Линейная оценка коров по облаку точек

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.

1. Иванов Ю.А. Цифровое животноводство: перспективы развития // Техника и технологии в животноводстве. 2019. № 1 (33). С. 4-7. EDN: ZAIQYH.

2. 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.012

3. 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/10.26897/2687-1149-2021-2-39-44

4. 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/10.51794/27132064-2021-4-6

5. 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/10.30766/2072-9081.2019.20.2.192-199

6. 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/machines10030183

7. 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.1801.09847

8. 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.

9. 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.2017.05.009

10. 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.2019.2891693

11. 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.1705.05548

12. 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/10.1080/15599610802438680

13. 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/ani13020194

14. 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/dairy4010001