izvestiiatimacadИзвестия Тимирязевской сельскохозяйственной академииIZVESTIYA OF TIMIRYAZEV AGRICULTURAL ACADEMY0021-342XФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева10.26897/0021-342X-2026-2-105-122izvestiiatimacad-1266Research ArticleЗООТЕХНИЯ, БИОЛОГИЯ И ВЕТЕРИНАРНАЯ МЕДИЦИНАLIVESTOCK BREEDING, BIOLOGY AND VETERINARY MEDICINEАлгоритм адаптивной дискретизации видеопотока для повышения точности детекции реперных анатомических ориентиров КРС в задачах оценки их упитанностиAn adaptive video stream sampling algorithm for improving the detection accuracy of reference anatomical landmarks in cattle for their body condition assessmenthttps://orcid.org/0000-0002-7341-5237ГреченеваА. В.GrechenevaA. V.

Анастасия Владимировна Греченева, канд. техн. наук, директор Проектного института цифровой трансформации АПК, доцент кафедры прикладной информатики

127434, г. Москва, ул. Тимирязевская, 49

Anastasia V. Grecheneva, CSc (Eng), Director of the Project Institute for Digital Transformation of the Agro-Industrial Sector, Associate Professor at the Department of Applied Informatics

49 Timiryazevskaya St., Moscow, 127434

a.grecheneva@rgau-msha.ruhttps://orcid.org/0000-0001-5145-1184ЛатынинаЕ. С.LatyninaE. S.

Евгения Сергеевна Латынина, канд. ветеринар. наук, доцент, доцент кафедры морфологии и ветеринарно-санитарной экспертизы

127434, г. Москва, ул. Тимирязевская, 49

Evgeniya S. Latynina, CSc (Vet), Associate Professor, Associate Professor at the Department of Morphology and Veterinary and Sanitary Examination

49 Timiryazevskaya St., Moscow, 127434

evgenialatynina@rgau-msha.ruАкимушкинаМ. А.AkimushkinaM. A.

Магдалина Алексеевна Акимушкина, обучающийся магистратуры кафедры статистики и кибернетики

127434, г. Москва, ул. Тимирязевская, 49

Magdalina A. Akimushkina, Master’s degree student of the Department of Statistics and Cybernetics

49 Timiryazevskaya St., Moscow, 127434

a.grecheneva@rgau-msha.ruhttps://orcid.org/0000-0002-3124-6252БакнинМ. Д.BakninM. D.

Максим Дмитриевич Бакнин, канд. техн. наук, доцент кафедры прикладной информатики

127434, г. Москва, ул. Тимирязевская, 49

Maxim D. Baknin, CSc (Eng), Associate Professor at the Department of Applied Informatics

49 Timiryazevskaya St., Moscow, 127434

baknin@rgau-msha.ruРоссийский государственный аграрный университет – МСХА имени К.А. ТимирязеваРоссияRussian State Agrarian University – Moscow Timiryazev Agricultural AcademyRussian Federation20262105202602105122Copyright © Греченева А.В., Латынина Е.С., Акимушкина М.А., Бакнин М.Д., 20262026Греченева А.В., Латынина Е.С., Акимушкина М.А., Бакнин М.Д.Grecheneva A.V., Latynina E.S., Akimushkina M.A., Baknin M.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestiia.timacad.ru/jour/article/view/1266

Оценка упитанности молочного крупного рогатого скота по шкале Body Condition Score (BCS) используется для контроля энергетического статуса животных и выявления рисков метаболических и репродуктивных нарушений. При производственной видеосъемке точность автоматизированного определения BCS ограничивается смещением реперных анатомических ориентиров, возникающим вследствие изменения позы животного, скорости прохода, неравномерного освещения, бликов и теней. Целью исследований являлась разработка алгоритма адаптивного выбора кадров видеопотока для повышения точности детекции реперных точек и контурных ориентиров в задачах автоматизированной оценки упитанности крупного рогатого скота молочного направления продуктивности. Материал исследований составили видеопоследовательности 983 коров молочного направления продуктивности. Для анализа использовали систему реперных точек и контурных ориентиров тазовой области, а обработку изображений выполняли многозадачной нейросетевой моделью локализации ключевых точек и контуров с последующим прогнозом BCS по шкале 1-5. Разработанный алгоритм включал в себя адаптивную дискретизацию кадров по скорости движения животного, оценку наблюдаемости анатомических зон и покомпонентный отбор наиболее информативных кадров для формирования согласованного набора признаков. Применение алгоритма обеспечило снижение средней абсолютной ошибки оценки BCS с 0,34 до 0,22 балла, увеличение доли оценок в пределах ±0,5 балла с 86,2 до 93,7% и рост взвешенного коэффициента Cohen’s κ с 0,74 до 0,86. Нормированная ошибка локализации реперных точек уменьшилась с 0,071 до 0,048. Полученные результаты подтверждают, что адаптивная кадровая предобработка повышает точность и устойчивость автоматизированной оценки упитанности в условиях производственной видеосъемки.

Body Condition Score (BCS) in dairy cattle is used to monitor animal energy status and to identify the risks of metabolic and reproductive disorders. In industrial video recording, the accuracy of automated BCS estimation is limited by the displacement of reference anatomical landmarks. This displacement arises due to changes in animal posture, walking speed, uneven lighting, glare, and shadows. The study aimed to develop an adaptive video-frame selection algorithm to improve the detection accuracy of reference keypoints and contour landmarks in automated body condition assessment of dairy cattle. The research material consisted of video sequences of 983 dairy cows. For analysis, a system of reference points and contour landmarks of the pelvic region was used. Image processing was performed using a multitask neural network model for localizing key points and contours, followed by BCS prediction on a 1-5 scale. The developed algorithm included adaptive frame sampling based on animal walking speed, visibility assessment of anatomical zones, and component-wise selection of the most informative frames to form a consistent set of features. Application of the algorithm resulted in a reduction of the mean absolute error in BCS estimation from 0.34 to 0.22 score points, an increase in the proportion of predictions within ±0.5 points from 86.2% to 93.7%, and an improvement in the weighted Cohen’s κ coefficient from 0.74 to 0.86. The normalized localization error of reference keypoints decreased from 0.071 to 0.048. The findings confirm that adaptive frame preprocessing enhances the accuracy and robustness of automated body condition assessment under industrial video recording conditions.

крупный рогатый скотмолочное скотоводствоупитанностьbody condition scoreкомпьютерное зрениевидеопотокадаптивная дискретизацияключевые точкиконтурные ориентирынейросетевая модельcattledairy farmingbody conditionBody Condition Scorecomputer visionvideo streamadaptive samplingkeypointscontour landmarksneural network modelРабота выполнена при поддержке гранта РНФ № 25-76-00067.The research was funded by the Russian Science Foundation, grant No. 25-76-00067.ReferencesСадиков Р.З., Морозова Н.И., Садиков Р.Р., Морозов И.А. и др. Система автоматического определения упитанности коров как инструмент поддержания оптимального физиологического состояния здоровья и продуктивности // Вестник Рязанского государственного агротехнологического университета имени П.А. Костычева. 2024. Т. 16, № 1. С. 54-61. https://doi.org/10.36508/RSATU.2024.83.84.008Sadikov R.Z., Morozova N.I., Sadikov R.R., Morozov I.A. et al. The system of automatic determination of fatness of cows as a tool for maintaining optimal physiological health and productivity. Bulletin of the Ryazan State Agrotechnological University named after P.A. Kostychev. 2024;16(1):54-61. (In Russ.) https://doi.org/10.36508/RSATU.2024.83.84.008Турлюн В.И. Оценка упитанности голштинского скота // Сборник научных трудов Северо-Кавказского научно-исследовательского института животноводства. 2014. Т. 1, № 3. С. 167-170.Turlyun V.I. Body condition score of the Holstein dairy cattle. Sbornik nauchnykh trudov Severo-Kavkazskogo nauchno-issledovatelskogo instituta zhivotnovodstva. 2014;1(3):167-170. (In Russ.)Loker S., Bastin C., Miglior F., Sewalem A. et al. Genetic and environmental relationships between body condition score and milk production traits in Canadian Holsteins. Journal of Dairy Science. 2012;95(1):410-419. https://doi.org/10.3168/jds.2011-4497Loker S., Bastin C., Miglior F., Sewalem A. et al. Genetic and environmental relationships between body condition score and milk production traits in Canadian Holsteins. Journal of Dairy Science. 2012;95(1):410-419. https://doi.org/10.3168/jds.2011-4497Gentil N.R., Santos A.D.F., Pereira M.A., Lima M.S. et al. Validation of body condition score system in Holstein × Zebu cows via ultrasound method during the transition period and early lactation. Semina: Ciências Agrárias. 2017;38(6):3797-3806. https://doi.org/10.5433/1679-0359.2017v38n6p3797Gentil N.R., Santos A.D.F., Pereira M.A., Lima M.S. et al. Validation of body condition score system in Holstein × Zebu cows via ultrasound method during the transition period and early lactation. Semina: Ciências Agrárias. 2017;38(6):3797-3806. https://doi.org/10.5433/1679-0359.2017v38n6p3797Nagy S.Á., Kilim O., Csabai I., Gábor G. et al. Impact Evaluation of Score Classes and Annotation Regions in Deep Learning-Based Dairy Cow Body Condition Prediction. Animals. 2023;13(2):194. https://doi.org/10.3390/ani13020194Nagy S.Á., Kilim O., Csabai I., Gábor G. et al. Impact Evaluation of Score Classes and Annotation Regions in Deep Learning-Based Dairy Cow Body Condition Prediction. Animals. 2023;13(2):194. https://doi.org/10.3390/ani13020194Bewley J.M., Schutz M.M. An interdisciplinary review of body condition scoring for dairy cattle. The Professional Animal Scientist. 2008;24(6):507-529. https://doi.org/10.15232/S1080-7446(15)30901-3Bewley J.M., Schutz M.M. An interdisciplinary review of body condition scoring for dairy cattle. The Professional Animal Scientist. 2008;24(6):507-529. https://doi.org/10.15232/S1080-7446(15)30901-3Morrow D.A. Fat cow syndrome. Journal of Dairy Science. 1976;59(9):1625-1629. https://doi.org/10.3168/jds.S0022-0302(76)84415-3Morrow D.A. Fat cow syndrome. Journal of Dairy Science. 1976;59(9):1625-1629. https://doi.org/10.3168/jds.S0022-0302(76)84415-3Roche J.R., Kay J.K., Friggens N.C., Loor J.J. et al. Assessing and managing body condition score for the prevention of metabolic disease in dairy cows. Veterinary Clinics of North America: Food Animal Practice. 2013;29(2):323-336. https://doi.org/10.1016/j.cvfa.2013.03.003Roche J.R., Kay J.K., Friggens N.C., Loor J.J. et al. Assessing and managing body condition score for the prevention of metabolic disease in dairy cows. Veterinary Clinics of North America: Food Animal Practice. 2013;29(2):323-336. https://doi.org/10.1016/j.cvfa.2013.03.003Безбородов П.Н. Показатель кондиции Body Condition Score (BCS) у молочных коров со смещениями сычуга // Вестник НГАУ (Новосибирский государственный аграрный университет). 2017. № 4. С. 124-141. EDN: YLQGXSBezborodov P.N. Condition parameter “Body Condition Score (BCS)” of the dairy cows with displaced abomasum. Vestnik NSAU (Novosibirsk State Agrarian University. 2017;(4):124-141. (In Russ.)Roche J.R., Friggens N.C., Kay J.K., Fisher M.W. et al. Invited review: Body condition score and its association with dairy cow productivity, health, and welfare. Journal of Dairy Science. 2009;92(12):5769-5801. https://doi.org/10.3168/jds.2009-2431Roche J.R., Friggens N.C., Kay J.K., Fisher M.W. et al. Invited review: Body condition score and its association with dairy cow productivity, health, and welfare. Journal of Dairy Science. 2009;92(12):5769-5801. https://doi.org/10.3168/jds.2009-2431Ненашев И.В., Марьин Е.М. Распространенность ортопедических болезней дистального отдела конечностей у крупного рогатого скота в зависимости от условий содержания // Известия Самарской государственной сельскохозяйственной академии. 2024. Т. 9, № 4. С. 103-108. https://doi.org/10.55170/1997-3225-2024-9-4-103-108Nenashev I.V., Marin E.M. The prevalence of orthopedic diseases of the distal extremities in cattle depending on housing conditions. Bulletin Samara State Agricultural Academy. 2004;9(4):103-108. (In Russ.) https://doi.org/10.55170/1997-3225-2024-9-4-103-108Sun Y., Huo P., Wang Y., Cui Z. et al. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score. Journal of Dairy Science. 2019;102(11):10140-10151. https://doi.org/10.3168/jds.2018-16164Sun Y., Huo P., Wang Y., Cui Z. et al. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score. Journal of Dairy Science. 2019;102(11):10140-10151. https://doi.org/10.3168/jds.2018-16164Summerfield G.I., De Freitas A., van Marle-Koster E., Myburgh H.C. Automated Cow Body Condition Scoring Using Multiple 3D Cameras and Convolutional Neural Networks. Sensors. 2023;23(22):9051. https://doi.org/10.3390/s23229051Summerfield G.I., De Freitas A., van Marle-Koster E., Myburgh H.C. Automated Cow Body Condition Scoring Using Multiple 3D Cameras and Convolutional Neural Networks. Sensors. 2023;23(22):9051. https://doi.org/10.3390/s23229051Çevik K.K., Boğa M. Body Condition Score (BCS) Segmentation and Classification in Dairy Cows Using R-CNN Deep Learning Architecture. European Journal of Science and Technology. 2019;17:1248-1255. https://doi.org/10.31590/ejosat.658365Çevik K.K., Boğa M. Body Condition Score (BCS) Segmentation and Classification in Dairy Cows Using R-CNN Deep Learning Architecture. European Journal of Science and Technology. 2019;17:1248-1255. https://doi.org/10.31590/ejosat.658365Zin T.T., Seint P.T., Tin P., Horii Y. et al. Body Condition Score Estimation Based on Regression Analysis Using a 3D Camera. Sensors. 2020;20(13):3705. https://doi.org/10.3390/s20133705Zin T.T., Seint P.T., Tin P., Horii Y. et al. Body Condition Score Estimation Based on Regression Analysis Using a 3D Camera. Sensors. 2020;20(13):3705. https://doi.org/10.3390/s20133705Мищенко И.И., Мисник А.Е., Александров А.В. Применение технологий компьютерного зрения и предварительной обработки изображений в системах поддержки принятия решений // Вестник Самарского государственного технического университета. Серия «Технические науки». 2024. Т. 32, № 4. С. 6-26. https://doi.org/10.14498/tech.2024.4.1Mishchenko I.I., Misnik A.E., Alexandrov A.V. Application of computer vision and image preprocessing technologies in decision support systems. Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya “Tekhnicheskie nauki”. 2024;32(4):6-26. (In Russ.) https://doi.org/10.14498/tech.2024.4.1Olt L.S., Rice M.S., St. Clair M., Million C. et al. III. Automating Region of Interest (ROI) Selection for Spectral Analyses of Mastcam-Z Observations. 56th Lunar and Planetary Science Conference. 2025:2154. URL: https://www.hou.usra.edu/meetings/lpsc2025/pdf/2154.pdf (дата обращения: 13.03.2026).Olt L.S., Rice M.S., St. Clair M., Million C. et al. III. Automating Region of Interest (ROI) Selection for Spectral Analyses of Mastcam-Z Observations. 56th Lunar and Planetary Science Conference. 2025:2154. URL: (accessed: Marhttps://www.hou.usra.edu/meetings/lpsc2025/pdf/2154.pdf ch 13, 2026).PyTorch Contributors. AdamW – PyTorch Documentation. URL: https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html (дата обращения: 13.03.2026).PyTorch Contributors. AdamW – PyTorch Documentation. URL: (accessed: March https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html 13, 2026).

The authors declare that there are no conflicts of interest present.