Алгоритм адаптивной дискретизации видеопотока для повышения точности детекции реперных анатомических ориентиров КРС в задачах оценки их упитанности

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.

1. Садиков 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.2024.83.84.008

2. Турлюн В.И. Оценка упитанности голштинского скота // Сборник научных трудов Северо-Кавказского научно-исследовательского института животноводства. 2014. Т. 1, № 3. С. 167-170.

3. 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.2011-4497

4. Gentil 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/10.5433/1679-0359.2017v38n6p3797

5. Nagy 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/ani13020194

6. Bewley 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)30901-3

7. Morrow D.A. Fat cow syndrome. Journal of Dairy Science. 1976;59(9):1625-1629. https://doi.org/10.3168/jds.S0022-0302(76)84415-3

8. Roche 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.2013.03.003

9. Безбородов 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: YLQGXS

10. 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.2009-2431

11. Ненашев 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/10.55170/1997-3225-2024-9-4-103-108

12. Sun 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.2018-16164

13. Summerfield 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/s23229051

14. Çevik 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.658365

15. Zin 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/s20133705

16. Мищенко 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.2024.4.1

17. 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: https://www.hou.usra.edu/meetings/lpsc2025/pdf/2154.pdf (дата обращения: 13.03.2026).

18. PyTorch Contributors. AdamW – PyTorch Documentation. URL: https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html (дата обращения: 13.03.2026).