШМЛЛЛЛЙЙЙЙ^У
run i nc aun°-ii\uusimal ьитгьял ^
Научная статья УДК 637.112.5
DOI: 10.24412/2227-9407-2023-11-42-52
Исследование типов строения сосков и их расположение на вымени коров для формирования цифрового массива изображений
Дмитрий Юрьевич Павкин1, Артем Рустамович Хакимов2в, Игорь Мамедяревич Довлатов3, Семен Сергеевич Рузин4, Александра Александровна Поликанова5, Вильямс Павлович Заикин6
1,2, 3 4 5 ФедераЛЬНый научный агроинженерный центр ВИМ, Москва, Россия 6 Нижегородский государственный инженерно-экономический университет, Княгинино, Россия 1 [email protected], https://orcid.org/0000-0001-8769-8365 2arty.hv@gmail.^^ https://orcid.org/0000-0002-4332-9274
3 dovlatovim@mail. т, https://orcid. org/0000-0003-3058-2446
4 [email protected]; https://orcid.org/0000-0001-6870-5486
[email protected], https://orcid.org/0000-0002-3476-205X 6 matveev_ngiei @mail.ru, https://orcid.org/0000-0003-1654-0784
Введение. Автоматизация бонитировочных работ является необходимым этапом цифровизации молочных ферм. На современных фермах используют множество вариаций доильных систем, начиная с простых переносных вакуумных доилок до полностью автоматизированных доильных роботов. При этом не все коровы пригодны к машинному доению и существует множество методик оценки пригодности коров к машинному доению. Одним из важных этапов цифровизации сельского хозяйства является создание массива данных для дальнейшей оценки пригодности коров к машинному доению. Цель исследования - сформировать цифровой массив изображений типов строения сосков, а также их расположения на вымени молочных коров. Материалы и методы. Провели сбор данных на молочной ферме. При помощи разработанного ручного манипулятора с целью получения снимка и оценки линейных параметров сосков и вымени. Определили классификацию типов строения сосков и их расположения на вымени молочных коров.
Результаты и обсуждение. Сбор и анализ полученного массива данных позволил определить частоту встречающихся типов строения сосков вымени и их месторасположение. Проанализировали полученные данные и привели графики и процентную частоту встречи определенных типов строения сосков и их расположения на вымени коров. Так знание различных типов месторасположения сосков относительно вымени у дойного стада помогает обеспечивать эффективный процесса дойки, предотвращая заболевания вымени и повышая общую продуктивность стада.
Заключение. Определили основные типы строения сосков вымени и их расположение на вымени коров. Выявили 6 типов строения сосков вымени и 5 типов расположения сосков на вымени животного. Таким образом, полученный цифровой массив данных можно будет использовать для оценки влияния типа строения сосков и вымени на скорость изнашивания организма молочных коров.
Ключевые слова: автоматизация молочного доения, машинное доение, молочная ферма, оценка вымени, оценка сосков, цифровой массив данных
Финансирование: Работа выполнена при поддержке Совета по грантам Президента Российской Федерации на право получения гранта Президента Российской Федерации для государственной поддержки молодых российских ученых - кандидатов наук - МК-2513.2022.4.
Аннотация
Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ ХХХХХХХХХХХ для агропромышленного комплекса ХХХХХХХХХХХ
Для цитирования: Павкин Д. Ю., Хакимов А. Р., Довлатов И. М., Рузин С. С., Поликанова А. А., Заикин В. П. Исследование типов строения сосков и их расположение на вымени коров для формирования цифрового массива изображений // Вестник НГИЭИ. 2023. № 11 (150). С. 42-52. DOI: 10.24412/2227-9407-2023-11-42-52
The study of the types of structure of the nipples and their location on the udder of cows for the formation of a digital array of images
Dmitriy Yu. Pavkin1, Artem R. Khakimov2B, Igor M. Dovlatov3, Semyon S. Ruzin4, Alexandra A. Polikanova5, Williams P. Zaikin6
i, 2,3, 4 5 Federal Scientific Agroengineering Center VIM, Moscow, Russia 6 Nizhny Novgorod State Engineering and Economic University, Knyaginino, Russia 1 [email protected], https://orcid.org/0000-000i-8769-8365 [email protected]', https://orcid.org/0000-0002-4332-9274 [email protected], https://orcid.org/0000-0003-3058-2446 [email protected], https://orcid.org/0000-000i-6870-5486 [email protected], https://orcid.org/0000-0002-3476-205X 6 matveevngiei @mail.ru, https://orcid.org/0000-0003-1654-0784
Abstract
Introduction. Automation of appraisal works is a necessary stage of digitalization of dairy farms. Many variations of milking systems are used on modern farms, ranging from simple portable vacuum milking machines to fully automated milking robots. At the same time, not all cows are suitable for machine milking and there are many methods for assessing the suitability of cows for machine milking. One of the important stages of digitalization of agriculture is the creation of an array of data for further assessment of the suitability of cows for machine milking. The purpose of the study is to form a digital array of images of the types of structure of the nipples, as well as their location on the udder of dairy cows.
Materials and methods. Conducted data collection on a dairy farm. With the help of a developed manual manipulator, in order to obtain a snapshot and estimate the linear parameters of the nipples and udder. The classification of the types of structure of the nipples and their location on the udder of dairy cows was determined.
Results and discussion. The collection and analysis of the obtained data array made it possible to determine the frequency of the types of structure of the udder nipples and their location. We analyzed the data obtained and provided graphs and the percentage frequency of the occurrence of certain types of nipple structure and their location on the udder of cows. Thus, knowledge of the different types of location of the nipples relative to the udder of the milking herd helps to ensure an effective milking process, preventing udder diseases and increasing the overall productivity of the herd.
Conclusion. The main types of structure of the udder nipples and their location on the udder of cows were determined.
6 types of the structure of the udder nipples and 5 types of the location of the nipples on the udder of the animal were identified. Thus, the resulting digital data array can be used to assess the effect of the type of structure of the nipples and udder on the rate of wear of the body of dairy cows.
Funding: This work was supported by the Grant Council of the President of the Russian Federation, through the grant of the President of the Russian Federation for state support of young Russian scientists - candidates of sciences -MK-2513.2022.4.
Keywords, dairy farm, machine milking, nipple evaluation, digital data array, automation of dairy milking, udder evaluation
For citation: Pavkin D. Yu., Khakimov A. R., Dovlatov I. M., Ruzin S. S., Polikanova A. A., Zaikin W. P. The study of the types of structure of the nipples and their location on the udder of cows for the formation of a digital array of images // Bulletin NGIEI. 2023. № 11 (50). P. 42-52. DOI, 10.24412/2227-9407-2023-11-42-52
[ technologies, machines and equipment ! for the agro-industrial complex
Введение
Молочное животноводство - одна из важнейших отраслей сельского хозяйства, которая занимает значительную долю в мировом производстве пищевых продуктов. Эта отрасль занимается разведением и содержанием животных, которые производят молоко, получением и переработкой этого ценного продукта.
Молоко - это одно из самых полезных и питательных продуктов, богатое витаминами, минералами и белками. Оно является базовым продуктом в питании многих людей и используется в различных сферах - от приготовления пищи до производства молочных продуктов, таких как сыры, йогурты, сливки и многое другое.
Молочное животноводство - это не только сельскохозяйственная отрасль, но и важный экономический сектор, который способствует развитию сельских территорий и созданию рабочих мест. Оно является источником дохода для многих семей и сельских общин, особенно в развивающихся странах.
Однако на молочное животноводство могут влиять различные факторы, такие как климатические условия, доступность кормов, состояние здоровья животных и технологические процессы переработки молока. Повышение производительности и эффективности в этой отрасли требует постоянного изучения и применения новых технологий и методов.
Машинное доение является самым распространенным и эффективным способом доения молочных коров. На современных фермах используют множество вариаций доильных систем, начиная с простых переносных вакуумных доилок до полностью автоматизированных доильных роботов. При этом не все коровы пригодны к машинному доению и существует множество методик оценки пригодности коров к машинному доению.
Мировая тенденция развития последних десятилетий в молочном животноводстве направлена на автоматизацию и роботизацию технологических процессов производства молока на товарной ферме [1; 2]. Современные молочные фермы ориентированы на автоматизированное цифровое производство и применение современных технологий [3; 4].
Важным этапом развития молочных ферм стала цифровизация бонитировочных работ, которые позволяют выявлять нарушения содержания животных [5; 6]. Здоровые животные необходимы
для наращивания производства животноводческой продукции, в частности молока и молочных продуктов [7; 8]. Однако в современном животноводстве остается не решенной одна очень важная проблема автоматизации процесса оценки линейных параметров вымени молочных коров на предмет пригодности к машинному доению. Сейчас такая оценка производится вручную специалистами по бонитировке.
В связи с быстрым развитием молочного животноводства всё чаще требуются новые технологии, позволяющие приносить экономическую эффективность и достигать усовершенствования производства [9; 10].
В настоящее время многочисленные исследования проводятся с использованием камер с вымени животных, особенно в области агроинноваций, зоотехники и сельского хозяйства. Ниже приведены некоторые из них:
1. Автоматизированный мониторинг здоровья и поведения животных: Камеры могут использоваться для непрерывного мониторинга состояния вымени и определять состояние здоровья и поведение животных. Они могут отслеживать изменения в вымени, например, для предотвращения заболеваний или определения оптимального времени для осеменения животных.
2. Анализ молока: Камеры с выменем могут использоваться для автоматизированного анализа молока в реальном времени. Они могут определять содержание жирности, белка и других показателей качества молока. Это может помочь фермерам контролировать питание животных и обеспечивать максимальную производительность.
3. Определение эмоционального состояния животных: Камеры с выменем могут использоваться для анализа выражения лица и других физиологических параметров животных. Это позволяет определить их эмоциональное состояние и благополучие. Например, к камере можно подключать технологию распознавания эмоций, чтобы определить, чувствуют ли животные боль, стресс или дискомфорт.
4. Поддержание гигиены и контроль инфекций: Камеры с выменем могут использоваться для автоматического контроля за гигиеной вымени и обнаружения признаков инфекций. Они могут обнаруживать изменения температуры вымени, необычные выделения и другие признаки заболеваний, помогая фермерам принимать соответствующие меры.
технологии, машины и оборудование) для агропромышленного комплекса
5. Мониторинг и идентификация потребления пищи: Камеры с выменем могут использоваться для наблюдения за поведением животных во время кормления. Они могут автоматически определять, какое животное потребляет пищу, и регистрировать время и длительность кормежки.
6. Анализ походки и здоровья животных: Камеры с выменем могут использоваться для анализа походки и обнаружения проблем со здоровьем животных. Информация о длительности шага, частоте шагов и шаблоне ходьбы может указывать на наличие болезней или проблем со здоровьем.
7. Контроль за производительностью: Камеры с выменем также могут использоваться для контроля за производительностью и физической формой животных. Они могут записывать время, затраченное на активность, время отдыха и другие параметры поведения, которые могут быть связаны с производительностью.
8. Обнаружение родовспоможения: Камеры с выменем также могут быть использованы для обнаружения и наблюдения за процессом родовспоможения у животных. Они могут предупреждать о возможных осложнениях или проблемах во время родов.
9. Определение пола и возраста: Камеры с выменем могут использоваться для автоматической идентификации пола и возраста животных. Это может быть полезным при сортировке и отборе животных для разных целей, таких как разведение или обучение.
10. Безопасность и охрана: Камеры с выменем также могут использоваться для обеспечения безопасности и охраны животных. Они могут обнаруживать наличие нежелательных посетителей или сигнализировать о потенциальной угрозе для животных.
Важно отметить, что различные методы использования камер с выменем могут варьироваться в зависимости от конкретных условий и потребностей в животноводстве.
С одной стороны, интенсивное производство позволяет получать повышенное количество молока от одной коровы, с другой, интенсивность доения приводит к ускоренному изнашиванию организма молочных коров, что означает сокращение количества лактаций на голову.
Развитие машинного доения и бонитировоч-ных работ также включает в себя создание системы для точного определения типа сосков вымени коровы в автоматическом режиме. В существующей
технологии роботизированного определения типа и параметров сосков, их распознавания и уточнения параметров этот процесс можно рассматривать как статический.
Для создания автоматизированной системы оценки пригодности коров к машинному доению незаменимым инструментом являются нейронные сети. Нейронные сети широко применяются во множестве областей, где нужно определить объект на изображении. Сверточные нейронные сети (СНС) уже используются в работе как инструмент нахождения и определения объектов, включая определение границ сосков [11; 12; 13; 14]. Обнаружение объекта состоит как в оценке точного положения объекта (локализация объекта), так и в определении того, к какой категории он принадлежит (классификация объекта). Это центральный компонент во многих реальных приложениях, включая обнаружение пешеходов и транспортных средств в автономном режиме, обнаружение людей для анализа их поведения, обнаружение и дальнейшее распознавание лиц для целей наблюдения и т. д. [15]. Однако из-за большого разнообразия точек обзора, поз, окклюзии и условий освещения обнаружение объектов остается сложной проблемой.
В течение последнего десятилетия развитие глубоких нейронных сетей и, в частности, сверточ-ных нейронных сетей (СНС) привело как к изменению парадигмы, так и к некоторым значительным улучшениям [16; 17]. Это повышение точности стало возможным благодаря не только методологическим достижениям, но и наличию больших объемов данных, а также увеличению вычислительной мощности. С тех пор обнаружение объектов с использованием подходов глубокого обучения развивалось с неудержимой скоростью, пытаясь добиться все большей и большей точности обнаружения, а также обеспечить быстрое обнаружение для приложений реального времени [18; 19; 20; 21].
Поэтому нами было проведено исследование типов строения сосков вымени коров, а также их расположения на вымени. В дальнейшем полученный цифровой массив данных можно будет использовать для оценки влияния типа строения сосков и вымени на скорость изнашивания организма молочных коров.
Цель исследования - определить типы строения сосков и вымени молочных коров, встречающихся на фермах, для формирования цифрового массива изображений.
[ technologies, machines and equipment ! for the agro-industrial complex
Материалы и методы
Исследование проводилось на молочной ферме в Московской области, где содержались коровы черно-пестрой породы. Коровы содержались на привязи. Отбор животных для исследования производился из одного помещения, где общее количество содержащихся коров составляет 250 голов. Всего в хозяйстве насчитывается поголовье 560 фуражных коров. Климат умеренно-континентальный с коротким, относительно теплым летом, продолжительной, умеренно холодной зимой, четко выраженными весенним и осенним сезонами. При отборе исследуемых животных отбирали только животных одной породы. Чистота породы составляет 85 % и более. Вымя без обильного оволосения. Животные имели выраженную устойчивую лактационную активность.
Рацион коров в хозяйстве (их масса 500-550 кг) следующий: корма 34 кг в сутки, сырого протеина 1,45 кг, сырой клетчатки 4,2 кг. Средний разовый удой 9,5 кг, жирность молока 4-4,2 %, белок 3,5-3,7 %, количество соматических клеток до 160000 у здоровых животных. Способ содержания - привязной. Кормление осуществлялось с кормового стола. Температура воды для питья 15 °С. Животных выгуливали один раз в сутки с 12:00 до 16:00 во дворе для выгула. В это время помещение полностью проветривают и убирают, проверяют подстилку, заменяют
воду в поилках. Все животные в исследовании не болели маститом.
При помощи разработанного ручного манипулятора, задачей которого являлось перемещение трехмерной камеры под вымя животного, с целью получения снимка и оценки линейных параметров сосков и вымени. Применение манипулятора позволило делать снимки вымени в максимально сходных условиях, с соблюдением допустимого расстояния между камерой и выменем.
Манипулятор был снабжен 3D TOF-камерой IFM 03D303, с разрешением 352x264 пикселя. TOF-камера способна рассчитывать и выводить пространство точек (Point Cloud).
Собранные натурные данные содержали 165 снимков вымени коров. Все собранные данные были занесены в электронную таблицу Excel.
Каждому животному присваивался определенный тип строения сосков вымени и тип их месторасположения на вымени. Оценка линейных параметров вымени велась под определение пригодности вымени к машинному доению.
Было выявлено 6 типов строения сосков и 5 типов их расположения относительно вымени коровы.
Типы строения сосков вымени предполагают следующую классификацию, представленную на рисунке 1.
Рис. 1. Типы строения сосков вымени: 1 - цилиндрические; 2 - конические; 3 - карандашевидные (тонкие, длинные); 4 - грушевидные; 5 - бутыльчатые; 6 - воронкообразные (толстые, конические) Fig. 1. Types of mammary nipple structure: 1 - cylindrical; 2 - conical; 3 - pencil-like (thin, long); 4 - pear-shaped; 5 - bottle-shaped; 6 - funnel-like (thick, conical) Источник: разработано авторами по результатам исследований
Относительно расположения сосков на вымени было определено 5 типов (рис. 2):
1) широкое, почти квадратное расположение;
2) сближенное расположение передних сосков и широкое задних;
3) сближенное расположение боковых при нормальном расстоянии сосков правой и левой стороны;
4) сближенное расположение всех сосков;
5) нормальное расположение передних сосков и сближенное задних.
технологии, машины и оборудование) для агропромышленного комплекса
Рис. 2. Месторасположение сосков на вымени Fig. 2. Location of nipples on the udder Источник: разработано авторами по результатам исследований
ленные преимущества или недостатки в процессе лактации.
Более того, изменение в частоте встречаемости определенных типов сосков вымени может служить индикатором возможных изменений в популяции животных. Например, повышенная частота встречаемости аномальных типов сосков может указывать на наличие генетических мутаций или нарушений в развитии.
Таким образом, изучение частоты встречаемости разных типов строения сосков вымени помогает расширить наше понимание этой физиологической особенности у животных и принять более информированные решения в отношении разведения и здоровья животных.
Определили, что в собранном массиве наибольшую долю занимают 1 и 2 тип строения сосков вымени. Остальные типы строений встречаются в значительно меньшем количестве. Распределение типов строения сосков вымени приведено на рисунке 3.
■ 1 -й тип ■ 2-й тип * 3-й тип 4-й тип * 5-й тип * 6-й тип
Рис. 3. Частота встречи разных типов строения сосков вымени Fig. 3. Frequency of occurrence of different types of teat structure in the udder Источник: разработано авторами по результатам исследований
На основе этих типов и проводилась классификация животных на 165 собранных снимках. Оценивали распределение животных по типам строения сосков вымени и месторасположению сосков на вымени.
Результаты и обсуждение
Сбор и анализ полученного массива данных позволил определить частоту встречающихся типов строения сосков вымени и их месторасположение.
Частота встречи разных типов строения сосков вымени является важной информацией, так как она может быть связана с различными факторами, включая генетические, окружающую среду и здоровье животных.
Изучение частоты встречи разных типов строения сосков вымени может помочь в определении распространенности и наследуемости определенных типов сосков. Это может быть полезной информацией для разведения и селекции, так как некоторым типам сосков вымени могут быть присущи опреде-
[ technologies, machines and equipment ! for the agro-industrial complex
В процентном соотношении 1 тип встречался в 49,7 % случаев. Второй тип - в 32,1 %. Остальные типы строения сосков вымени составляли не более 7 % от общего числа каждый.
Знание различных типов месторасположения сосков относительно вымени у дойного стада является важным по множеству причин:
1. Оптимизация процесса доения: Знание расположения сосков позволяет определить, как нужно правильно подключать доильные аппараты для обеспечения эффективной и безболезненной дойки. Если соски расположены асимметрично или в неудобной позиции, это может затруднить процесс выдаивания.
2. Предотвращение мастита и других заболеваний вымени: Некоторые типы расположения сосков могут быть предрасположены к развитию инфекций, таких как мастит, что может негативно сказываться на молочной продуктивности и здоровье животного. Знание этих особенностей помогает принять меры по предотвращению и контролю этих заболеваний.
3. Отбор и селекция животных: Знание типов месторасположения сосков позволяет сельскохозяйственным производителям селекционировать и отбирать животных с определенными характеристиками, чтобы улучшить продуктивность стада. Например, животные с более удобным расположением сосков могут обеспечивать более высокую молочную продуктивность и удобство дойки.
4. Профилактика и контроль заболеваний сосков вымени: Знание типов месторасположения сосков помогает в профилактике и контроле заболеваний сосков, таких как трещины, язвы, блокировки и преграждения молочных протоков. Это позволяет своевременно выявлять и лечить данные проблемы и обеспечивать здоровье и комфортность вымени у животных.
В целом знание различных типов месторасположения сосков относительно вымени у дойного стада помогает в обеспечении эффективности процесса дойки, предотвращении заболеваний вымени и повышении общей продуктивности стада.
Рис. 4. Распределение различных типов месторасположения сосков относительно вымени Fig. 4. Distribution of different types of nipple locations relative to the udder Источник: разработано авторами по результатам исследований
На рисунке 4 отчетливо видно преобладание 1, 2 и 5 типа расположения сосков. Так на первый тип приходится 49,1 %, на 2-й тип 21,8 % и на 5-й тип 18,2 % коров.
В дальнейших исследованиях мы сможем, опираясь на полученные результаты, точнее оценивать состояние здоровья молочных коров и прогнозировать количество возможных циклов лактаций.
Заключение Определены основные типы строения сосков вымени и их расположение на вымени коров. Выявлены 6 типов строения сосков вымени и 5 типов
расположения сосков на вымени животного. Два наиболее распространенных типа строения сосков вымени встречались в 81,8 % случаев. Также выявлено значительное преобладание в общем массиве 1 -го типа расположения сосков на вымени, встречающегося в 49,1 % случаев.
При детальном разборе стада по этим параметрам и проведении селекции подходящих коров повышается общая продуктивность стада.
Снижается процент возникновения мастита, а также облегчается его обнаружение на ранних стадиях.
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ ХХХХХХХХХХХ для агропромышленного комплекса ХХХХХХХХХХХ
СПИСОК ИСТОЧНИКОВ
1. Brito F., Bedere N., Douhard F., Oliveira H. R., Arnal M., Peñagaricano F., Schinckel A. P., Baes C. F., Miglior F. Genetic selection of high-yielding dairy cattle toward sustainable farming systems in a rapidly changing world // Animal. 2021. Volume 15. Supplement 1. 100292. https://doi.Org/10.1016/j.animal.2021.100292.
2. Newton J. E. Nettle R., Pryce J. E. Farming smarter with big data: Insights from the case of Australia's national dairy herd milk recording scheme // Agricultural Systems. 2020. Volume 181. 102811. https://doi.org/10.1016/j.agsy.2020.102811.
3. Büscher W. Digitization of the barn - current status and perspectives // Züchtungskunde. 2019. V. 91. № 1. P.35-44.
4. Burmistrov D. E., Pavkin D. Y., Khakimov A. R., Ignatenko D. N., Nikitin E. A., Lednev V. N., Lobachevsky Y. P., Gudkov S. V., Zvyagin A. V. Application of Optical Quality Control Technologies in the Dairy Industry: An Overview // Photonics. 2021. № 8. P. 551.
5. Daros R. R., Weary D. M., von KeyserlingkM. A. G. Invited review: Risk factors for transition period disease in intensive grazing and housed dairy cattle //. Journal of Dairy Science. 2022. № 105 (6). P. 4734-4748.
6. Wurtz K., Camerlink I., D'Eath R. B., Fernández A. P., Norton T., Steibel J., Siegford J. Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic revie // PLoS ONE. 2019. № 14 (12).
7. Комарова Н. К., Косилов В. И., Исайкина Е. Ю., Никонова Е. А. Новые технологические методы повышения молочной продуктивности коров на основе лазерного излучения. Оренбург : Издательский центр ОГАУ, 2015. 192 с.
8. Сенченко О. В., Миронова И. В., Косилов В. И. Молочная продуктивность и качество молока-сырья коров-первотёлок чёрно-пёстрой породы при скармливании энергетика Промелакт // Известия Оренбургского государственного аграрного университета. 2016. № 1 (57). С. 90-93.
9. Alem H. The Role of Technical Efficiency Achieving Sustainable Development: A Dynamic Analysis of Norwegian Dairy Farms // Sustainability. 2021. V. 13. P. 1841. https://doi.org/10.3390/su13041841
10. Poczta W., Sredzinska J., Chenczke M. Economic Situation of Dairy Farms in Identified Clusters of European Union Countries // Agriculture. 2020. V. 10. P. 92. https://doi.org/10.3390/agriculture10040092
11. 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. 2019. № 3. С. 123-137.
12. Pham M.-T., Courtrai L., Friguet C., Lefevre S., Baussard A. YOLO-Fine: One-Stage Detector of Small Objects Under Various Backgrounds in Remote Sensing Images // Remote Sensing. 2020. V. 12. P. 2501.
13. Голубинский А. Н., Толстых А. А. Выбор архитектуры искусственной нейронной сети на основе сравнения эффективности методов распознавания изображений // Вестник Воронежского института МВД России. № 1. 2018. С. 27-37.
14. Толстых А. А. Методика оценки эффективности параметризатора в виде сверточной нейронной сети // Вестник Воронежского института МВД России. № 2. 2019. С. 123-132.
15. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object Detection in 20 Years: A Survey // Arxiv. 2019. 1905.05055v2.
16. Liu L., Ouyang W., Wang X., Fieguth P., Chen J., Liu X., Pietikainen M. Deep learning for generic object detection: A survey // International Journal of Computer Vision. 2020. V. 128. P. 261-318.
17. Jiao L., Zhang F., Liu F., Yang S., Li L., Feng Z., Qu R. A survey of deep learning-based object detection // IEEE Access. 2019. V. 7. P. 128837-128868.
18. Власенкова Т. А., Козырева Ю. Ю. Цифровизация как основа эффективного ведения сельского хозяйства // Менеджмент в АПК. 2021. № 2. С. 11-16.
19. Симонов Г. А., Маклахов А. В., Задумкин К. А. Качественные показатели молока коров черно-пестрой породы при беспривязном содержании и доении на установках роботах // Эффективное животноводство. 2018. № 7. С. 56-59.
Вестник НГИЭИ. 2023. № 11 (150). C. 42-52. ISSN 2227-9407 (Print) Bulletin NGIEI. 2023. № 11 (150). P. 42-52. ISSN 2227-9407 (Print)
¥¥¥¥¥¥¥¥¥¥¥ ТРГНШ/ЛЛ/Р? МДГШМРЯ ДМП
^^WWW^^WWV F/ll? THF IMTWIGTBIÚI ГЛШ1 ггШМЛЛЛЛйййй^У
run i nc aun°-ii\uusimal ьитгьял ^
20. Землевский А. Д. Исследование архитектуры сверточных нейронных сетей для задачи распознавания образов // Вестник науки и образования. Т. 2. № 6 (30). 2017. С. 36-43.
21. Немков Р. М. Исследование сверточной нейронной сети, обученной с помощью метода применения нестандартных рецептивных полей при распознавании изображений // Известия Южного федерального университета. Технические науки. № 7 (168). 2015. С. 79-90.
Дата поступления статьи в редакцию 09.08.2023; одобрена после рецензирования 12.09.2023;
принята к публикации 14.09.2023.
Информация об авторах: Д. Ю. Павкин - к.т.н., старший научный сотрудник, Spin-код: 7671-5380; А. Р. Хакимов - аспирант, младший научный сотрудник, Spin-код: 2195-7946; И. М. Довлатов - к.т.н., старший научный сотрудник, Spin-код: 9533-9629; С. С. Рузин - младший научный сотрудник, Spin-код: 6770-2145;
A. А. Поликанова - магистр, специалист, Spin-код: 5384-1037.
B. П. Заикин - д. с.-х. н., профессор кафедры «Технические и биологические системы», Spin-код: 4958-9890.
Заявленный вклад соавторов: Павкин Д. Ю. - общее руководство, формулирование основных направлений исследования, участие в обсуждении материалов статьи.
Хакимов А. Р. - формирование общих выводов, подготовка начального варианта статьи, участие в обсуждении материалов статьи.
Рузин С. С. - подготовка начального варианта статьи, участие в обсуждении материалов статьи. Довлатов И. М. - поиск материалов в отечественных и зарубежных источниках, участие в обсуждении. Поликанова А. А. - проведение литературного обзора и анализ технологии и технических средств. Заикин В. П. - верстка и форматирование работы.
Авторы заявляют об отсутствии конфликта интересов.
REFERENCES
1. Brito F., Bedere N., Douhard F., Oliveira H. R., Arnal M., Peñagaricano F., Schinckel A. P., Baes C. F., Miglior F. Review: Genetic selection of high-yielding dairy cattle toward sustainable farming systems in a rapidly changing world, Animal, Volume 15, Supplement 1, 2021, 100292, https://doi.org/10.1016/j.animal.2021.100292.
2. Newton J. E., Nettle R., Pryce J. E. Farming smarter with big data: Insights from the case of Australia's national dairy herd milk recording scheme, Agricultural Systems, Volume 181, 2020, 102811, https://doi.org/10.1016/j.agsy.2020.102811.
3. Büscher W. Digitization of the barn - current status and perspectives, Züchtungskunde, 2019, Vol. 91, No. 1. pp.35-44.
4. Burmistrov D. E., Pavkin D. Y., Khakimov A. R., Ignatenko D. N., Nikitin E. A., Lednev V. N., Lobachevsky Y. P., Gudkov S. V., Zvyagin A. V. Application of Optical Quality Control Technologies in the Dairy Industry: An Overview, Photonics, 2021, No. 8, pp. 551.
5. Daros R. R., Weary D. M., von Keyserlingk M. A. G. Invited review: Risk factors for transition period disease in intensive grazing and housed dairy cattle, Journal of Dairy Science, 2022, No. 105 (6), pp. 4734-4748.
6. Wurtz K., Camerlink I., D'Eath R. B., Fernández A. P., Norton T., Steibel J., Siegford J. Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic revie, PLoS ONE, 2019, No. 14 (12)
7. Komarova N. K., Kosilov V. I., Isajkina E. yu., Nikonova E. A. Novye tekhnologicheskie metody povysheniya molochnoj produktivnosti korov na osnove lazernogo izlucheniya [New technological methods of increasing dairy productivity of cows based on laser radiation], Orenburg : Izdatel'skij centr OGAU, 2015, 192 p.
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ ХХХХХХХХХХХ для агропромышленного комплекса ХХХХХХХХХХХ
8. Senchenko O. V., Mironova I. V., Kosilov V. I. Molochnaya produktivnost' i kachestvo moloka-syr'ya korovpervotyolok chyorno-pyostroj porody pri skarmlivanii energetika Promelakt [Milk productivity and quality of milk-raw materials of first-calf cows of black and motley breed when feeding energetika Promelact], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian University], 2016, No. 1 (57), pp. 90-93.
9. Alem H. The Role of Technical Efficiency Achieving Sustainable Development: A Dynamic Analysis of Norwegian Dairy Farms. Sustainability, 2021, Vol. 13, pp. 1841, https://doi.org/10.3390/su13041841
10. Poczta W., Sredzinska J., Chenczke M. Economic Situation of Dairy Farms in Identified Clusters of European Union Countries, Agriculture, 2020, Vol. 10, pp. 92, https://doi.org/10.3390/agriculture10040092
11. Sirota A. A., Mitrofanova E. Yu., Milovanova A. I. Analiz algoritmov poiska ob"ektov na izobrazheniyah s ispol'zovaniem razlichnyh modifikacij svertochnyh nejronnyh setej [Analysis of algorithms for searching objects in images using various modifications of convolutional neural networks], Vestnik Voronezhskogo gosudarstvennogo universiteta [Bulletin of the Voronezh State University], 2019, No. 3, pp. 123-137.
12. Pham M.-T., Courtrai L., Friguet C., Lefevre S., Baussard A. YOLO-Fine: One-Stage Detector of Small Objects Under Various Backgrounds in Remote Sensing Images, Remote Sensing, 2020, Vol. 12, pp. 2501.
13. Golubinskij A. N., Tolstyh A. A. Vybor arhitektury iskustvennoj nejronnoj seti na osnove sravneniya effektivnosti metodov raspoznavaniya izobrazhenij [Choosing an artificial neural network architecture based on comparing the effectiveness of image recognition methods], Vestnik Voronezhskogo instituta MVD Rossii [Bulletin of the Voronezh Institute of the Ministry of Internal Affairs of Russia], No. 1, 2018, pp. 27-37.
14. Tolstyh A. A. Metodika ocenki effektivnosti parametrizatora v vide svertochnoj nejronnoj seti [Methodology for evaluating the effectiveness of a parametrizer in the form of a convolutional neural network], Vestnik Voronezhskogo instituta MVD Rossii [Bulletin of the Voronezh Institute of the Ministry of Internal Affairs of Russia], 2019, No. 2, pp. 123-132.
15. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object Detection in 20 Years: A Survey, Arxiv, 2019, Vol. 1905, 05055v2.
16. Liu L., Ouyang W., Wang X., Fieguth P., Chen J., Liu X., Pietikainen M. Deep learning for generic object detection: A survey, International Journal of Computer Vision, 2020, Vol. 28, pp. 261-318.
17. Jiao L., Zhang F., Liu F., Yang S., Li L., Feng Z., Qu R. A survey of deep learning-based object detection, IEEE Access, 2019, Vol. 7, pp. 128837-128868.
18. Vlasenkova T. A., Kozyreva Yu. Yu. Cifrovizaciya kak osnova effektivnogo vedeniya sel'skogo hozyajstva [Digitalization as a basis for effective farming], Menedzhment v APK [Management in the agro-industrial complex], 2021, No. 2, pp. 11-16.
19. Simonov G. A., Maklahov A. V., Zadumkin K. A. Kachestvennye pokazateli moloka korov cherno-pestroj porody pri besprivyaznom soderzhanii i doenii na ustanovkah robotah [Qualitative indicators of milk of black-and-white cows with loose keeping and milking on robot installations], Effektivnoe zhivotnovodstvo [Efficient animal husbandry], 2018, No. 7, pp. 56-59.
20. Zemlevskij A. D. Issledovanie arhitektury svertochnyh nejronnyh setej dlya zadachi raspoznavaniya obrazov [Investigation of the architecture of convolutional neural networks for the task of pattern recognition], Vestnik nauki i obrazovaniya [Bulletin of Science and Education], 2017, Vol. 2, No. 6 (30), pp. 36-43.
21. Nemkov R. M. Issledovanie svertochnoj nejronnoj seti, obuchennoj s pomoshch'yu metoda primeneniya nestandartnyh receptivnyh polej pri raspoznavanii izobrazhenij [Investigation of a convolutional neural network trained using the method of applying non-standard receptive fields in image recognition], Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki [Proceedings of the Southern Federal University. Technical sciences], 2015, No. 7 (168), pp. 79-90.
The article was submitted 09.08.2023; approved after reviewing 12.09.2023; accepted for publication 14.09.2023.
Вестник НГИЭИ. 2023. № 11 (150). C. 42-52. ISSN 2227-9407 (Print) Bulletin NGIEI. 2023. № 11 (150). P. 42-52. ISSN 2227-9407 (Print)
¥¥¥¥¥¥¥¥¥¥¥ TFffiiVfliМЛГШМРЯ ЛМП
УМУМУУМУШЛЛ^ ЕПВ ТИС АГВП IMTWIÇTBIAI глмог rv
run 1 ne aun°-ii\uusimal ьитгьял ^
Information about the authors: D. Yu. Pavkin - Ph. D. (Engineering), Senior researcher, Spin-code: 7671-5380; A. R. Khakimov - Postgraduate student, Junior researcher, Spin-code: 2195-7946; I. M. Dovlatov - Ph. D. (Engineering), Researcher, Spin-code: 9533-9629; S. S. Ruzin - Junior researcher, Spin-code: 6770-2145; A. A. Polikanova - Master's degree, specialist, Spin-code: 5384-1037.
V. P. Zaikin - Dr. Sci. (Agriculture), Professor of the Department of «Technical and Biological Systems», Spin-code: 4958-9890.
Contribution of the authors:
Pavkin D. Yu. - research supervision, developed the theoretical framework, participation in the discussion on topic of the article.
Khakimov A. R. - search for materials in Russian and international sources, participation in the discussion on topic of the article.
Dovlatov I. M. - formulated conclusions, preparation of the initial version of the text, participation in the discussion on topic of the article.
Ruzin S. S. - preparation of the initial version of the text, participation in the discussion on topic of the article. Polikanova A. A. - conducting a literary review and analysis of technology and technical means. Zaikin W. P. - made the layout and the formatting of the article.
The authors declare that there is no conflict of interest.
