Разработка методов определения биометрических и температурных параметров вымени лактирующих животных на основе оптических технологий тема диссертации и автореферата по ВАК РФ 05.20.01, кандидат наук Юрочка Сергей Сергеевич

• Юрочка Сергей Сергеевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Юрочка Сергей Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИЙ И ТЕХНИЧЕСКИХ СРЕДСТВ ДЛЯ ОПРЕДЕЛЕНИЯ БИОМЕТРИЧЕСКИХ И ТЕМПЕРАТУРНЫХ ПАРАМЕТРОВ ВЫМЕНИ

1.1 Роль и значение современных цифровых методов биометрической идентификации в молочном скотоводстве

1.2 Анализ биометрических параметров вымени и сосков

1.3 Анализ причин изменения температурных параметров вымени и сосков у животных

1.4 Анализ технологий и технических средств для определения биометрических и температурных параметров вымени

1.5 Выбор технических средств для определения биометрических и температурных параметров на базе технологий ТОБ и термографии

Выводы по 1 главе, цели и задачи исследования

ГЛАВА 2. ТЕОРЕТИЧЕСКОЕ ИССЛЕДОВАНИЕ И ОБОСНОВАНИЕ МЕТОДОВ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ СОСКОВ И ВЫМЕНИ ЖИВОТНЫХ

2.1 Обоснование рационального местоположения установки бесконтактного модуля

2.2 Режимы работы и метод определения границ и температуры вымени и сосков лактирующих животных

2.3 Обнаружение границ сосков и их физиологических параметров

2.4 Программный перерасчёт матрицы данных

2.5 Разработка режимов работы и алгоритмов функционирования оптического модуля

Выводы по 2 главе

ГЛАВА 3. ПРОГРАММА И МЕТОДИКА ЛАБОРАТОРНЫХ И НАТУРНЫХ ИССЛЕДОВАНИЙ

3.1 Разработка аппаратно-измерительного стенда и методики проведения исследований для сравнения точности 3ё камеры и лидара

3.2 Разработка аппаратно-измерительного стенда и методики обучения снс и проведения исследований по распознаванию искусственных сосков

3.3 Разработка аппаратно-измерительного стенда и методики оценки биометрических параметров сосков

3.4 Разработка методики проведения термографического исследования по выявлению влияния локального повышения температуры вымени на удой и скорость молокоотдачи

Выводы по 3 главе

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

4.1 Результаты экспериментальных исследований для сравнения точности 3ё камеры и лидара

4.2 Результаты обучения СНС и проведения исследований по распознаванию искусственных сосков

4.3 Результаты оценки биометрических параметров экспериментальных исследований по измерению 26 параметров вымени и сосков

4.4 Результаты экспериментальных исследований по выявлению влияния локального повышения температуры вымени на удой и скорость молокоотдачи

Выводы по 4 главе

ГЛАВА 5. ОБОСНОВАНИЕ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ

5.1 Расчет себестоимости оптического модуля

124

5.2 Расчет окупаемости оптического модуля

Выводы по 5 главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ВВЕДЕНИЕ

Актуальность темы связана с проблемой отсутствия автоматизированных и роботизированных решений при определении бонитировочных характеристик сельскохозяйственных животных. Так, например, определение биометрических показателей вымени и сосков молочных коров в племенных хозяйствах производится ручным способом при проведении бонитировочной оценки и требует больших трудозатрат. Для диагностирования мастита коровы необходимо получить образцы молока, в лаборатории произвести диагностику и установить зоотехнический статус коровы. Такой подход редко подразумевает раннюю диагностику заболеваний, т.к в хозяйствах не проводится ежедневный сбор данных образцов молока с последующей диагностикой. Существуют разработанные методы автоматической диагностики молока, например, оценка электропроводности во время доения, которые влекут за собой разработку целого комплекса дополнительных модулей в системе доения для того, чтобы полученное маститное молоко отделить от молока здоровой коровы. Второй способ ранней диагностики маститов — это определение температурных параметров вымени при ежедневном ручном сканировании вымени и сосков с использованием тепловизора. Ручной способ является трудозатратным процессом, поэтому в хозяйствах как процесс, встроенный в технологию, применяется редко. Отсутствие своевременного реагирования на развивающийся мастит повлечет за собой лечение тяжелых его форм, которое требует больших затрат, чем предотвращение ранней формы субклинического мастита и приводит к тому, что часто корова после заболевания тяжелой формой мастита не выходит на плановые удои, которые были до заболевания. Определение биометрических и температурных параметров должно быть встроены в существующие производственные технологии получения животноводческой продукции.

Отток населения и специалистов из сельских районов приводит к недостатку квалифицированных кадров на животноводческих фермах.

Пандемия Sars-cov 2 усугубила ситуацию со специалистами в молочном животноводстве. Оставшиеся квалифицированные специалисты имеют повышенную производственную нагрузку, что в хозяйствах может привести к снижению качества обслуживания животных, к частичному упразднению некоторых производственных процессов, например, бонитировка животных.

Проблему повышения качества и снижения трудозатрат технологического процесса проведения бонитировочной оценки крупного рогатого скота можно решить путем создания и применения роботизированного модуля, выполняющего определение биометрических и температурных параметров вымени и сосков лактирующих животных.

Разработанные теоретические предпосылки показали, что, определение биометрических и температурных параметров вымени и сосков лактирующих животных может быть внедрено в производственные процессы для снижения затрачиваемых ресурсов, что позволяет производить раннюю диагностику заболеваний вымени, сокращая потенциальные издержки производителей.

Цель исследований - определение параметров и режимов работы оптического модуля для выявления биометрических и температурных параметров вымени лактирующих животных.

Задачи исследования

Для достижения цели были поставлены и решены следующие задачи:

1. Провести анализ спектральных технологий и технических средств для определения биометрических и температурных характеристик вымени и сосков животных;

2. Обосновать рациональные параметры и режимы функционирования оптического модуля для определения биометрических и температурных параметров вымени и сосков лактирующих животных;

3. Разработать методы и математические модели определения биометрических и температурных параметров вымени и сосков лактирующих животных;

4. Разработать программу и методику лабораторных и производственных исследований определения биометрических и температурных параметров вымени лактирующих животных в нормальном и паталогическом состоянии;

5. Провести лабораторные и производственные испытания оптического модуля при определении биометрических и температурных параметров вымени и сосков лактирующих животных в нормальном и паталогическом состоянии;

6. Провести технико-экономическую оценку результатов исследований.

Объект исследования: Биометрические и температурные параметры вымени и сосков коров.

Предмет исследования: Методы и модели определения биометрических и температурных параметров вымени коров.

Научная новизна работы заключается в получении, с помощью спектральных технологий, физических закономерностей, моделей и алгоритмов определения 26 биометрических, 4 термографических параметров и 3 физиологических статусов вымени и сосков лактирующих животных, позволяющих осуществлять роботизированное доение, бесконтактную бонитировку, раннюю диагностику маститов, а также прогнозирование (при заболевании) снижения удоя и скорости молокоотдачи у лактирующих животных.

Теоретическая и практическая значимость заключается в полученных, на основе спектральных технологий, физических закономерностей, моделей и алгоритмом определения 26 биометрических, 4 термографических параметров, 3 физиологических статусов вымени и сосков лактирующих животных, позволяющих осуществлять роботизированное доение, бонитировку, профилактику маститов и прогнозирование (при заболевании) снижения удоя и скорости молокоотдачи у лактирующих животных.

В обосновании параметров (высота, расстояние до объекта, угол атаки) оптического модуля на роботизированном манипуляторе, учитывающих апертурные углы 3D TOF камеры в горизонтальной и вертикальной плоскостях, отсутствие касание пола нижней точкой манипулятора, полный обзор вымени и четырех сосков без перекрытия и наложения изображений.

В разработанной методике обнаружения сверточной нейронной сетью сосков вымени на трехмерных картах, которая обучена в совокупности на 6 тысячах снимков вымени и сосков живых коров, позволяющей проводить эффективное распознавание границ (идентификацию) всех 4-х сосков с допустимой погрешностью не более 10%.

В разработанной методике и проведенном термографическом исследовании, позволяющим выявить границы нормальных температур поверхности вымени коровы в пределах 32°С-36°С и критический диапазон в 36,1°С-38,3°С, характеризующий начало заболевания маститом. Определено влияние температур поверхности вымени внутри выявленных диапазонов на удой и скорость молокоотдачи, где в диапазоне температур 36,1°С-38,3°С корова имеет статус «субклинический мастит» с потерями удоя в среднем 35,5% и среднем снижении скорости молокоотдачи на 37,5%. В диапазоне температур 38,3°С-39°С корова имеет статус «клинический мастит» с потерей удоя в среднем 72% и снижением скорости молокоотдачи на 75%.

В возможности применения разработанного оптического модуля (3D TOF камера и тепловизор) для практического использования в составе доильных роботов, автоматических селекционных ворот, бонитировочных станков и другого оборудования для зооветеринарного обслуживания лактирующих животных.

Методология и методы исследования

Научные исследования проводились с использованием методов математического моделирования, конечно-элементного анализа, обработки изображений с помощью сверточной нейронной сети, трехмерного моделирования в системах автоматизированного проектирования КОМПАС-

3D, SolidWorks. Обработка экспериментальных и графических данных выполнена с использованием компьютерных программ Microsoft Excel, штатного и самостоятельно разработанного программного обеспечения на базе Matlab. В работе использована современная исследовательская оптическая и лазерная аппаратура: TOF камера, тепловизор, лазерные нивелиры, электронные уровни и др. Для распознавания биологических объектов использовались современные решения на базе сверхточных нейронных сетей, обученных как на трехмерных картах искусственного вымени, так и на натурных данных.

Положения, выносимые на защиту:

1) Обоснованы рациональные параметры (высота, расстояние до объекта, угол атаки) оптического модуля на роботизированном манипуляторе, учитывающие апертурные углы 3D TOF - камеры в горизонтальной и вертикальной плоскостях, отсутствие касание пола нижней точкой манипулятора, полный обзор вымени и четырех сосков без перекрытия и наложения изображений.

2) Предложен метод поиска скопления точек в пространстве с помощью 3D TOF камеры, позволяющий эффективно определять в трехмерных картах границы интереса, область расположения сосков с фильтрованием артефактов и постороннее тепловое излучение.

3) Разработана математическая модель и методика определения 26 физиологических параметров вымени и сосков лактирующих животных, дающая информацию об их длине, диаметре, углах наклона, местоположении кончиков сосков в пространстве, диагональных и боковых расстояниях между ними с погрешностью не более 7%.

4) Разработаны режимы и алгоритмы работы оптического модуля при определении границ сосков на трехмерных картах и температуры вымени и сосков на термограммах, при скорости входящих карт до 5 карт за 1 секунду.

Введение диссертации (часть автореферата) на тему «Разработка методов определения биометрических и температурных параметров вымени лактирующих животных на основе оптических технологий»

Апробация работы

Материалы диссертации были представлены на конференциях: Международная научная конференция профессорско-преподавательского состава, посвященной 125-летию со дня рождения В.С. Немчинова (РГАУ-МСХА им. К.А. Тимирязева); международная научная конференция, посвященная 130-летию Н.И. Вавилова (РГАУ-МСХА им. К.А. Тимирязева); Международная научная конференция молодых учёных и специалистов, посвящённая 160-летию В.А. Михельсона (РГАУ-МСХА им. К.А. Тимирязева); Международная научно-техническая конференции «Цифровые технологии и роботизированные технические средства для сельского хозяйства» (г. Москва, 2018, 2019); Международная научно-техническая конференция молодых ученых и специалистов «Агроинженерные инновации в сельском хозяйстве» (г. Москва, 2019 - 2021 гг.); Всероссийской конференции молодых ученых и специалистов «Будущее машиностроения России (г. Москва, 2019 г.).

Материалы диссертации послужили основой для исследований и разработок в рамках программ Фонда содействия инновациям по программам: У.М.Н.И.К и Старт 1.

Публикации

По теме диссертации опубликовано 23 печатные работы, в том числе в рецензируемых изданиях 21 публикация, из которых 13 статей в российских журналах, включенных в текущий перечень ВАК РФ, 1 статья в перечне изданий Scopus, получен 1 патент РФ на изобретение, 6 свидетельств о регистрации программы для ЭВМ.

Структура и объем диссертации

Диссертация состоит из введения, пяти глав, заключения, списка литературы, пяти приложений. Работа изложена на 170 страницах печатного текста, содержит 40 рисунков, 18 таблиц, список литературы из 86 наименований и источников литературы.

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИЙ И ТЕХНИЧЕСКИХ СРЕДСТВ ДЛЯ ОПРЕДЕЛЕНИЯ БИОМЕТРИЧЕСКИХ И ТЕМПЕРАТУРНЫХ

ПАРАМЕТРОВ ВЫМЕНИ

1.1 Роль и значение современных цифровых методов биометрической идентификации в молочном скотоводстве

На фермах в целях совершенствования племенного дела необходимо проводить бонитировку племенного крупного рогатого скота молочного и молочно-мясного направлений продуктивности [1]. На основе опыта работы с фермерскими, племенными и товарными хозяйствами в Московской области было установлено, что в большинстве хозяйств ежегодная бонитировка скота упразднена из-за большой трудоемкости процесса. Там, где она проводится, используется, как правило, ручной инструмент: мерная палка и мерная лента, что занимает много времени и является трудоемким процессом.

Россия с отставанием в 20 лет технологического развития в молочном животноводстве в сравнении с европейскими странами постепенно переходит на роботизированное доение. Проблема перехода заключается в том, что не все коровы по своему физиологическому строению вымени пригодны к роботизированному доению из-за физиологических особенностей строения вымени [2]. В исследованиях [3] приводятся требования производителя доильных роботов компании Delaval к физиологическому строению вымени коров. Коровы, которые не подошли под роботизированное доение подлежат выбраковке или переводе на автоматизированные доильные залы. Сейчас проблема пригодности стада к роботизированному доению решается уже после приобретения доильных роботов.

В России не налажена эффективная работа племенных хозяйств. Это подтверждается снижением дойного стада с 1990 года по 2020 в ~2,5 раза (с 20 млн. до 8 млн.). На данный момент в Россию ввозится много нетелей (молодых коров) из-за границы, что вызывает дополнительные расходы денежных средств для хозяйств. В связи с высокой интенсивностью эксплуатации и повышением надоев на одну голову - животное вместо 5-6 лактаций,

используется 2,5-3 лактации и далее выбраковывается из стада. Также срок производственного использования скота сокращается из-за заболеваний животными тяжелыми формами мастита, вызванными несвоевременным обнаружением заболевания.

Из-за того, что племенные фермы не могут предоставить необходимое поголовье скота с требованиями, необходимыми товарным фермам, отечественный фермер вынужден покупать зарубежный скот, что ставит под угрозу развитие молочного сектора в случае осложнения отношений с зарубежными странами. Покупка скота из-за границы ограничивается финансовыми возможностями в племенных хозяйствах. Образуется замкнутый круг, который не позволяет нарастить сокращающееся поголовье коров в России. Вторая проблема племенных хозяйств — это кадровое обеспечение, требующее специалистов-зооинженеров, которые будут проводить бонитировку (отбор и разведение животных по физическим и продуктивным критериям) и работу с поголовьем КРС. Но урбанизация и дефицит специалистов не позволяют эффективно запустить данный процесс [3]-[9].

Автоматизация и роботизация процессов бонитировки скота и ранней диагностики маститных заболеваний снизит нагрузку на специалистов и позволит наладить более эффективную систему воспроизводства поголовья КРС за счет улучшения качества процесса бонитировки.

Для этого необходимо разработать новые цифровые методы бонитировки молочного скота и термографии репродуктивных органов для ранней диагностики маститов.

1.2 Анализ биометрических параметров вымени и сосков

Известно, что процесс молоковыведения из организма коровы напрямую связан с механическим воздействием на соски вымени коровы. В соответствии с общепринятой методикой Л.П. Карташова и Ю.Ф. Куранова, изложенной в учебном пособии «Машинное доение коров» вымя бывает четырех типов: ваннообразное, чашеобразное, округлое и «козье» [10].

Для определения морфологических параметров вымени молочных коров как объекта, с которым будет взаимодействовать система определения сосков, необходимо произвести аналитическое исследование существующей научно-технической литературы.

На основании исследования Маклахова А.В и др. [11] 162 коров, была сформирована таблица 1.1 и рисунок 1.1, где представлен основной диапазон распределения размеров физиологических параметров вымени и сосков высокопродуктивных молочных коров, наиболее встречающихся в условиях центральной части России.

Рисунок 1.1 - Размеры вымени

При подборе животных к роботизированному доению допускаются животные, чье вымя соответствует параметрам, приведенным в таблице 1.1. Данные разработаны под требования существующей конструкции роботизированного манипулятора компании Delaval, размеры доильной резины и др.

Результаты, приведенные в таблице 1.1, разработаны на основе заводских требований к коровам, пригодным для доения на роботизированных доильных установках Delaval VMS. К этим результатам относятся показатели параметров А, B, С, D, E, F, G, H, I, J, K.

Таблица 1.1 - Требования к физиологическому строению вымени для пригодности к роботизированному доению [11]__

№ п/п Условное обозначение на рисунке 1.1 Параметры Значение параметра, м

шт шах

1 А Расстояние между нижней частью вымени и кончиком заднего соска, м 0,3 -

2 В Расстояние между нижней частью живота и кончиком переднего соска, м 0,3 -

3 С Расстояние между кончиками сосков и полом, м 0,45 0,6

4 Б Расстояние между задним соском и ногой коровы, м 0,015 -

5 Е* Отклонение сосков от вертикали, град. -6,5 +8

6 р* Отклонение сосков от горизонтали, град. -6,5 +7

7 О Длина сосков 0,045 0,07

8 Н Диаметр сосков 0,018 0,024

9 I Межосевое расстояние между сосками передними и задними сосками, м 0,095 0,14

10 I Межосевое расстояние между передними сосками, м 0,15 0,246

11 К Межосевое расстояние между задними сосками, м 0,066 0,132

*Допустимый угол отклонения сосков напрямую влияет на возможность роботизированного манипулятора произвести подключение доильных стаканов к соскам вымени.

Прежде всего в работе рассматривается вымя коров, породы которых наиболее распространены в Центральной части России. В работах [12]-[14] Чеченихина О.С., Хромовой Л.Г., Панина В.А. были произведены замеры вымени коров-первотелок черно-пестрой породы, голштинизированной черно-пестрой породы. Результаты исследований представлены в таблице 1.2.

На основании исследований, представленных данных в таблицах 1.1 и 1.2., выделим основные параметры сосков и вымени, влияющие на конструктивные особенности бесконтактного модуля.

Таблица 1.2 - Морфологические размеры вымени первотелок черно-пестрой породы [12]-[14]

Размеры в м

Промеры вымени, (Рисунок 1.1) Черно-пестрая порода коров, первотелки Черно-пестрая порода Голшнитизированная симментальская порода коров

Чеченихина О.С Хромова Л.Г Маклахов А.В. Панин В.А.

Обхват вымени 1,047 ± 0,021 1,216± 0,134 - 1,111 ± 0,171

Расстояние от дна вымени до земли, L 0,618 ± 0,01 0,618± 0,051 0,56-0,66 0,602 ± 0,031

Длина передних сосков, Gп 0,056 ± 0,003 0,056± 0,015 0,0520,069 0,067 ±0,007

Длина задних сосков, вз 0,049 ± 0,003 0,052± 0,01 0,44-0,59 0,61 ± 0,003

Расстояние между передними сосками, J 0,095 ± 0,006 0,14± 0,005 0,1560,246 0,15 ± 0,044

Расстояние между задними сосками, К 0,049 ± 0,003 0,072± 0,035 0,0670,132 0,11 ± 0,005

Расстояние между боковыми сосками, I 0,093 ± 0,005 0,113± 0,033 0,118 0,082 ± 0,012

Диаметр сосков передних, Нп 0,017 0,022± 0,003 - 0,021 ± 0,003

Диаметр сосков задних, Нз 0,017 0,021± 0,002 - 0,02 ± 0,007

Угол отклонения от вертикали не более, град, Е 3-4

Ширина в маклаках Max 0,58 (максимальная ширина коров на Истр.сыроварне) 0,458±0,05

Диаметр передних и задних сосков, параметр Н и длина передних и задних сосков, параметр G (таблица 1.1, 1.2) - это основные биометрические параметры, которые подлежат сканированию оптическим модулем, потому что по результатам определения будет производиться поиск нижней точки

кончиков сосков. Также на основании данных по длине и диаметру сосков будет определяться центральная ось, которая укажет на угол наклона сосков.

Параметр С (таблица 1.1, 1.2) (расстояние между кончиками сосков и полом) необходим, чтобы вычислить на какой допустимой максимальной высоте должен быть установлен оптический модуль. Параметр С регламентирует максимальную возможную высоту от уровня пола до верхней точки защитного кожуха камеры. При разработке бесконтактного модуля необходимо учитывать данный параметр, так как нельзя допустить, чтобы внешняя оболочка модуля касалась живота коровы, в противном случае животное будет подвергаться стрессу, что вызовет в дальнейшем проблемы с доением.

Параметр С (см. рисунок 1.1) вычисляется по формуле (обозначения см. таблица 1.2.).

С = Ь-в (1.1)

Параметр I - расстояние между передними сосками необходим для определения оптимального местоположения камеры, чтобы передние соски при сканировании не закрывали задние.

Параметр К - расстояние между задними сосками, также необходим для определения оптимального местоположения камеры, где будет видно на одном снимке все 4 соска.

Параметр I - расстояние I (расстояние между передним и задним рядом сосков) также необходим для обоснования оптимального местоположения бесконтактного модуля, где результатом является максимальное количество сосков, которые попадают на трехмерную камеру.

Параметры Н,в, I, К, I - также необходимы для того, чтобы оптический модуль после первого сканирования запомнил трехмерное строение вымени и при будущем надевании доильных стаканов ориентировался на данные параметры. Если в доильном боксе корова резко изменит свое местоположение, другими словами, если не будет обнаружен один из четырех сосков по какой-либо причине, то модуль сможет вычислить его

местоположение по расчетам/по предыдущему местоположению, записанному в внутреннюю базу данных.

Представленные выше размеры форм вымени и сосков актуальны для коров черно-пестрой породы и голштинизированной черно-пестрой породы как для первотелок, так и для коров с последующими номерами лактаций в Центральной части России. На основании данных таблицы 1.1 и 1.2, определим морфологические параметры вымени (таблица 1.3), на которых будут основываться дальнейшие исследования, представляющие собой биометрические параметры вымен и сосков.

Таблица 1.3 - усредненные характеристики вымени, основанные на исследованиях Чехенихиной О.С., Хромовой Л.Г., Маклахова А.В., Панина В.А.

Размеры в м

Расстояние от дна вымени до земли, Ь 0,56 - 0,66

Длина передних сосков, Gп 0,052-0,071

Длина задних сосков, Оз 0,044-0,062

Расстояние между передними сосками, J 0,156-0,246

Расстояние между задними сосками, К 0,047-0,132

Расстояние между боковыми сосками, I 0,070-0,146

Диаметр сосков передних, Н* 0,019-0,025

Диаметр сосков задних, Н* 0,013-0,027

Угол отклонения от вертикали не более, град, Е До 4 град. в любую сторону

В практике существует проблема, когда при определенных ракурсах невозможно рассмотреть каждый сосок отдельно. Основная проблема выражена в том, что при взгляде перпендикулярно передней линии сосков передний ряд сосков зачастую перекрывают полностью или частично задний ряд сосков. Еще одним ограничением являются технические характеристики оптического модуля. Трехмерные камеры и тепловизионные модули имеют свои минимальные и максимальные диапазоны измерений, углы обзоров и др.

1.3 Анализ причин изменения температурных параметров вымени

и сосков у животных

Изменение температурных параметров вымени и сосков лактирующих животных всегда является следствием процессов, воздействующих на организм животного. Температура тела животного всегда постоянна, как и у человека в нормальном здоровом состоянии, но при возникновении внутренних или внешних факторов, происходят изменения, которые выражаются в изменении температуры локальных участков кожного покрова вымени. Возникновение заболеваний или реагирование повышением температуры на возбудителей - зачастую снижают продуктивность животных.

Согласно проведенному патентному анализу, основными критериями повышения локальной температуры вымени и сосков, являются внешние воздействия на животного/вымя/соски и заболевания. Следствие: Локальное повышение температуры

Причина:

Виды:

Внешнее воздействие на животное/вымя Маститы вымени Изменение диеты

1. Тепловой стресс 1. Субклинический мастит -

2. Физическое воздействие на вымя 2. Клинический мастит -

Рисунок 1.2 - Основные критерии локального повышения температуры

вымени

По данным рисунка 1.2 основными воздействиями, являющимися триггерами для изменения температуры вымени и сосков являются: физические воздействия, например интенсивное воздействие доильных стаканов, тепловой стресс, все формы маститов.

Тепловой стресс у коров возникает в летний период, снижая продуктивные показатели животных, что напрямую влияет на изменение

удоев. При тепловом стрессе у коров увеличивается частота дыхания, снижается двигательная активность, снижается поедаемость кормов, возрастает потребление воды, повышается температура тела, снижается продуктивность, фертильность, снижается шанс успешного оплодотворения.

На основании проведенного теоретического анализа были выявлены критерии влияния локального повышения температуры вымени и сосков на удои при тепловом стрессе (таблица 1.4) [15]-[25].

Таблица 1.4 - Критерии влияния локального повышения температуры на удои

при тепловом стрессе животных

№ стадии теплового стресса Этиология Критерий заболевания Последствия

¡.Умеренный стресс Увеличение температуры микроклимата с 24°С и 80% влажности воздуха Увеличивается ректальная температура до 39,2 - 39, 4 °С; Увеличивается частота дыхания до 80 раз в минуту; Увеличение кол-ва соматических клеток в молоке на 25%; Возрастает потребление воды. Снижаются надои до 0,88 кг/сут. на каждый градус увеличения температуры микроклимата. Увеличивается шанс заболевания маститом.

2.Сильный стресс Увеличение температуры микроклимата с 29°С и 70% влажности воздуха Увеличение саливации; Частота дыхания повышается до 80-100 раз в минуту; Возрастает потребление воды; Снижается потребление кормов; Увеличивается ректальная температура до 39,2 - 39, 4 °С; Снижается двигательная активность. Снижаются надои до 2 кг/сут. на каждый градус увеличения температуры микроклимата; Снижаются функции размножения.

З.Жесткий стресс Увеличение температуры микроклимата с 35°С и 75% влажности воздуха Наблюдается отдышка; Чрезмерная саливация; Увеличение температуры тела более 39, 4 °С; Увеличение количества соматических клеток в молоке до 40%. Снижение продуктивности более 2 кг/сут. Снижение показателей вопроизводства; Летальные исходы.

По результатам таблицы установлено, что тепловой стресс одной из трех стадий изменяет ректальную температуру до 39,2-39,4 °С. Удои от

последствий теплового стресса снижаются от 0,88 кг/сут. до более 2 кг/сут. Повышение ректальной температуры приведет к повышению температуры поверхности вымени.

Маститы вымени — это заболевание молочной железы, которое возникает при внешнем воздействии на вымя, например, механическое повреждение вымени, так и при попадании бактерий через отверстие соска, которые вызывают воспалительные реакции. При любом типе маститов увеличивается ректальная температура и локальная температура вымени. Мастит является одним из самых распространенных и вредных заболеваний, которые могут испытывать лактирующие животные. Маститы возможно обнаружить через локальное повышение температуры четверти вымени или через увеличение количества соматических клеток в молоке.

На основании проведенного теоретического анализа были выявлены критерии влияния локального повышения температуры вымени и сосков на удои при маститах (таблица 1.5) [26]-[30].

Таблица 1.5 - Критерии заболевания формами маститов

№ Этиология Критерий заболевания Последствия

Маститы Механические повреждения Субклинический Снижение удоев от

вымени, попадания мастит. 0,8 до 1,3 кг/сут. на

патогенной микрофлоры в Увеличение четверть.

вымя через сосок локальной

температуры

вымени до 37,9 °С.

Клинический

мастит. Снижение удоев в

Увеличение будущих лактациях

локальной от 1 до 5%.

температуры Снижение жира,

вымени до 39 °С протеина, лактозы,

твердых в-в от 18 до

47%.

По результатам проведенного анализа, порог температуры поверхности кожного покрова вымени, с которого возможно предположить, что причиной

повышения температуры стал мастит, лежит в пределах 360С - 37,90С. Клинический мастит с 380С до 39^С.

Бесконтактное диагностирование температуры вымени позволит предпринять меры, направленные на предотвращение развития заболевания.

1.4 Анализ технологий и технических средств для определения биометрических и температурных параметров вымени

В России разработкой машин для роботизированного обслуживания животных с использованием элементов технического зрения занимаются ученые Цой ЮА., Кирсанов В.В., [Кормановский Л.П]., Дорохов A.C, Павкин Д.Ю., ученые из Саратовского TAY, Брянского TAY, Нижегородской rcXA и др. Из зарубежных ученых в области систем технического зрения для молочного животноводства являются: Michel Westberg, Spoliansky R, O'Leary N, M'hamdi N, A.J. Edmondson, Stockdale C. R., Beny D. P., Paul A., Yukun S., Chi-Yuan Wu, Mohit Renteгia, Bryan J. Dik, Bгandy M. E., Michael F. Stegeг Michael, F. Steger и другие авторы.

Система технического зрения - это совокупность датчиков, исполнительных механизмов и алгоритмов работы, обеспечивающих обнаружение, автоматический контроль и анализ объектов по полученным данным, с последующей передачей информации на другие исполнительные механизмы. Разработка системы технического зрения в данной работе выполняет задачу обнаружения координат кончиков сосков вымени, их биометрических характеристик с последующей передачей этих координат в блок управления манипулятором.

Одномерные (1 D) и двумерные (2D) системы технического зрения стали неотъемлемой частью успешного внедрения автоматизации и роботизации сельского хозяйства. Считается, что сейчас технология машинного зрения находится на переломном этапе, переходя к трехмерному (3D) подходу. Ранее внедрение систем трехмерной визуализации в сельском хозяйстве было затруднено из-за экономического обоснования использования дорогостоящих устройств для производства относительно недорогой продукции. Сейчас из-за

появления все большего количества ЭЭ-устройств, технология становится доступной не только для промышленности, но и для частного сектора.

Из-за появления дополнительного измерения - глубины, возникают дополнительные наборы данных, которые необходимо обработать. Определение, например, границ объекта в 2Э и в ЭЭ изображении являются разными по сложности и по подходу задачами, и как следствие возникает значимость методов создания и обработки трехмерных изображений. Это особенно применимо к технологии трингуляции, когда алгоритмы получают набор изображений от датчика-сканера и передают на обрабатывающее устройство необработанные трехмерные данные.

В общем виде схема процесса подучения информации для обработки и возврата данных представлена на рисунке 1.Э. Для выполнения задачи, необходимо выбрать технологию, устройство, инструмент обработки данных, произвести обработку полученных данных и выдать результат.

В соответствии с схемой на рисунке 1.3 на данный момент известны устройства, построенные на технологии: триангуляции, ТОБ и интерферометрии.

Рисунок 1.3 - Схема создания и обработки 3Э изображений

По результатам проведенного патентного исследования рассмотрим отличие основных технологий для выбора наиболее подходящей для определения биометрических и температурных параметров сосков и вымени.

Системы триангуляции

Триангуляция - это технология дистанционного зондирования, которая использует лазерный импульс для сбора измерений, после чего генерируется карта окружающей стеры - облако точек. Метод триангуляции основан на геометрическом вычислении, где одной точкой является точка треугольника, а две другие точки, известные части системы измерения [31]-[32]. Расстояние до цели определяется измерением углов или базовой линии треугольника (рисунок 1.4)

d

Рисунок 1.4 - Схематичное изображение принципа измерения времени

пролета

На рисунке 1.4 представлено схематичное изображении триангуляции светового луча, где «Z» (глубина), «b» - длина базовой линии, «d» - положение отраженного от поверхности светового луча, на матрицу камеры, «f» -фокусное расстояние.

Одним из представителей метода триангуляции является технология sTDS (sparse of Dense) - трехмерная система обнаружения объектов, для

Устройство

Z

создания трехмерной карты с облаком точек, где каждая точка принадлежит точке поверхности и содержит в себе координаты по ХУ7 [33].

В таблице 1. 6 представлены методы триангуляции для создания трехмерных изображений.

Таблица 1. 6 - Методы триангуляции для создания трехмерных изображений

Метод триангуляции Характеристика Метод создания трехмерных изображений

Цифровая фотограмметрия Стереопсис Стереозрение

Многовидовое стерео

Стерео с несколькими базовыми линиями

Движение Конструкция из движения

Форма из увеличения

Оптический поток

Силуэт Форма из силуэта

Цифровая фотограмметрия Силуэт Формы на основе фотоконверсии

Форма из тени

Структурированный свет Текстура Форма из текстуры

Форма из структурированного света

Затенение Затенение Форма из затенения

Фотометрическое стерео

Фокус Фокус Форма в фокусе

Форма из расфокусировки

Теодолит Стереопсис Тригонометрия

Триангуляция чаще используется в сканировании объектов земной поверхности и строительных объектов, реже для работы с биологическим объектом [34]-[36].

Стереозрение, ЯОБ-О

На рисунке 1.5 представлено схематическое изображение принципа измерения стерео.

RGB-D - это датчики, которые захватывают одновременно инфракрасное глубинное изображение и изображение в традиционном цветовом RGB (с англ. красный, зеленый, синий) пространстве.

Устройство # Источник

[ СВСТЯ

Рисунок 1.5 - Схематичное изображение принципа измерения стерео

Известен опыт применения триангуляции, основанный на стереозрении, например, исследователи Kise и др. [37] применяя разработанное устройство, с системы технического зрения определяли ряды сельскохозяйственных культур с последующим наведением манипулятора. Исследователи заявили о таких проблемах как необходимая высокая вычислительная нагрузка, пустые пиксели на изображениях, количество которых увеличивалось пропорционально дальности до объекта. Проблему с пустыми пикселями на изображении необходимо решать, используя алгоритмы фильтрации. Исследователи [38] в своей работе выделили такие проблемы, как влияние недостаточной освещенности на получение необходимого исходного изображения, а также длинные листья кукурузы препятствовали захвату сцены, откуда вытекает еще одна проблема в стационарном закреплении камеры, отметили о необходимости высокой вычислительной мощности. Wang в исследовании [39] использовал стереозрение, для того, транспортное

средство двигалось по прямой траектории, где выявил абсолютное отклонении от траектории на 0,05 м.

Исследователи [40] разработали систему, основанную на стереозрении для измерения расстояния между растениями кукурузы на ранней стадии. Система способна обнаруживать до 96% растений кукурузы. При выполнении задачи обнаружении центральной линии стебля точность варьируется от 62% до 74% с временем обработки от 5 до 20 секунд.

В исследованиях [41] использовали тринокулярное зрение и машинное обучение для определения наземных и не наземных предметов в сельскохозяйственных средах. Точность классификации составила 91%. В исследованиях [42] авторы объединили стереозрение и систему лидар, где заявили, что подобная синергия показала лучшие результаты, чем при сканировании одной из двух систем. Исследователи в своей работе [43] занимались реконструированием поверхности тела свиньи с помощью лидара, где не смогли достичь высокого разрешения исходных данных, а также отметили специфику и требования к исследователям в области экспертных знаний, необходимых для разработки алгоритмов обработки изображений.

Список литературы диссертационного исследования кандидат наук Юрочка Сергей Сергеевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Приказ Минсельхоза РФ от 28 октября 2010 г. № 379 «Об утверждении Порядка и условий проведения бонитировки племенного крупного рогатого скота молочного и молочно-мясного направлений продуктивности».

2. Самосюк В.Г. Современные тенденции в производстве качественного молочного сырья / В.Г.Самосюк, В.О.Китиков, С.Л.Романов, А.М.Литовский // Техника и технологии в животноводстве. 2012. .№2. С.51-61.

3. Маклахов А. В. Руководство по комплектации молочных стад на фермах с роботизированной технологией доения высокопродуктивных коров в условиях Европейского Севера РФ. / А.В. Маклахов и др. 2017.

4. Амерханов Х. Племенная база молочного и мясного скотоводства Российской Федерации и перспективы ее развития / Х.Амерханов // Молочное и мясное скотоводство. 2010. № 8. С. 2-5.

5. Дупак В. Я. Стабилизация и развитие племенных молочных хозяйств (Экономические проблемы и решения) / Я.В.Дупак // дис. Всероссийский научно-исследовательский институт организации производства, труда и управления в сельском хозяйстве РАСХН, 2001.

6. Абылкасымов Д. Проблема воспроизводства крупного рогатого скота в высокопродуктивных стадах / Д. Абылкасымов, Л.В. Ионова., П.С. Камынин // Зоотехния. 2013. № 7. С. 28-29

7. Кольцов Д.Н. Современные проблемы воспроизводства крупного рогатого скота Смоленской области / Д.Н Кольцов, А.С. Герасимова, О.В. Татуева, С.И. Кононенко // Сборник научных трудов Северо-Кавказского научно-исследовательского института животноводства. 2014. Т. 3. № 1. С. 7075.

8. Шаркаева Г.А. Импорт крупного рогатого скота на территорию Российской Федерации и результаты его использования / Г.А. Шаркаева // Молочное и мясное скотоводство. 2013. № 8. С. 18-20.

9. Нефедова Т.Г. Урбанизация, дезурбанизация и сельско-городски сообщества в условиях роста горизонтальной мобильности / Т.Г. Нефедова, Н.Е. Покровский, А.Трейвиш // Социологические исследования. 2015. .№12. С. 60-69.

10. Карташов Л. П. Устройство для определения пригодности вымени коров к машинному доению / Л.П. Карташов и др. // 2001.

11. Маклахов А.В. Технико-экономическая эффективность использования доильных роботов в хозяйствах Вологодской области (на примере ООО «Покровское») / А. В. Маклахов и др. // Аграрная наука на современном этапе: состояние, проблемы, перспективы. 2018. С. 285.

12. Чеченихина О. С. Влияние морфологических свойств вымени на молочную продуктивность, состав и свойства молока коров черно-пестрой породы / О.С. Чеченихина, А.В. Степанов // Сибирский вестник сельскохозяйственной науки. 2012. №. 2. С. 50-54.

13. Хромова Л. Г. Морфологические признаки и функциональные свойства вымени коров основных молочных пород, разводимых в Воронежской области / Л.Г. Хромова и др. //Вестник Воронежского государственного аграрного университета. 2017. №. 4. С. 89-94.

14. Панин В. А. Морфологические и функциональные свойства вымени симментальских и голштин х симментальских коров / В.А. Панин // Горное сельское хозяйство. 2017. №. 3. С. 106-111.

15. Фомичев Ю. Тепловой стресс у лактирующих молочных коров и способы его профилактики / Ю. Фомичев и др. //Молочное и мясное скотоводство. 2013. №. 3. С. 24-26.

16. Пономарева Я. Л. Влияние параметров микроклимата на молочную продуктивность коров черно-пестрой породы в СПК (колхоз)" Дружба" Дебесского района Удмуртской Республики / Я.Л. Пономарева, М. Р. Кудрин // Научные труды студентов Ижевской ГСХА. 2017. С. 360-366.

17. Мартынова Е. Н. Неблагоприятные параметры микроклимата как фактор потери прибыли от реализации молока / Е.Н. Мартынова, Е.А.

Ястребова // Наука, инновации и образование в современном АПК: Материалы Международной научно-практической конференции. В 3 т.11-14 февраля. 2014. С. 14.

18. Ястребова Е. А. Особенности микроклимата в помещениях для содержания молодняка крупного рогатого скота / Е.А. Ястребова, Д.С. Трефилов // Ветеринария, зоотехния и биотехнология. 2017. №. 1. С. 75-78.

19. Мартынова Е. Н. Физиологическое состояние коров в зависимости от микроклимата помещений / Е. Н. Мартынова, Е.А. Ястребова // Достижения науки и техники АПК. 2013. №. 8.

20. Fournel S. Practices for alleviating heat stress of dairy cows in humid continental climates: a literature review / S.Fournel , V. Ouellet, E. Charbonneau // Animals. 2017. Т. 7. №. 5. С. 37.

21. Bernabucci U. Effect of summer season on milk protein fractions in Holstein cows / U. Bernabucci et. al. // Journal of dairy science. 2015. Т. 98. №. 3. С. 1815-1827.

22. Do Amaral B. C. Heat-stress abatement during the dry period: Does cooling improve transition into lactation? / B.C. Do Amaral et. Al. //Journal of dairy science. 2009. Т. 92. №. 12. С. 5988-5999.

23. Lievaart J. J. Effect of herd characteristics, management practices, and season on different categories of the herd somatic cell count / J.J. Lievaart et al. //Journal of dairy science. 2007. Т. 90. №. 9. С. 4137-4144.

24. Berman A. Estimates of heat stress relief needs for Holstein dairy cows / A. Berman // Journal of animal science. 2005. Т. 83. №. 6. С. 1377-1384.

25. West J. W. Effects of hot, humid weather on milk temperature, dry matter intake, and milk yield of lactating dairy cows / J.W. West, B. G. Mullinix, J. K. Bernard //Journal of Dairy Science. 2003. Т. 86. №. 1. С. 232-242.

26. De Vliegher S. Invited review: Mastitis in dairy heifers: Nature of the disease, potential impact, prevention, and control / S. De Vliegher et al. //Journal of dairy science. 2012. Т. 95. №. 3. С. 1025-1040.

27. Barnouin J. Predictive variables for the occurrence of early clinical mastitis in primiparous Holstein cows under field conditions in France /J. Barnouin, M. Chassagne // The Canadian Veterinary Journal. 2001. Т. 42. №. 1. С. 47.

28. Martins L. Chronic subclinical mastitis reduces milk and components yield at the cow level / L.Martins et al. //Journal of Dairy Research. - 2020. - С. 18.

29. Gonfalves J. L. et al. Pathogen effects on milk yield and composition in chronic subclinical mastitis in dairy cows //The Veterinary Journal. - 2020. - С. 105473.

30. Ракевич, Ю. А. Диагностика мастита коров термографическим методом / Ю. А. Ракевич // Актуальные проблемы инновационного развития и кадрового обеспечения АПК: материалы VII Международной научно-практической конференции, Минск, 4-5 июня 2020 г. Минск: БГАТУ, 2020. С. 123-126.

31. Карманов Д. В. Применение метода триангуляции для отображения рельефа земной поверхности / Д. В.Карманов // Информация и космос. 2007. №. 1. С. 23-25.

32. https://bigenc.ru/physics/text/4201650 Большая российская энциклопедия. Интернет-ресурс. Дата обращения 29.04.2022. 14.45 ч.

33. Yang Z. et al. Std: Sparse-to-dense 3d object detector for point cloud / Z. Yang et al. // Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019. С. 1951-1960.

34. Ибрагимова Н. А. Разработка алгоритмов цифровой обработки сигналов в задаче оптической лазерной триангуляции / Н.А. Ибрагимова, З. З. Ибрагимов // Матрица научного познания. 2020. №. 6. С. 49-53.

35. Чопоров С. В. Метод фоновой сетки для триангуляции двумерных областей при функциональном подходе / С.В. Чопоров //Радюелектрошка, шформатика, управлшня. 2015. №. 4 (35). С. 31-38.

36. Нестеров А.Ю. Метод определения положения объекта в задачах распознавания образов / А.Ю. Нестеров, А.В. Бурмистров, Ю.С. Белов // Электронный журнал: наука, техника и образование. 2016. №2. С.82-89.

37. Пьявченко А. О. Метод пространственной локализации статических объектов по данным датчика глубины и RGB-камеры / А.О. Пьявченко, А.В. Ильченко // Известия Южного федерального университета. Технические науки. 2018. №. 1 (195). С. 271-284.

38. Kise M. Stereovision-based Crop Row Detection Method for Tractor-automated Guidance / М. Kise, Q. Zhang, M. Rovira // Biosyst. Eng. 2005, 90, 357367.

39. Rovira-Mas F. Autonomous guidance of a corn harvester using stereo vision. / F. Rovira-Mas, S. Han J. Wei, J.F. Reid // Agric. Eng. Int. CIGR Ejournal 2007, 9, 1-13

40. Hanawa K. Development of a stereo vision system to assist the operation of agricultural tractors. / K. Hanawa, T. Yamashita, Y.Matsuo, Y. Hamada // Jpn. Agric. Res. Q. JARQ 2012, 46, 287-293.;

41. Jin J. Corn plant sensing using real-time stereo vision. J. / J.Jin, L. Tang // F. Robot. 2009, 26, 591-608.

42. Reina G. Towards autonomous agriculture: Automatic ground detection using trinocular stereovision. / G. Reina, A. Milella // Sensors 2012, 12, 1240512423.

43. Reina G. Ambient awareness for agricultural robotic vehicles. / G.Reina G, A.Milella, M.Nielsen, R.Worst, M.R. Blas // Biosyst. Eng. 2016.

44. Van der Stuyft. Development and application of computer vision systems for use in livestock production. / E. Van der Stuyft, C.P. Schofield, J.M. Randall, P.Wambacq, V.Goedseels // Comput. Electron. Agric. 1991, 6, 243-265.

45. Nissimov S. Obstacle detection in a greenhouse environment using the Kinect sensor. / S. Nissimov, J. Goldberger, V.Alchanatis // Comput. Electron. Agric. 2015, 113, 104-115.

46. Rodriguez Alvarez J. Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques / J.Rodriguez Alvarez et al. // Agronomy. 2019. Т. 9. №. 2. С. 90.

47. Spoliansky R. et al. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera / R.Spoliansky et al. // Journal of dairy science. 2016. Т. 99. №. 9. С. 7714-7725.

48. ^oi J. Development of a laser scanner-based navigation system for a combine harvester. / J. ^oi, X.Yin, L.Yang, N. Noguchi // Eng. Agric. Environ. Food 2014, 7, 7-13.

49. IFM Electronic 3D Smart Sensor—Your Assistant on Mobile Machines. Available online: http://www.ifm.com (accessed on 22 January 2016)

50. Ortiz L. E. Depth data error modeling of the ZED 3D vision sensor from stereolabs / L. E. Ortiz, V. E. Cabrera, L. G. Goncalves //ELCVIA: electronic letters on computer vision and image analysis. - 2018. - Т. 17. - №. 1. - С. 1-15.

51. Кирсанов В.В. Контроль и управление подсистемой «Животное» в сложной биотехнической системе «Человек-Машина-Животное» молочной фермы / В.В. Кирсанов, Д.Ю. Павкин, С.С. Юрочка, Ф.Е. Владимиров, Е.А. Никитин, Д.Г. Гелетий// Агроинженерия. 2020 . № 6 (100). С. 4-10. DOI: 10.26897/2687-1149-2020-6-4-10.

52. Gongal A. Identification of repetitive apples for improved crop-load estimation with dual-side imaging. In Proceedings of the ASABE and CSBE / A.Gongal, S.Amatya, M.Karkee // SCGAB Annual International Meeting, Montreal, QC, Canada, 13-16 July 2014; Volume 7004, pp. 1-9.

53. Akhloufi M. A. 3D vision system for intelligent milking robot automation / M.A. Akhloufi // The conference Intelligent Robots and Computers Vision XXXI: Algorithms and Techniques. 2014. №. 9025.

54. Garrido, M. C. 3D Maize Plant Reconstruction Based on Georeferenced Overlapping LiDAR Point Clouds. / M. Garrido, D.S. Paraforos, D.Reiser, M.V. Arellano, H.W. Griepentrog, C.Valero // Remote Sens. 2015, 7, 17077-17096

55. Underwood J. A robot amongst the herd: Remote detection and tracking of cows. In Proceedings of the 4th Australian and New Zealand spatially enabled livestock management symposium; / J.Underwood, M.Calleija, J.Nieto, S.Sukkarieh // The University of Sydney: Camden, Australia, 2013; p. 52.

56. Kolb A. ToF-sensors: New dimensions for realism and interactivity / Kolb A., Barth E., Koch R. / A. Kolb //2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. - IEEE, 2008. - С. 1-6

57. Майоров Е. Е. Интерферометрия диффузно отражающих объектов. / Е. Е. Майоров, В.Т. Прокопенко // 2014.

58. Рябухо В. П. Спекл-интерферометрия / В.П. Рябухо //Соросовский образовательный журнал. 2001. Т. 7. №. 5. С. 102-109.

59. Исманов Ю. Х. Интерферометрия на основе метода бесщелевой радужной голографии / Ю.Х.Исманов //Вестник Кыргызского государственного университета строительства, транспорта и архитектуры им. Н. Исанова. 2015. №. 4. С. 194-198.

60. Zaninelli M. First evaluation of infrared thermography as a tool for the monitoring of udder health status in farms of dairy cows / M.Zaninelli et al. //Sensors. 2018. Т. 18. №. 3. С. 862.

61. Quirino C. R. Infrared thermography to map the udder health status of zebuine dairy cows / C.R. Quirino et al. //Tropical and Subtropical Agroecosystems. 2021. Т. 25. №. 1.

62. Skarbye A. P. Effect of enhanced hygiene on transmission of Staphylococcus aureus, Streptococcus agalactiae, and Streptococcus dysgalactiae in dairy herds with automatic milking systems / A.P. Skarbye et al. // Journal of Dairy Science. 2021. Т. 104. №. 6. С. 7195-7209.

63. Skarbye A. P. The effect of individual quarter dry-off in management of subclinical mastitis on udder condition and milk production in organic dairy herds: A randomized field trial / A. P. Skarbye, M.A. Krogh, J. T. S0rensen // Journal of dairy science. 2018. Т. 101. №. 12. С. 11186-11198.

64. Skarbye A. P. Effect of automatic cluster flushing on the concentration of Staphylococcus aureus in teat cup liners / A. P. Skarbye et al. //Journal of Dairy Science. 2020. Т. 103. №. 6. С. 5431-5439.

65. Haveri M. Molecular types and genetic profiles of Staphylococcus aureus strains isolated from bovine intramammary infections and extramammary sites / M. Haveri et al. //Journal of clinical microbiology. 2008. Т. 46. №. 11. С. 3728-3735.

66. Hovinen M. Detection of clinical mastitis with the help of a thermal camera / M.Hovinen et al. //Journal of Dairy Science. 2008. Т. 91. №. 12. С. 45924598.

67. Черных Е.М. Распознавание рукописных цифр с использованием искусственных нейронных сетей / Е.М.Черных, Е. С.Коняева, Ю.Г.Чашин //Аллея науки. 2018. Т. 7. №. 11. С. 914-920.

68. Головко В.А. Редуцированная сверточная нейронная сеть для точного распознавания рукописных цифр / В.А.Головко и др //. - 2016.

69. Кирсанов В. В. Концепция, модели и схемы дифференцированного управления в роботизированном манипуляторе доения/В.В. Кирсанов, Д.Ю. Павкин, С.С. Юрочка, Д.В. Шилин, С.С. Рузин //Аграрная наука Евро-СевероВостока. 2021 ;22(1):128-135.

70. Петрин Д. А. Уменьшение размера обучающей выборки при классификации изображений на основе алгоритма KAARMA / Д. А. Петрин, Ю.С. Белов //Электронный журнал: наука, техника и образование. 2019. №. 4. С. 70-78.

71. Волкова С. С. Применение сверточных нейронных сетей для решения задачи противодействия атаке спуфинга в системах лицевой биометрии / С.С. Волкова, Ю.Н. Матвеев // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. №. 4. С. 702710.

72. Sheremet O. I. Intelligent system based on a convolutional neural network for identifying people without breathing masks. / O. I. Sheremet, O.Ye.

Korobov, O.V. Sadovoi, Yu.V. Sokhina // Applied Aspects of Information Technology. 2020. Vol.3 No.3: 133-134.

73. Кирсанов В. В. Подготовка изображения, получаемого с 3D TOF камеры для автоматического обнаружения сосков коровы / В.В. Кирсанов, Д.Ю. Павкин, С.С. Юрочка, Ф.Е. Владимиров, Е.А. Никитин, С.С. Рузин // Инновации в сельском хозяйстве. 2019. №. 3. С. 340-346.

74. Dorokhov, A. Recognition of Cow Teats Using the 3D-ToF Camera When Milking in the "Herringbone" Milking Parlor/ A. Dorokhov, V. Kirsanov, D. Pavkin, S. Yurochka, F. Vladimirov. //International Conference on Intelligent Computing & Optimization. - Springer, Cham, 2019. - С. 128-137.

75. Кирсанов В. В. Методика получения и обработки фото-и видеоматериала для автоматической бонитировки молочных коров/ В.В. Кирсанов, Д.Ю. Павкин, С.С. Юрочка, Ф.Е. Владимиров, С.С. Рузин //Техника и технологии в животноводстве. - 2019. - №. 1 (33). - С. 142-146.

76. Evangelista, C. An Overview on the Use of Near Infrared Spectroscopy (NIRS) on Farms for the Management of Dairy Cows. / C.Evangelista, L.Basirico, U.Bernabucci, // Agriculture 2021, 11, 296.

77. Burmistrov, D.E. Application of Optical Quality Control Technologies in the Dairy Industry / D.E.Burmistrov, D.Y.Pavkin, A.R.Khakimov, D.N.Ignatenko, E.A.Nikitin, V.N.Lednev, Y.P.Lobachevsky, S.V.Gudkov, A.V.Zvyagin, // An Overview. Photonics 2021, 8, 551.

78. Hovinen, M. Detection of Clinical Mastitis with the Help of a Thermal Camera. / M.Hovinen, J.Siivonen, S.Taponen, L.Hanninen, // Dairy Sci. 2008, 91, 12, 4592-4598.

79. Sathiyabarathi, M. Infrared thermal imaging of udder skin surface temperature variations to monitor udder health status in Bos indicus (Deoni) cows. / M.Sathiyabarathi, S.Jeyakumar, A.Manimaran, H.A.Pushpadass, M.Sivaram, KP.Ramesha, DN.Das, M.A.Kataktalware // Infrared physics & technology. 2018, 88, 239-244.

80. Franze, U. Evaluation of the Potential of Infrared Thermography for Automatic Animal Health Monitoring Systems in Milk Production. / U.Franze, S.Geidel, U.Heyde, A.Schroth, T.Wirthgen, S.Zipser, // 17th European Conference on Information Systems in Agriculture and Forestry (ISAF 2011). 2011, 55-63.

81. Metzner, M. Infrared thermography of the udder surface of dairy cattle: Characteristics, methods, and correlation with rectal temperature. / M.Metzner, C.Sauter-Louis, A.Seemueller, W.Petzl, W.Klee, // Veterinary J. 2014, 199, 1, 5762.

82. Pampariene, I. Thermography based inflammation monitoring of udder state in dairy cows: sensitivity and diagnostic priorities comparing with routine California mastitis test. / I.Pampariene, V.Veikutis, V.Oberauskas, J.Zymmantiene // Vibroengineering. 2016, 18, 1, 511-521.

83. Zaninelli, M. First Evaluation of Infrared Thermography as a Tool for the Monitoring of Udder Health Status in Farms of Dairy Cows. / M.Zaninelli, V.Redaelli, F.Luzi, V.Bronzo, // Sensors. 2018, 18, 3, 826.

84. Polat, B. Sensitivity and specificity of infrared thermography in detection of subclinical mastitis in dairy cows. / B.Polat, A.Colak, M.Cengiz, L. E.Yanmaz, H.Oral, A.Bastan, S.Kaya, A.Hayirli, // Dairy Sci. 2010, 93, 8, 35253532.

85. Zaninelli, M. Development of a software algorithm working with infrared images and useful for the early detection of mastitis in dairy cows. / M.Zaninelli, V.Redaelli, F.Luzi, V.Bronzo, A.Tappella, // 14th Quantitative infrared thermography conference. 2018, 17-22.

86. Nakagawa, Y. Measurement of Udder Surface Temperature in Cows Using Infrared Thermometer. / Y.Nakagawa, NA.Nassary, K.Fukuyama, I.Kobayashi // 9th International Conference on Genetic and Evolutionary Computing (ICGEC). 2016, 3387, 429-434.

144

ПРИЛОЖЕНИЕ А (обязательное)

Свидетельства интеллектуальной собственности на оптический модуль

ПРИЛОЖЕНИЕ Б (обязательное)

Результаты экспериментальных исследований для сравнения точности 3D TOF камеры и лидара

Таблица Б.1 - Результаты эксперимента с ТоБ камерой

Эксперимент 1

Эксперимент 2

Эксперимент 3

Цвет

°С

3Б снимок

Расстоян ие, мм

Цвет

Темпер атура

3Б снимок

Расстояни е, мм

Цвет

Темпер атура

3Б снимок

Расстояние, мм

Роз

Роз

Роз

Роз

Роз

25

Роз

Роз

Неопознанно

Роз

Роз

38

Роз

Роз

неопознанно

Неопознанно

Роз

52,9

Роз

Роз

Роз

Чер

Чер

Чер

Чер

Чер

25

499

Чер

496

Чер

496

Чер

488

Чер

38

492

Чер

491

Чер

489

Чер

52

497

Чер

491

Чер

489

Чер

496

495

498

500

503

Среднее значение

493,2

Среднее значение

Среднее значение

492,4

Среднее значение

498,4

Максимум

499

Максимум

Максимум

497

Максимум

503

Минимум

488

Минимум

Минимум

489

Минимум

495

1. Крас

2. Крас

3.

Красный

4.

Красный

5.

Красный

25

Красн

Красн

неопозн анно

Красн

38

Красн

Красн

Красн

Красн

неопознан но

Красн

Красн

Красн

51,2

Неопоз нанно

Эксперимент 1

Эксперимент 2

Эксперимент 3

Цвет

Т, °С

3Б снимок

Расстоян ие, мм

Цвет

Тем пер ату

3Б снимок

Расстоян ие, мм

Цвет

Темпер атура

3Б снимок

Расстояние, мм

Бел Бел Бел Бел Бел

25

Неопоз нанно

Бел

Бел

Бел

Бел Бел

Бел

38

Бел

Неопоз нанно

Неопоз нанно

Бел

51,1

Бел Бел

Таблица Б.2 - Результаты эксперимента с лидаром 81аш1ее ЯР Ыёаг А2М8

Эксперимент 1 Эксперимент 2 Эксперимент 3

Цвет Температура Расстояние Цвет Температура Расстояние Цвет Температура Расстояние

розовый 38 575 розовый 52 571 розовый 25 574

розовый 569 розовый 569 розовый 573

розовый 568 розовый 567 розовый 571

розовый 575 розовый 569 розовый 568

розовый 575 розовый 574 розовый 572

Среднее значение 572 Среднее значение 570 Среднее значение 572

Максимум 575 Максимум 574 Максимум 574

Минимум 568 Минимум 567 Минимум 568

Черный 38 569 Черный 52 575 Черный 25 572

Черный 570 Черный 566 Черный 572

Черный 565 Черный 566 Черный 570

Черный 569 Черный 572 Черный 567

Черный 572 Черный 574 Черный 575

Среднее значение 569 Среднее значение 571 Среднее значение 571

Максимум 572 Максимум 575 Максимум 575

Минимум 565 Минимум 566 Минимум 567

Эксперимент 1 Эксперимент 2 Эксперимент 3

Цвет Температура Расстояние Цвет Температура Расстояние Цвет Температура Расстояние

Красн. Волос 575 Красн. Волос 570 Красн. Волос 575

Красн. Волос 574 Красн. Волос 567 Красн. Волос 573

Красн. Волос 38 567 Красн. Волос 52 570 Красн. Волос 25 569

Красн. Волос 570 Красн. Волос 569 Красн. Волос 566

Красн. Волос 574 Красн. Волос 573 Красн. Волос 573

Среднее значение 572 Среднее значение 570 Среднее значение 571

Максимум 575 Максимум 573 Максимум 575

Минимум 567 Минимум 567 Минимум 566

Эксперимент 1 Эксперимент 2 Эксперимент 3

Цвет Температура Расстояние Цвет Температура Расстояние Цвет Температура Расстояние

Белый 572 Белый 574 Белый 575

Белый 566 Белый 565 Белый 566

Белый 38 569 Белый 52 575 Белый 25 576

Белый 572 Белый 570 Белый 572

Белый 571 Белый 574 Белый 571

Среднее значение 570 Среднее значение 572 Среднее значение 572

Максимум 572 Максимум 575 Максимум 576

Минимум 566 Минимум 565 Минимум 566

ПРИЛОЖЕНИЕ В (обязательное)

Результаты работы алгоритма 4 СНС при определении матрицы данных искусственных вымени и сосков

Рисунок В.1 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 1

Рисунок В.2 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 2

отв а а >86 п.э ок 1 i.ob 11 мв Огьг.иг.тмим ^гюр/мнят кякмцы ОХ, [и]

Множество точек на плоскости как результат отработки Алгоритма 1

П. 75 ОЕ DBS О. В OHS 1 105 1.1 IIS Oj* системы коордиПТ КЗMftpw С'Х. |м|

Множество точек на плоскости .^¿Х как результат отработки Алгоритма 2

0.7В О.Я OBS ПВ С1.9Б 1 1.06 11 1.15 Ог.ь пмг.г«ым чгюрдлн.тг ошвры (IX, [м]

Множество точек на плоскоста как результат отработки Алгоритма 3

0.7Б OB 0 35 OB 9 95 1 1.0Б 11 115 Ог>. СИСПМРЧ кгкцтг./н.чгткамйрь! ОХ, 'i/|

Множество точек на плоскости как результат отработки Алгоритма 4

0.2-'-1-к—*-'-'-' 0.15 1-1-1-1-1-1-1-' 015-■-1-1-

-0.1 -0.06 С 0.05 0.' 013 0.2 >.25 -0.1 -0.05 0 0.05 01 0.15 D2 0.25 -0.1 -0.05 0 0.05 0.' 013 0.2 0.25

Ctb ШЦ1ЦЫЫ КЗОрДОНШ %сА1Ц|ДЫ OY, [uj ÜCb СЖЛОМЫ HUCfWl'- нымиры OY, [м| (Хь SHUIUKU оицдцны1 -.ыыиры OY, [uj

Множество ючск на iliuckoiiü ОZ% как резулыаг отработан Множесхьо хичск на плоскости QZ.Y kjk резу.доат ипработки Множссгьо точек на шшскосш O^X ^^ Р^Улыги oipaGonui ]

Алгоритма 1 Ажорнтма 2 Алгоритма 3 RHiva.ihHhiH нняли'1 дпг ижершнч н ■■<■. ivhfh н м\ j»f ivjiki гмн: расшгснаннннс гочск доек он и форм прока ни:: их мачрип с омоткю Алгоритм«»« I -4 на кшуалнном урн к hl- прошло успешно. Вывод: распознано -1 соска, что свидетельствует о том. что полученные результаты, в виде матрицы данных точек сосков, верны

0.15 -1-1-1---

-3.1 -0 05 0 0.05 0 1 0.15 0.2 0.25 Оиь uv j кодв/НеП кымиры OY, [uj Множество точек на шюскосш Q&Y. хйк рснуиьхт о «работки Алгоритма 4

Рисунок В.3 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 3

Рисунок В.4 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 4

Рисунок В.5 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 5

Рисунок В.6 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 6

Рисунок В.7 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 7

Рисунок В.8 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 8

Рисунок В.9 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 9

Рисунок В.10 - Результаты проведения эксперимента по распознаванию искусственных сосков вымени. Эксперимент 10

ПРИЛОЖЕНИЕ Г

(обязательное)

Акт о проведении сбора экспериментальных данных по скорости и объему молокоотдачи при нормальном и локальном повышении

температуры вымени на удои

о проведении сбора экспериментальных данных по скорости и объему молокоотдачи при нормальном и локальном повышении температуры

Комиссия в составе от Григорьевское ОП - филиал ФГБНУ ФНАЦ ВИМ — Лещенко О.Д. - врио директора филиала, Савелова О.В. — врио главного бухгалтера, Мартьянова А.Н. - главный зоотехник, Горелова Л.С. — зоотехник по кормлению,

от ФГБНУ ФНАЦ ВИМ - Кирсанов В.В. - д.т.н., профессор, Заведующий отделом «Механизации и автоматизации процессов в животноводстве», Павкин Д.Ю. - к.т.н., Заведующий лабораторией №14.1. «Цифровых систем и роботизированных технических средств в молочном животноводстве», Довлатов И.М. - к.т.н., научный сотрудник, Владимиров Ф.Е. - научный сотрудник, Юрочка С.С. - младший научный сотрудник,

составили настоящий акт о том, что в период с 19 ноября по 24 ноября 2021 года на животноводческом комплексе по содержанию крупного рогатого скота (молочных коров), с дойным стадом 573 головы, был проведен сбор экспериментальных данных по скорости и объему молокоотдачи при нормальном и локальном повышении температуры вымени на удои в рамках Соглашения от 7.10.2020 № 075-15-2020-774 по пункту 5.8: «Исследовать влияние локального повышения температуры вымени на удои (скорость, объем)». Сбор экспериментальных данных проводился на основании методики исследований (Приложение 1). Собранные экспериментальные данные зафиксированы в Протоколе (Приложение 2).

УТВЕРЖДАЮ:

Акт

вымени на удои

Таблица Г.1 - Экспериментальные данные - средние значения термограмм вымени двух групп животных в период доения с 19 ноября по 24 ноября групп животных: контрольная, опытная

№

коровы

Максимальная температура вымени, °С

Термограмма вымени

№

коровы

Максимальная температура

вымени,

°

Термограмма вымени

Контрольная группа животных

Опытная группа животных

1129

761

5039

7150

34,9

34,9

34,6

34,7

Коэф.иалуч.:19В Влвжнссть:70Ч Птпаж трмп <Э д Па

697

1155

2650

2968

37,6

(II доля) Субклин ический мастит

37,1 (I доля) Субклин ический мастит

37,4

(III доля) Субклин ический мастит

36,9 (III

доля)

Субклин

ический

мастит

№ кор овы

Максимальна я

температура вымен

и, °

Термограмма вымени

№

коров

Максимальная температура

вымени,

°

Термограмма вымени

Контрольная группа животных

3310

6034

6035

6048

6111

Опытная группа животных

37,5

(III доля) Субклин ический мастит

36,3

(III доля) Субклин ический мастит

36,4

(II доля) Субклин ический мастит

37

(III доля) Субклин ический мастит

37,1

(II доля) Субклин ический мастит

ы

№

коро

Максимальная температура вымени, °С

Термограмма вымени

№

коровы

Максимальна я

температура вымен

и, °

Термограмма вымени

Контрольная группа животных

6158

5059

7092

7207

34,6