izvestiiatimacadИзвестия Тимирязевской сельскохозяйственной академииIZVESTIYA OF TIMIRYAZEV AGRICULTURAL ACADEMY0021-342XФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева10.26897/0021-342X-2025-1-150-163izvestiiatimacad-793Research ArticleЗООТЕХНИЯ, БИОЛОГИЯ И ВЕТЕРИНАРНАЯ МЕДИЦИНАLIVESTOCK BREEDING, BIOLOGY AND VETERINARY MEDICINEЛинейная оценка коров по облаку точекLinear estimation of cows by the point cloudЗабаринИ. Д.ZabarinI. D.

Илья Дмитриевич Забарин, студент магистратуры

111250, г. Москва, вн. тер. гор. муниципальный округ Лефортово, ул. Красноказарменная, 14, стр. 1

Ilya D. Zabarin, Master’s Student

14/1 Krasnokazarmennaya st., Lefortovo, Moscow, 111250

ZabarinID@mpei.ruhttps://orcid.org/0000-0002-5038-7747ШилинД. В.ShilinD. V.

Денис Викторович Шилин, кандидат технических наук, доцент, доцент

111250, г. Москва, вн. тер. гор. муниципальный округ Лефортово, ул. Красноказарменная, 14, стр. 1

Denis V. Shilin, CSc (Eng.), Assistant Professor, Assistant Professor

14/1 Krasnokazarmennaya st., Lefortovo, Moscow, 111250

ShilinDV@mpei.ruВасильевА. Н.VasilievA. N.

Алексей Николаевич Васильев, доктор технических наук, профессор, главный научный сотрудник

109428, г. Москва, 1-й Институтский проезд, 5

Alexey N. Vasiliev, DSc (Eng.), Professor, Chief Research Associate

5 Perviy Institutskiy Dr., Moscow, 109428

vasilev-viesh@inbox.ruФедеральное государственное бюджетное образовательное учреждение высшего образования «Национальный исследовательский университет «Московский энергетический институт»РоссияMoscow Power Engineering InstituteRussian FederationФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation20251101202501150163Copyright © Забарин И.Д., Шилин Д.В., Васильев А.Н., 20252025Забарин И.Д., Шилин Д.В., Васильев А.Н.Zabarin I.D., Shilin D.V., Vasiliev A.N.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/793

В статье анализируются значимость и актуальность внедрения технологии 3D-камер в аграрный сектор, особенно в области сельского хозяйства и животноводства. Основное внимание уделяется сложности и трудоемкости существующего процесса линейной оценки коров на фермах, который в настоящее время не автоматизирован и требует значительных усилий. В качестве потенциального решения этой проблемы предлагается использование 3D-камеры Intel RealSense D435 в сочетании с разработанными алгоритмами для эффективного извлечения и обработки информации из облака точек коровы. Во введении статьи представлен анализ существующих научных исследований и разработок по рассматриваемой проблеме, что подчеркивает важность и своевременность темы. Далее авторы переходят к описанию методики сбора трехмерных данных крупа коровы с использованием упомянутой 3D-камеры, обосновывая выбор данного оборудования для решения поставленной задачи. В ходе исследований были разработаны и адаптированы алгоритмы для выполнения фильтрации, предварительной обработки облака точек, полученного с коров, с последующей сегментацией и измерением линейных параметров животных. Эти алгоритмы были подвергнуты тестированию в лабораторных условиях на специально созданном макете крупа коровы. Целью испытаний было сравнение результатов, полученных как с помощью ручных измерений, так и в результате автоматизированного процесса. По итогам лабораторных испытаний установлено, что средняя ошибка измерений, выполненных алгоритмом, составляет 3,5%, тогда как максимальная ошибка не превысила 9,2%. Также было проведено тестирование алгоритма непосредственно на ферме. Этот этап позволил проверить работоспособность и эффективность предложенного решения в реальных условиях. Результаты тестирования подтвердили высокую применимость и потенциал внедрения разработанной системы. Таким образом, предлагается инновационное решение, которое может улучшить текущий подход в измерении линейных параметров коровы.

The article analyzes the importance and relevance of implementing 3D camera technology in the agribusiness sector, especially in the field of farming and animal husbandry. The focus is on the complexity and labor-intensive nature of the existing on-farm linear estimation process for cows, which is currently not automated and requires considerable effort. As a potential solution to this problem, the use of an Intel RealSense D435 3D camera in combination with developed algorithms for efficient extraction and processing of information from the cow point cloud is proposed. The introduction of the article analyzes the existing research and development on the problem at hand, which emphasizes the importance and timeliness of the topic. Furthermore, the authors describe the methodology of collecting 3D data of the cow croup using the mentioned 3D camera and justify the choice of this equipment for solving the task at hand. In the course of the work, algorithms were developed and adapted to perform filtering, preprocessing of the point cloud obtained from cows, followed by segmentation and measurement of linear parameters of the animals. These algorithms were subjected to laboratory tests on a specially designed cow croup model. The purpose of these tests was to compare the results obtained from both manual measurements and the automated process. Based on the results of the laboratory tests, it was found that the average error of the measurements made by the algorithm was 3.5%, while the maximum error did not exceed 9.2%. The algorithm was also tested directly on the farm. This stage allowed to verify the performance and efficiency of the proposed solution in real conditions. The test results confirmed the high applicability and implementation potential of the developed system. Thus, an innovative solution is proposed that can improve the current approach to measuring the linear parameters of the cow.

3D-камералинейная оценка коровавтоматизация в сельском хозяйствеIntel RealSense D435обработка облака точектрехмерный сбор данных о коровахалгоритмыизмерение коров3D cameralinear estimation of cowsautomation in farmingIntel RealSense D435point cloud processing3D collection of data about cowsalgorithmscow measurementРабота выполнена при финансовой поддержке Фонда Содействия Инновациям.ReferencesИванов Ю.А. Цифровое животноводство: перспективы развития // Техника и технологии в животноводстве. 2019. № 1 (33). С. 4-7. EDN: ZAIQYH.Ivanov Yu. A. Digital animal husbandry: development prospects // Equipment and technologies in animal husbandry. - 2019. - No. 1 (33). - P. 4-7.Shilin D., Ganin P., Shestov D., Novikov A. et al. Identification of the Cow’s Nipples Using a 3D Camera with ToF Technology. Annals of DAAAM & Proceedings. 2022:77-85. https://doi.org/10.2507/33rd.daaam.proceedings.012Ivanov Yu. A., Zarikeev A. R. USE OF ARTIFICIAL INTELLIGENCE IN ASSESSING THE EXTERIOR OF CATTLE // Equipment and technologies in animal husbandry. - 2021. - No. 4 (44). - P. 6-10.Павкин Д.Ю., Юрочка С.С., Шилин Д.В., Рузин С.С. Бесконтактная оценка упитанности молочных коров с использованием ToF-технологии // Агроинженерия. 2021. № 2 (102). С. 39-44. https://doi.org/10.26897/2687-1149-2021-2-39-44Kirsanov V. V. et al. Comparative analysis and selection of technical vision systems in dairy farming // Bulletin of NGIEI. - 2019. - No. 1 (92). - P. 69-79;Иванов Ю.А., Зарикеев А.Р. Использование искусственного интеллекта при оценке экстерьера КРС // Техника и технологии в животноводстве. 2021. № 4 (44). С. 6-10. https://doi.org/10.51794/27132064-2021-4-6Pavkin D. Yu. et al. Contactless assessment of dairy cow fatness using ToF technology // Agroengineering. - 2021. - No. 2 (102). - P. 39-44.Цой Ю.А., Баишева Р.А. Технологические аспекты создания «умной» молочной фермы // Аграрная наука Евро-Северо-Востока. 2019. Т. 20, № 2. С. 192-199. https://doi.org/10.30766/2072-9081.2019.20.2.192-199Tsoi Yu. A., Baisheva R. A. Technological aspects of creating a “smart” dairy farm // Agrarian Science of the Euro-North-East. - 2019. - Vol. 20. - No. 2. - P. 192-199.Tadic V., Toth A., Vizvari Z., Klincsik M. et al. Perspectives of Realsense and Zed Depth Sensors for Robotic Vision Applications. Machines. 2022;10(3):183. https://doi.org/10.3390/machines10030183Han X. F. et al. A review of algorithms for filtering the 3D point cloud // Signal Processing: Image Communication. - 2017. - Vol. 57. - P. 103-112; 8. He Y., Chen S. Recent advances in 3D data acquisition and processing by time-of-flight camera //IEEE Access. – 2019. – T. 7. – P. 12495-12510;Zhou Q.Y., Park J., Koltun V. Open3D: A Modern Library for 3D Data Processing. ArXiv preprint arXiv:1801.09847. 2018. https://doi.org/10.48550/arXiv.1801.09847He Y., Chen S. Recent advances in 3D data acquisition and processing by time-of-flight camera //IEEE Access. – 2019. – Т. 7. – С. 12495-12510;Кирсанов В.В., Павкин Д.Ю., Юрочка С.С., Матвеев В.Ю. Сравнительный анализ и подбор систем технического зрения в молочном животноводсве // Вестник НГИЭИ. 2019. № 1 (92). С. 69-79. EDN: YWLXUL.Keselman L. et al. Intel realsense stereoscopic depth cameras //Proceedings of the IEEE conference on computer vision and pattern recognition workshops. – 2017. – С. 1-10;Han X.F., Jin J.S., Wang M.J., Jiang W. et al. A Review of Algorithms for Filtering the 3D Point Cloud. Signal Processing: Image Communication. 2017;57:103-112. https://doi.org/10.1016/j.image.2017.05.009Lazaros N., Sirakoulis G. C., Gasteratos A. Review of stereo vision algorithms: from software to hardware //International Journal of Optomechatronics. – 2008. – Т. 2. – №. 4. – С. 435-462;He Y., Chen S. Recent Advances in 3D Data Acquisition and Processing by Time-of-flight Camera. IEEE Access. 2019;7:12495-12510. https://doi.org/10.1109/ACCESS.2019.2891693Nagy S. Á. et al. Impact evaluation of score classes and annotation regions in deep learning-based dairy cow body condition prediction //Animals. – 2023. – Т. 13. – №. 2. – С. 194.Keselman L., Iselin Woodfill J., Grunnet-Jepsen A., Bhowmik A. Intel Realsense Stereoscopic Depth Cameras. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2017. Pр. 1-10. https://doi.org/10.48550/arXiv.1705.05548O’Mahony N. et al. Two-and three-dimensional computer vision techniques for more reliable body condition scoring //Dairy. – 2022. – Т. 4. – №. 1. – С. 1-25.Lazaros N., Sirakoulis G.C., Gasteratos A. Review of Stereo Vision Algorithms: from Software to Hardware. International Journal of Optomechatronics. 2008;2(4):435-462. https://doi.org/10.1080/15599610802438680Shilin D. et al. IDENTIFICATION OF THE COW’S NIPPLES USING A 3D CAMERA WITH TOF TECHNOLOGY //Annals of DAAAM & Proceedings. – 2022. – С. 77-85.Nagy S.A., Kilim O., Csabai I. 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/ani13020194Tadic V. et al. Perspectives of realsense and zed depth sensors for robotic vision applications //Machines. – 2022. – Т. 10. – №. 3. – С. 183.O’Mahony N., Krpalkova L., Sayers G. et al. Two-and Three-dimensional Computer Vision Techniques for More Reliable Body Condition Scoring. Dairy. 2022;4(1):1-25. https://doi.org/10.3390/dairy4010001Zhou Q. Y., Park J., Koltun V. Open3D: A modern library for 3D data processing //arXiv preprint arXiv:1801.09847. – 2018.

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