XXXXXXXXX TECHNOLOGIES, MACHINES AND EQUIPMENT XXXXXXXXX
WVW^^V^V РПВ THP АГВП INmiCTBIAI ГПМР1 rv VVVVVWWW
FOR 1HE AGKO-INDUSIKIAL COMPLEX
Научная статья
УДК 631.171, 636.22.034:637.513.5:004.8, 636.034 Б01: 10.24412/2227-9407-2023-4-18-28
Разработка метода определения балла упитанности молочных коров с помощью трехмерных снимков
Сергей Сергеевич Юрочка1, Игорь Мамедяревич Довлатов2, Владимир Юрьевич МатвеевЗв
12 Федеральный научный агроинженерный центр ВИМ, Москва, Россия
3 Нижегородский государственный инженерно-экономический университет, Княгинино, Россия
1 yurochkaSR@gmail.com, https://orcid.org/0000-0002-2511 -7526
2 dovlatovim@mail.ru, https://orcid.org/0000-0003-3058-2446
3 matveev_ngiei@mail.ruhttp://orcid.org/0000-0002-1837-8285
Аннотация
Введение. Статья посвящена применению метода определения балла упитанности молочных коров с помощью трехмерных снимков. Обнаружение объекта состоит как в оценке точного положения объекта в пространстве, так и в определении категории объекта. Повышение точности получаемых и обрабатываемых данных стало возможным благодаря не только методологическим достижениям, но и наличию больших массивов данных, а также увеличению вычислительной мощности. Важным этапом цифровизации молочных ферм является автоматизация бонитировочных работ. Взвешивание и получение весовых параметров необходимо для оценки физиологического состояния молочных коров.
Материалы и методы. Научные исследования проводились с использованием методов математического моделирования, обработки изображений с помощью сверточной нейронной сети, трехмерного моделирования в системах автоматизированного проектирования. В работе использована современная лазерная аппаратура: ТОБ-камера, электронные уровни.
Результаты и обсуждение. Представлен разработанный интеллектуальный алгоритм обнаружения областей интереса, который является составляющей проходного станка и работает следующим образом. Предложен математический расчет для определения хребта. Представлены примеры фотографий для наглядности упитанности животного. Разработана таблица с влиянием показателей на обработку массива данных и заключения по баллу упитанности каждого животного.
Заключение. Продемонстрирована возможность бесконтактной оценки баллов упитанности КРС с помощью трёхмерных снимков. Обоснованы высота и углы наклонов для сохранения погрешности камеры. Предлагается условно разделить на определение частей спины: хребта, маклаков, голодной ямки, хвостовой связки для метода определения балла упитанности молочной коровы. Описана поэтапно работа интеллектуального алгоритма для обнаружения областей интереса. Приведен математический расчет определения хребта с помощью представления всей поверхности спины в виде набора точек. Разработана таблица с влиянием показателей на шкалу упитанности.
Ключевые слова: бесконтактная оценка, корова, молочная ферма, обработка изображений, физиологические особенности, ТОБ-камера
Для цитирования: Юрочка С. С., Довлатов И. М., Матвеев В. Ю. Разработка метода определения балла упитанности молочных коров с помощью трехмерных снимков // Вестник НГИЭИ. 2023. № 4 (143). С. 18-28. БОТ: 10.24412/2227-9407-2023-4-18-28
© Юрочка С. С., Довлатов И. М., Матвеев В. Ю., 2023
Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.
ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ХХХХХХХХХХХ
'^VWWVV^V ППЯ ЛГРППРПМЫШПРННПГП кпмппркга V¥WW¥¥¥¥¥
Sergey S. Yurochka1, Igor M. Dovlatov2, Vladimir Yu. Matveev3®
12 Federal Scientific Agroengineering Center VIM, Moscow, Russia 3 Nizhny Novgorod State University of Engineering and Economics, Knyaginino, Russia
1 yurochkaSR@gmail.com, https://orcid.org/0000-0002-2511 -7526
2 dovlatovim@mail.ru, https://orcid.org/0000-0003-3058-2446
3 matveev_ngiei@mail.ruhttp://orcid.org/0000-0002-1837-8285
Introduction. The article is devoted to the application of the method for determining the fatness score of dairy cows using three-dimensional images. Object detection consists of both estimating the exact position of the object in space and determining the category of the object. Increasing the accuracy of the received and processed data became possible due not only to methodological achievements, but also to the availability of large data sets, as well as an increase in computing power. An important step in the digitalization of dairy farms is the automation of grading work. Weighing and obtaining weight parameters is necessary to assess the physiological state of dairy cows. Materials and methods. Scientific research was carried out using the methods of mathematical modeling, image processing using a convolutional neural network, three-dimensional modeling in computer-aided design systems. Modern laser equipment was used in the work: TOF-camera, electronic levels.
Results and discussion. The developed intelligent algorithm for detecting areas of interest is presented, which is a component of the pass-through machine and works as follows. A mathematical calculation is proposed to determine the ridge. Examples of photographs are presented to illustrate the fatness of the animal. A table has been developed with the influence of indicators on the processing of an array of data and conclusions on the fatness score of each animal. Conclusion. The possibility of non-contact evaluation of fatness scores of cattle using three-dimensional images is demonstrated. The height and angles of inclinations are justified to preserve the camera error. It is proposed to conditionally divide into the definition of parts of the back: the ridge, maklaks, hungry fossa, tail ligament for the method of determining the fatness score of a dairy cow. The work of an intelligent algorithm for detecting areas of interest is described step by step. A mathematical calculation of the definition of the ridge is given by representing the entire surface of the back as a set of points. A table has been developed with the influence of indicators on the fatness scale.
Key words: non-contact assessment, cow, dairy farm, image processing, physiological features, TOF camera
For citation: Yurochka S. S., Dovlatov I. M., Matveev V. Yu. Development of a method for determining the fatness score dairy cows through 3D imaging // Bulletin NGIEI. 2023. № 4 (143). P. 18-28. DOI: 10.24412/2227-94072023-4-18-28
Development of a method for determining the fatness score dairy cows through 3D imaging
Abstract
В исследовании [1] авторами установлена связь между упитанностью молочных коров и вероятностью развития субклинического кетоза, где коровы с баллом упитанности > 3,25 были более подвержены заболеванию, чем худые с баллом упитанности < 3.
Мировая тенденция развития молочного животноводства направлена на автоматизацию и роботизацию технологических процессов производства молока на товарной ферме.
Введение
и снижением веса в течение 30-40 дней после отела. Из 47 исследуемых коров 37 коров на 14 сутки после отела потеряли > 0,75 балла по шкале BCS, 10 коров потеряли < 0,75 балла по шкале BCS. Потеря веса связана с отрицательным энергетическим балансом у коровы после отела и последующей мобилизации резервов организма для восстановления.
В исследованиях [2; 3; 4] установлена зависимость между баллом упитанности молочных коров
Необходимость цифровизации фермы подразумевает внедрение автоматического управления фермой. Для этого необходимо определять габариты и соски вымени животного. В данной работе мы исследовали возможность использования обработки фотографий лактирующих животных. Использова-
' FOR THE AGRO-INDUSTRIAL COMPLEX
ние нейронных сетей широко применяется во множестве областей, где нужно определить искомый объект на изображении [1; 2; 11].
Обнаружение объекта состоит как в оценке точного положения объекта в пространстве, так и в определении категории объекта. Это является центральным компонентом во многих реальных приложениях для автономных режимов, обнаружение объектов для анализа их поведения, обнаружение и дальнейшее распознавание для цели наблюдения и т. д. [5].
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, сверточных нейронных сетей (СНС) привело как к изменению парадигмы, так и к некоторым значительным улучшениям [6; 7; 13].
Это повышение точности стало возможным благодаря не только методологическим достижениям, но и наличию больших массивов данных, а также увеличению вычислительной мощности. С тех пор обнаружение объектов с использованием подходов глубокого обучения развивалось с неудержимой скоростью [8; 9; 13], пытаясь добиться все большей и большей точности обнаружения, а также обеспечить быстрое обнаружение для приложений реального времени.
Важным этапом цифровизации молочных ферм является автоматизация бонитировочных работ. Взвешивание и получение весовых параметров необходимо для оценки физиологического состояния молочных коров [1; 2; 3; 4; 5; 6]. Авторами предлагается проводить оценки физиологического состояния молочных коров с помощью метода, основанного на баллах упитанности. Здоровые животные необходимы для наращивания производства животноводческой продукции, в частности молока и молочных продуктов [7; 8; 9; 10]. Только полноценное сбалансированное кормление обеспечивает рост и развитие согласно генетической программе вида [11; 12]. Для точного измерения параметров необходимо учитывать все параметры, влияющие на точность измерения, например, налипание грязи на тело (навал) или расположение животного внутри станка [19].
Проблема отсутствия отечественных решений для определения упитанности дистанционно без присутствия специалиста актуальна. В более ранних исследованиях [12; 13; 14; 15; 16] установлено, что балл упитанности напрямую связан с их физиологическим состоянием.
На сегодняшний день зарубежные компании, предоставляющие решения для определения упитанности, перестали поставляться и поддерживать сервисно уже оборудованные фермы. Например, фермеры, у которых установлены системы определения упитанности от компании Delaval, не могут полноценно использовать дальше свой продукт.
Комплекс должен разрабатываться в соответствии с задачей, поставленной перед животноводческой отраслью, а именно увеличить долю отечественного племенного скота внутри страны и на экспорт (Федеральная научно-техническая программа развития сельского хозяйства на 2017-2025 годы).
Стоит отметить, что эта работа базируется на полученных ранее результатах по разработке систем оценки балла упитанности и является их продолжением.
Цель исследований - разработать метод определения балла упитанности молочных коров с помощью автоматической обработки трехмерных снимков, получаемых с помощью TOF-камеры.
Материалы и методы
Научные исследования проводились с использованием методов математического моделирования, обработки изображений с помощью сверточной нейронной сети, трехмерного моделирования в системах автоматизированного проектирования.
В работе использована современная лазерная аппаратура: TOF-камера, электронные уровни.
Исследования проводятся на трехмерных снимках, содержащих облако точек, где каждая точка (пиксел) содержит координаты по X, Y, Z, где началом координат является нулевая точка, расположенная на матрице трехмерной камеры. Сбор данных производился на 3D T0F-камеру 03D 303 компании ifm (Германия). Массив данных по упитанности коров собирался на ферме: ФГУП Григорьевское (Ярославская область), по результатам была собрана информация по ~150 животных и около 470 снимков. Была собрана информация по животным с баллом упитанности от 1 до 5, на разных стадиях лактации.
ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
a б в
Рис. 1. Этапы исследований системы определения упитанности молочных коров: а) теоретическая модель; б) система оценки упитанности, с использованием которой собирались трехмерные карты; в) трехмерная карта спины молочной коровы, подготовленная для обработки
Fig. 1. Stages of research of the system for determining the fatness of dairy cows: a) theoretical model; b) fatness assessment system using which three-dimensional maps were collected; c) three-dimensional map of the back of a dairy cow prepared for processing
Обоснование высоты и угла наклона приводилось в работе [17]. Высота и угол наклона при установке трехмерной камеры обусловлены четырьмя параметрами: высота коровы, длина коровы, минимальное рабочее расстояние от камеры до объекта, допустимая погрешность камеры (рисунок 2). Высоту коровы принимаем от 1300 до 1500 мм от
уровня пола, минимальное рабочее расстояние -300 мм от исследуемой поверхности объекта до объектива камеры. Погрешность камеры, заявленная техническими характеристиками производителя, равна ± 1 см на каждый метр рабочего расстояния от объектива камеры до объекта.
а б в
Рис. 2. Числовая демонстрация изменения расстояния сканируемой поверхности от угла наклона датчика: а - позиция 1 (перпендикулярно вниз); б - позиция 2 (5° от вертикальной оси); в - позиция 3 (10° от вертикальной оси) Fig. 2. Numerical demonstration of the change in the distance of the scanned surface from the angle of inclination of the sensor: a - position 1 (perpendicular to the bottom); b - position 2 (5° from the vertical axis); c - position 3 (10° from the vertical axis) Источник: числовая демонстрация сделана авторами в ходе исследования
' FOR THE AGRO-INDUSTRIAL COMPLEX
Например, погрешность измерения составит < 1 см, при условии, что рабочее расстояние от крестца коровы (1500 мм) до объектива трехмерной камеры (2200 мм) равно 700 мм.
Например, при установке трехмерной камеры на высоте 2200 мм от уровня пола, при угле наклона 10° (рисунок 3, в), а рабочий угол обзора 60° скани-
руемое расстояние при высоте коровы 1300 мм составит 1142,71 мм, при высоте коровы 1500 мм составит 889,12 мм.
Результаты и обсуждение Алгоритмы, программный код были ранее описаны в работе [18]. Общая схема определения балла упитанности представлена на рисунке 3.
Рис. 3. Модель определения балла упитанности молочной коровы Fig. 3. A model for determining the fatness score of a dairy cow Источник: модель сделана авторами в ходе исследования
ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
Интеллектуальный алгоритм обнаружения областей интереса является составляющей проходного станка и работает следующим образом:
1. Алгоритм посредством трехмерных камер получает трехмерное изображение.
2. Идентифицирует туловище коровы на снимке на основании ранее обученной выборки.
3. Идентифицирует крестец и хребет.
4. От крестца вдоль позвоночника к голове отмеряется 600 мм. Фиксируется точка А на позвоночнике.
5. Перпендикулярно точки А производится расчет средней ширины туловища коровы. Далее производится расчет средней ширины туловища вдоль хребта. Полученные значения корректируются соответствующим образом друг с другом.
6. Производится деление средней ширины туловища к фактическому расстоянию в длину.
7. Полученная пропорция k умножается на коэффициент 0.8 (коэффициент актуален для коров черно-пестрой и ярославских пород) и округляется до 0,25.
Над коровой устанавливается оптический модуль, позволяющий получать трехмерное изображение, которое содержит в себе облако точек, где каждая точка является координатой по осям X, Y, Z относительно оптического модуля.
Высота установки модуля определяется следующими критериями:
• минимальное и максимальное фокусное рабочее расстояние;
• трехмерная карта должна покрывать всю ширину животного, с запасом минимум 0,1 м с каждой стороны;
• разрешение оптического модуля не должно быть менее 352^264.
Описанные критерии были выявлены как минимальные в ранее проведённых нами исследованиях [19; 20; 21].
Процесс определения упитанности производится путем получения трехмерного снимка спины животного. Начало процесса получения трехмерных карт может производиться как автоматически, определяя номер бирки животного, в момент, когда животное проходит через область работы Я^ГО антенны, так и в ручном режиме, при присвоении номера животного к трехмерным снимкам. Полученный снимок сегментируется, удаляются шумы. Например, при установке оптического модуля на
высоте ~2,3 метра от уровня пола сегментации не подлежат только те объекты, которые находятся на высоте 0,9-1,5 м (спина животного). После сегментации подготовленная трехмерная карта не содержит прочих объектов.
Определение хребта
После того, как спина коровы была отсегмен-тирована и удалены шумы, производится определение центральной линии хребта. Вся поверхность спины коровы представляется массивом точек без учета глубины, после чего применяется инструмент регрессии.
Представляем всю поверхность спины в виде набора точек:
(У1 , Ч), (У 2, ), ■ ■ ■ (Уп, хп) . (1)
Применим метод наименьших квадратов с последующей регрессией для поиска хребта коровы - центра спины. Минимизируем сумму квадратов отклонений
1(у1 — (а + Ъ х{))2. (2)
Для поиска стационарных точек для RSS используются выражения:
55 = £ {2 (у а- Ъ х {) = 0
{ dR SS
да
(3)
= £ i2 (yi-a- b Xi) = 0 1 lyi-na-b£ iXi = 0 11Xiy i -a£iXi-b£ixf = 0' у — a — bx = 0
xy — ax — bx2 = 0' a = у — bx
XXy - (y - bXX)X - bx2 = 0 ' a = у — bx
2_72l-n- (7)
(4)
(5)
(6)
\ху — х у + Ъ [(ХХ)2 — х2] = 0 ' Таким образом регрессия и уточнения линии хребта к облаку точек позволяют получить результат, представленный на рисунке 3.
На рисунке 4 показаны результаты работы метода регрессии. Показано построение хребта, как множество точек на каждой построенной продольной оси. Более светлый силуэт отображает силуэт коровы, представленный в виде облака точек, без учета оси Z, и результат - уточненный хребет животного.
Для того, чтобы определить высоту коровы, необходимо по линии хребта оценить координаты (XYZ) каждой точки и найти экстремум по оси Z. Точка, являющаяся экстремумом, является холкой, по которой определяется рост коровы. Точка холки обозначена переменной на рисунке 2.
' FOR THE AGRO-INDUSTRIAL COMPLEX
Рис. 4. Определение оси хребта. Извлечение областей интереса и анализ полученных данных: 1 - отфильтрованная область; 2 - контур коровы; 3 - неуточненный хребет животного; 4 - уточненный хребет животного; 5 - корень хвоста; 6 - маклаки Fig. 4. Determination of the ridge axis. Extraction of areas of interest and analysis of the received data: 1 - filtered area; 2 - contour of a cow; 3 - unspecified ridge of the animal; 4 - corrected ridge of the animal; 5 - tail root; 6 - maklaki Источник: рисунок получен авторами в ходе исследования
Ниже (рис. 5) представлены примеры фото- 1 указано влияние показателей на обработку масси-графий для наглядной визуализации зависимости ва данных и заключения по баллу упитанности каж-всех параметров на упитанность животного. В табл. дого животного.
Упжтанность 1.5 балла
Упитанность 3.0 била
Упитанность 4.5 балла
Рис. 5. Примеры различных упитанностей после визуального осмотра Fig. 5. Examples of various fatness after visual inspection Источник: фотографии для наглядной визуализации сделаны авторами в ходе исследования
ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
Таблица 1. Влияние показателей на шкалу упитанности Table 1. Influence of indicators on the fatness scale
Упитанность / Fatness
Показатели, зона туловища / Indicators, Ожирение / Obesity Вышесредняя / Above average Средняя / Medium Нижесредняя / Below average Истощение / Exhaustion
body area Балл / Score
5.0 4.0 3.0 2.0 1.0
Остистые отростки поясницы и спины / Spinous processes of the lumbar and back Поперечные отростки поясницы и область голодной ямки / The transverse processes of the lumbar and the region of the hungry fossa
Маклоки, седалищные бугры, расстояние между ними / Mclocks, ischial tuberosities, distance between them Источник: таблица получена авторами в ходе исследования
разницы нет, стабильно / there is no difference, stable
разницы нет, стабильно / there is no difference, stable
не определяются / not defined
разницы нет, стабильно / there is no difference, stable
разницы нет, стабильно / there is no difference, stable
дуга / arc
разницы нет, стабильно / there is no difference, stable
разницы нет, стабильно / there is no difference, stable
выступают слабо, дуга / they perform weakly, the arc
разница, до 1 см / difference, up to 1 cm разница между мин и мах (20-38 мм) /
difference between min
and max (20-38 mm)
выступают, угол тупее / protrude, the angle is dumber
разница большая, 1-2 см / the difference is large, 1 -2 cm
разница между мин и мах (62 и 39 мм) / difference between min and max (62 and 39 mm)
сильно выступают, угловатые / strongly protruding, angular
Заключение
Продемонстрирована возможность бесконтактной оценки баллов упитанности КРС с помощью трёхмерных снимков. Обоснованы высота и углы наклонов для сохранения погрешности камеры не более ±1 см на каждый метр рабочего расстояния от объектива камеры до объекта.
Предлагается условно разделить на определение частей спины: хребта, маклаков, голодной ямки,
хвостовой связки для метода определения балла упитанности молочной коровы.
Описана поэтапно работа интеллектуального алгоритма для обнаружения областей интереса.
Приведен математический расчет определения хребта с помощью представления всей поверхности спины в виде набора точек. Описано, как определять высоту коровы бесконтактно с помощью системы.
Разработана таблица с влиянием показателей на шкалу упитанности.
СПИСОК ИСТОЧНИКОВ
1. Косилов В. И., Кадралиева Б. Т. Весовые параметры коров-первотёлок чёрно-пёстрой, голштинской пород и их помесей // Известия Оренбургского государственного аграрного университета. 2020. № 6 (86). С.299-301.
2. Вильвер Д. С., Фомина А. А. Влияние энергетической кормовой добавки на изменчивость показателей молочной продуктивности коров чёрно-пёстрой породы // Известия Оренбургского государственного аграрного университета. 2017. № 1 (63). С. 140-142.
3. Vanholder T. et al. Risk factors for subclinical and clinical ketosis and association with production parameters in dairy cows in the Netherlands //Journal of dairy science. 2015. Т. 98. № 2. С. 880-888.
4. Chapel J. M. et al. Relationship of BCS prepartum with reproductive performance and lipomobilization in Holstein dairy cows // Pak Vet J. 2017. Т. 37. № 2. С. 215-219.
XXXXXXXXX TECHNOLOGIES, MACHINES AND EQUIPMENT XXXXXXXXX
MR тир дгвп iMnucTRiai ГПМР1РУЧ FOR THE AGRO-INDUSTRIAL COMPLEX
5. Косилов В. И., Никонова Е. А., Джалов А. Г. Потребление и использование кормов и энергии рациона тёлками чёрно-пёстрой породы и её помесями // Известия Оренбургского государственного аграрного университета. 2016. № 4 (60). С. 124-127.
6. 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.
7. Литовченко В. Г., Жаймышева С. С., Косилов В. И. [и др.] Влияние пробиотической кормовой добавки Биодарин на рост и развитие телок симментальской породы // АПК России. 2017. Т. 24. № 2. С. 391-396.
8. Косилов В., Крылов В., Жукова О. Эффективность скрещивания скота разного направления продуктивности // Молочное и мясное скотоводство. 2007. № 1. С. 13-14.
9. 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.
10. Гудыменко В. В. Перспективы использования трёхпородного скрещивания в скотоводстве // Известия Оренбургского государственного аграрного университета. 2012. № 6 (38). С. 116-118.
11. Крылов В. Н., Косилов В. И. Показатели крови молодняка казахской белоголовой породы и ее помесей со светлой-аквитанской // Известия Оренбургского государственного аграрного университета. 2009. № 2 (22). С. 121-125.
12. 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.
13. Юрочка С. С., Хакимов А. Р., Довлатов И. М., Владимиров Ф. Е., Павкин Д. Ю., Матвеев В. Ю. Применение метода определения биометрических параметров вымени лактирующих животных с использованием сверточной нейронной сети // Вестник НГИЭИ. 2022. № 9 (136). С. 30-40.
14. Buscher W. Digitization of the barn - current status and perspectives // Zuchtungskunde. 2019. V. 1. № 91. P.35-44.
15. 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. V. 8. P. 551.
16. 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.
17. Кирсанов В. В., Павкин Д. Ю., Довлатов И. М., Юрочка С. С., Рузин С. С. Разработка алгоритма оценки физиологической упитанности молочных коров // Агроинженерия. 2022. Т. 24. № 6. С. 4-8.
18. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object Detection in 20 Years: A Survey // Arxiv. 2019. 1905.05055v2.
19. 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.
20. Власенкова Т. А., Козырева Ю. Ю. Цифровизация как основа эффективного ведения сельского хозяйства // Менеджмент в АПК. 2021. № 2. С. 11-16.
21. 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.
Статья поступила в редакцию 17.01.2023; одобрена после рецензирования 20.02.2023;
принята к публикации 22.02.2023.
Информация об авторах: С. С. Юрочка - к.т.н., старший научный сотрудник, Spin-код: 8689-5597; И. М. Довлатов - к.т.н., научный сотрудник, Spin-код: 9533-9629; В. Ю. Матвеев - к.т.н., доцент, Spin-код: 6756-1176.
ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
Заявленный вклад соавторов: Юрочка С. С. - научное руководство, формулирование основных направлений исследования, литературный анализ, обработка результатов исследования.
Довлатов И. М. - обработка результатов исследования, доработка текста и общих выводов. Матвеев В. Ю. - формирование массива данных, верстка и формирование работы.
REFERENCES
1. Kosilov V. I., Kadralieva B. T. Vesovye parametry korov-pervotyolok chyorno-pyostroj, golshtinskoj porod i ih pomesej [Weight parameters of first-calf cows of black-and-white, Holstein breeds and their crossbreeds], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian Universit], 2020, No. 6 (86), pp. 299-301.
2. Vil'ver D. S., Fomina A. A. Vliyanie energeticheskoj kormovoj dobavki na izmenchivost' pokazatelej mo-lochnoj produktivnosti korov chyorno-pyostroj porody [The effect of an energy feed additive on the variability of milk productivity indicators of black-and-white cows], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian Universit], 2017, No. 1 (63), pp. 140-142.
3. Vanholder T. et al. Risk factors for subclinical and clinical ketosis and association with production parameters in dairy cows in the Netherlands, Journal of dairy science, 2015, Vol. 98, No. 2, pp. 880-888.
4. Chapel J. M. et al. Relationship of BCS prepartum with reproductive performance and lipomobilization in Holstein dairy cows, Pak Vet J., 2017, Vol. 37, No. 2, pp. 215-219.
5. Kosilov V. I., Nikonova E. A., Dzhalov A. G. Potreblenie i ispol'zovanie kormov i energii raciona tyolkami chyorno-pyostroj porody i eyo pomesyami [Consumption and use of feed and energy of the diet by black-and-white breed heifers and its crossbreeds], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian Universit], 2016, No. 4 (60), pp. 124-127.
6. Komarova N. K., Kosilov V. I., Isajkina E. Yu., Nikonova E. A. Novye tekhnologicheskie metody pov-ysheniya molochnoj produktivnosti korov na osnove lazernogo izlucheniya [New technological methods for increasing dairy productivity of cows based on laser radiation], Orenburg : Publ. centr OGAU, 2015. 192 s.
7. Litovchenko V. G., Zhajmysheva S. S., Kosilov V. I. et al. Vliyanie probioticheskoj kormovoj dobavki Bio-darin na rost i razvitie telok simmental'skoj porody [The effect of the probiotic feed additive Biodarin on the growth and development of heifers of the Simmental breed], APK Rossii [Agroindustrial Complex of Russia], 2017, Vol. 24, No. 2, pp. 391-396.
8. Kosilov V., Krylov V., Zhukova O. Effektivnost' skreshchivaniya skota raznogo napravleniya produktivnosti [Efficiency of cattle crossing in different directions of productivity], Molochnoe i myasnoe skotovodstvo [Dairy and meat cattle breeding], 2007, No. 1, pp. 13-14.
9. Senchenko O. V., Mironova I. V., Kosilov V. I. Molochnaya produktivnost' i kachestvo moloka-syr'ya ko-rov-pervotyolok 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 Universit], 2016, No. 1 (57), pp. 90-93.
10. Gudymenko V. V. Perspektivy ispol'zovaniya tryohporodnogo skreshchivaniya v skotovodstve [Prospects of using three-breed crossing in cattle breeding], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian Universit], 2012, No. 6 (38), pp. 116-118.
11. Krylov V. N., Kosilov V. I. Pokazateli krovi molodnyaka kazahskoj belogolovoj porody i ee pomesej so svetloj-akvitanskoj [Blood indicators of young Kazakh white-headed breed and its crossbreeds with light-Aquitanian], Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta [Proceedings of the Orenburg State Agrarian Universit], 2009, No. 2 (22), pp. 121-125.
12. 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 uni-versiteta [Bulletin of the Voronezh State University], 2019, No. 3, pp. 123-137.
XXXXXXXXX TECHNOLOGIES, MACHINES AND EQUIPMENT XXXXXXXXX
япв гиг arnn ииписттд! ГПМРГРУЧ
FOR ÎHE AGRO-INDUS ÎRIAL COMPLEX
13. Yurochka S. S., Hakimov A. R., Dovlatov I. M., Vladimirov F. E., Pavkin D. Yu., Matveev V. Yu. Prime-nenie metoda opredeleniya biometricheskih parametrov vymeni laktiruyushchih zhivotnyh s ispol'zovaniem svertochnoj nejronnoj seti [Application of the method for determining the biometric parameters of the udder of lactat-ing animals using a convolutional neural network], VestnikNGIEI [Bulletin NGIEI], 2022, No. 9 (136), pp. 30-40.
14. Büscher W. Digitization of the barn - current status and perspectives, Züchtungskunde, 2019, Vol. 1, No. 91, pp. 35-44.
15. Burmistrov D. E., Pavkin D. Y., Khakimov A. R., Ignatenko D. N., Nikitin E. A., Lednev V. N., Lobachev-sky Y. P., Gudkov S. V., Zvyagin A. V. Application of Optical Quality Control Technologies in the Dairy Industry: An Overview, Photonics, 2021, Vol. 8, pp. 551.
16. Pham M.-T., Courtrai L., Friguet C., Lefèvre 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.
17. Kirsanov V. V., Pavkin D. Yu., Dovlatov I. M., Yurochka S. S., Ruzin S. S. Razrabotka algoritma ocenki fiziologicheskoj upitannosti molochnyh korov [Development of an algorithm for assessing the physiological fatness of dairy cows], Agroinzheneriya [Agroengineering], 2022, Vol. 24, No. 6, pp. 4-8.
18. Zhengxia Z., Zhenwei S., Yuhong G., Jieping Y. Object Detection in 20 Years: A Survey, Arxiv, 2019, 1905.05055v2.
19. Liu L., Ouyang W., Wang X., Fieguth P., Chen J., Liu X., Pietikàinen M. Deep learning for generic object detection: A survey, International Journal of Computer Vision, 2020, Vol. 128, pp. 261-318.
20. Vlasenkova T. A., Kozyreva Yu. Yu. Cifrovizaciya kak osnova effektivnogo vedeniya sel'skogo hozyajstva [Digitalization as a basis for effective agriculture], Menedzhment v APK [Management in the agro-industrial complex], 2021, No. 2, pp. 11-16.
21. 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 [Effective animal husbandry], 2018, No. 7, pp. 56-59.
The article was submitted 17.01.2023; approved after reviewing 20.02.2023; accepted for publication 22.02.2023.
Information about the authors: S. S. Yurochka - Ph. D. (Engineering), Senior Researcher, Spin-code: 8689-5597; I. M. Dovlatov - Ph. D. (Engineering), Researcher, Spin-code: 9533-9629; V. Yu. Matveev - Ph. D. (Engineering), Associate Professor, Spin-code: 6756-1176.
Contribution of the authors:
Yurochka S. S. - scientific guidance, formulation of the main directions of research, literary analysis, processing of research results.
Dovlatov I. M. - processing of research results, revision of the text and general conclusions. Matveev V. Yu. - formation of a data array, layout and formation of work.
The authors declare that there is no conflict of interest.