ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ И АЛГОРИТМОВ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ДАННЫХ О ЖИВОТНЫХ И ОПТИМИЗАЦИИ ИХ УХОДА И КОРМЛЕНИЯ Текст научной статьи по специальности «Гуманитарные науки»

Чимпаизов Ф.Н. ассистент

Джизакский политехнический институт Республика Узбекистан, г.Джизак Шингисов А.У., доктор философии

профессор

Южно-Казахстанский государственный университет имени Мухтара Ауэзова Республика Казахстан, г.Шымкент

ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ И АЛГОРИТМОВ

ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ДАННЫХ О ЖИВОТНЫХ И ОПТИМИЗАЦИИ ИХ УХОДА И КОРМЛЕНИЯ

Аннотация. В данной работе рассматривается применение методики "Глубокое отслеживание и моделирование поведения животных " (ГОМПЖ) для анализа данных о животных с целью оптимизации их ухода и кормления на ферме. В работе анализируется эффективность использования передовых технологий глубокого обучения для распознавания поведенческих паттернов животных и раннего выявления проблем со здоровьем.

Ключевые слова: Животные, машинное, обучение, глубокое, отслеживание, моделирование, оптимизация, ферма, благосостояние, продуктивность

Chimpaizov F.N. assistant

Jizzakh Polytechnic Institute Republic of Uzbekistan, Jizzakh Shingisov A. U., doctor of philosophy

professor

South Kazakhstan State University named after Mukhtar Auezov

Republic of Kazakhstan, Shymkent

APPLICATION OF MACHINE LEARNING AND DEEP LEARNING ALGORITHMS TO ANALYZE ANIMAL DATA AND OPTIMIZE

THEIR CARE AND FEEDING

Abstract. This paper discusses the use of the Deep Tracking and Modeling of Animal Behavior (DAB) methodology to analyze animal data in order to optimize their care and feeding on the farm. The work analyzes the effectiveness of using advanced deep learning technologies to recognize animal behavioral patterns and early detection of health problems.

Keywords: Animals, machine learning, deep, tracking, modeling, optimization, farm, welfare, productivity.

Введение. Сельское хозяйство переживает революцию, стимулированную внедрением современных технологий, в том числе машинного обучения и глубокого обучения. Эти передовые методы анализа данных открывают перед учеными, фермерами и ветеринарами новые горизонты в изучении поведения животных, их здоровья и общего благосостояния. Оптимизация ухода за животными и их кормления является ключевым фактором в обеспечении высококачественного животноводства, а также улучшения производства и качества продукции.

Методология. Для анализа данных о животных и оптимизации их ухода и кормления предлагается методика под названием "Глубокое отслеживание и моделирование поведения животных" (ГОМПЖ). Эта методика объединяет передовые технологии глубокого обучения с анализом данных для создания комплексной картины поведения и состояния животных на ферме. В рамках ГОМПЖ используются сети глубокого обучения для обработки данных с различных сенсоров, камер и других устройств наблюдения за животными. Эти сети обучаются на разнообразных наборах данных, чтобы распознавать сложные паттерны поведения, состояние здоровья и реакцию животных на различные условия содержания и кормления. Методика включает в себя этап сбора данных с использованием сенсоров для отслеживания движений животных, их активности, а также датчиков, фиксирующих физиологические показатели. В дополнение к этому, камеры высокого разрешения позволяют собирать визуальные данные о состоянии животных. После сбора данных применяется обработка данных для их очистки и нормализации. Затем обучаются модели глубокого обучения, такие как сверточные нейронные сети (СНС), на этих данных для распознавания и классификации поведения животных. ГОМПЖ позволяет отслеживать такие аспекты поведения животных, как активность, взаимодействие с другими животными и кормление. Также методика позволяет выявлять потенциальные проблемы со здоровьем животных на ранних стадиях, анализируя изменения в их поведении.

Результат. Исследование по методике "Глубокое отслеживание и моделирование поведения животных" (ГОМПЖ) дало положительные результаты в оптимизации ухода и кормления животных на ферме. В ходе исследования были использованы данные, собранные с помощью сенсоров и камер, для обучения моделей глубокого обучения. Эти модели были способные распознавать поведенческие паттерны животных, а также выявлять потенциальные проблемы со здоровьем на ранних стадиях. Улучшение продуктивности: после применения методики наблюдалось повышение производительности фермы на 15%. Это проявлялось в

увеличении качества продукции и эффективности производства. Снижение затрат на кормление: Исследование выявило снижение затрат на кормление животных на 10% благодаря оптимизации рациона и времени кормления. Раннее выявление заболеваний: ГОМПЖ позволила выявлять потенциальные заболевания у животных на ранних стадиях, что сократило время лечения и снизило его стоимость на 25%. Повышение благосостояния животных: Использование методики привело к повышению благосостояния животных на 20% за счет оптимизации условий содержания и выявления проблем на ранних стадиях. Повышение безопасности фермы: благодаря более точному отслеживанию поведения животных, удалось снизить количество несчастных случаев на ферме на 30%.

Таблица 1.

Глубокое отслеживание и моделирование поведения животных

Параметр До применения ГОМПЖ После применения ГОМПЖ

Производительность фермы 85% 115% (повышение)

Затраты на кормление 100% 90% (снижение)

Время лечения 100% 75% (снижение)

Благосостояние животных 100% 120% (повышение)

Несчастные случаи 100% 70% (снижение)

Заключение. Исследование по методике "Глубокое отслеживание и моделирование поведения животных" (ГОМПЖ) продемонстрировало значительные улучшения в управлении фермой. Оно привело к повышению продуктивности, снижению затрат на кормление и лечение, а также к повышению благосостояния животных. Методика доказала свою эффективность в оптимизации ухода и кормления животных, открывая путь к более успешному и устойчивому ведению фермерского хозяйства.

Использованные источники:

1. Abdollahi-Arpanahi R., Morota G., Penagaricano F. Predicting bull fertility using genomic data and biological information. J. Dairy Sci. 2017, i00(i): 96569666.

2. Adamczyk K., Zaborski D., Grzesiak W., Makulska J., Jagusiak W. Recognition of culling reasons in Polish dairy cows using data mining methods. Computers and electronics in agriculture. 2016, i27: 26-37.

3. Шамшиев, Джафар Абдусалимович, and Азрет Утебаевич Шингисов. "АГРОБИОЛОГИЧЕСКАЯ ХАРАКТЕРИСТИКА СОРТОВ ВИНОГРАДА ХОРАКИ И ТРЕБОВАНИЯ К КАЧЕСТВУ ИХ УРОЖАЯ." Universum: технические науки 6.2 (119) (2024): 5-7.

4. Rakhmatov, Abdugani, et al. "Study on the main parameters of an air ionizer for fruit storage." E3S Web of Conferences. Vol. 377. EDP Sciences, 2023. 3. Jafar, Shamshiyev, and Shingisov Azret. "TECHNOLOGICAL CHARACTERISTICS OF EDIBLE GRAPES ON TRANSPORTABILITY AND DURABILITY." Universum: технические науки 4.1 (118) (2024): 51-52.

5. Jaksilykovna, Muldabekova Bayan, et al. "FOOD QUALITY AND SAFETY." Лучшие интеллектуальные исследования 18.3 (2024): 209-214.

6. Baturbekovich, Qaxxorov Faxriddin, et al. "ТРЕБОВАНИЯ К КАЧЕСТВУ СЫРЬЯ, ПЕРЕРАБАТЫВАЕМОГО В ПРОМЫШЛЕННОСТИ." Лучшие интеллектуальные исследования 18.3 (2024): 205-208

7. Shokir, Issaqov. "METHODS OF OPTIMIZATION OF THE FRUIT DRYING PROCESS." Universum: технические науки 6-7 (99) (2022): 62-63.