agronaukaАграрная наука Евро-Северо-ВостокаAgricultural Science Euro-North-East2072-90812500-1396FARC North-East10.30766/2072-9081.2021.22.5.770-776agronauka-888Research ArticleМЕХАНИЗАЦИЯ, ЭЛЕКТРИФИКАЦИЯ, АВТОМАТИЗАЦИЯMECHANIZATION , ELECTRIFICATION , AUTOMATIONПрименение систем технического зрения для диагностики качества кормов КРСApplication of technical vision systems for diagnosing the quality of cattle feedhttps://orcid.org/0000-0003-2549-4070КирсановВ. В.KirsanovV. V.

Кирсанов Владимир Вячеславович - доктор технических наук, главный научный сотрудник.д. 5, 1-й Институтский проезд, Москва, 109428.

Vladimir V. Kirsanov - DSc in Engineering, chief researcher, Federal Scientific Agroengineering Center VIM.

5, 1st Institutsky proezd, Moscow, 109428.

vim@vim.ruhttps://orcid.org/0000-0001-8769-8365ПавкинД. Ю.PavkinD. Yu.

Павкин Дмитрий Юрьевич - кандидат технических наук, старший научный сотрудник.д. 5, 1-й Институтский проезд, Москва, 109428.

Dmitriy Yu. Pavkin - PhD in Engineering, senior researcher, Federal Scientific Agroengineering Center VIM.5, 1st Institutsky proezd, Moscow, 109428.

vim@vim.ruhttps://orcid.org/0000-0003-3748-6561НикитинЕ. А.NikitinE. A.

Никитин Евгений Александрович - аспирант, младший научный сотрудник.д. 5, 1-й Институтский проезд, Москва, 109428.

Evgeniy A. Nikitin - postgraduate, junior researcher, Federal Scientific Agroengineering Center VIM.5, 1st Institutsky proezd, Moscow, 109428.

evgeniynicks@yandex.ruhttps://orcid.org/0000-0003-3748-6561КирюшинИ. A.KiryushinI. A.

Кирюшин Иван Алексеевич - аспирант, инженер.д. 5, 1-й Институтский проезд, Москва, 109428.

Ivan A. Kiryushin - postgraduate, engineer, Federal Scientific Agroengineering Center VIM.5, 1st Institutsky proezd, Moscow, 109428.

vim@vim.ruФедеральный научный агроинженерный центр ВИМРоссияFederal Scientific Agroengineering Center VIMRussian Federation202127102021225770776Copyright © Кирсанов В.В., Павкин Д.Ю., Никитин Е.А., Кирюшин И.A., 20212021Кирсанов В.В., Павкин Д.Ю., Никитин Е.А., Кирюшин И.A.Kirsanov V.V., Pavkin D.Y., Nikitin E.A., Kiryushin I.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.agronauka-sv.ru/jour/article/view/888

В ходе исследования проанализирована российская и зарубежная литература, посвященная разработке систем диагностики и сканирования объектов с использованием системы технического зрения с программами глубокого машинного обучения. Рассмотрены особенности технологического процесса кормления крупного рогатого скота. Предложена система бесконтактной оценки содержания сухого вещества/влажности компонентов кормовой смеси естественного выращивания на примере кукурузного силоса с применением систем технического зрения. Собрана база данных изображений кукурузного силоса и выявлены зависимости по интенсивности отражающего светового потока силоса с учетом изменения влажности. Исследования проводили в 2020 году на базе ФГБНУ «Федеральный научный агроинженерный центр ВИМ» (ФНАЦ ВИМ) с использованием экспериментального оборудования Института общей физики РАН им. А. М. Прохорова и ФНАЦ ВИМ. Разработан стенд с системой технического зрения, позволяющий классифицировать компоненты кормовой смеси по цветовым характеристикам. Полученные зависимости отражающей интенсивности кукурузного силоса позволяют утверждать о перспективе применения системы технического зрения для экспресс-оценки качественных показателей компонентов кормовой смеси. С учетом уровня роботизации технологических процессов кормления крупного рогатого скота, вопрос оценки качественных показателей (в частности, содержание сухого вещества/влажности) компонентов кормовой смеси является актуальным.

Russian and foreign literature on the development of diagnostic systems and scanning of objects using a vision system with deep machine learning programs has been analyzed during the study. The features of the technological process of feeding cattle have been studied. A system of non-contact assessment of the dry matter content/humidity of the components of the feed mixture of natural cultivation on the example of a corn silo using technical vision systems was proposed. A database of images of corn silage was collected and the dependences on the intensity of the reflecting light flux of the silage were revealed taking into account changes in humidity. The research was conducted in 2020 on the basis of the Federal Scientific Agroengineering Center VIM (FNAC VIM), using experimental equipment of the Institute of General Physics of the Russian Academy of Sciences named after A. M. Prokhorov and FNAC VIM. A stand with a technical vision system has been developed that allows to classify the components of a cattle feed mixture by color characteristics. The obtained dependences of the reflecting intensity of corn silage allow us to assert the prospect of using a vision system for express-evaluation of the quality indicators of feed mixture components. Taking into account the level of robotization of technological processes of feeding cattle, the problem of assessing the quality indicators (in particular, the dry matter/moisture content) of the components of a feed mixture is relevant.

радиочастотная модуляция светатехнологический мониторингэффективность кормления КРСвлажность кормовtechnical visionradio-frequency light modulationtechnological monitoringcattle feeding efficiencyfeed moisture contentРабота выполнена при поддержке Фонда содействия инновациям по договору №63853 от 14.12.2020 г. Авторы благодарят рецензентов за их вклад в экспертную оценку этой работы.The study is carried out under the support of «Innovation support fund» within the contract No. 63853 of 12/14/2020. The authors are grateful to reviewers for their contribution to expert assessment of the work.ReferencesНикитин Е. А., Дорохов А. С., Павкин Д. Ю. Совершенствование технологии приготовления кормовой смеси при реконструкции кормовых площадок. Техника и оборудование для села. 2019;(11):32-34. DOI: https://doi.org/10.33267/2072-9642-2019-11-32-34Nikitin E. A., Dorokhov A. S., Pavkin D. Yu. Sovershenstvovanie tekhnologii prigotovleniya kormovoy smesi pri rekonstruktsii kormovykh ploshchadok. [Improving a process for the preparation of feed mixture during the reconstruction of feed sites]. Tekhnika i oborudovanie dlya sela = Machinery and Equipment for Rural Area. 2019;(11):32-34. (In Russ.). DOI: https://doi.org/10.33267/2072-9642-2019-11-32-34Павкин Д. Ю., Никитин Е. А., Зобов В. А. Система роботизированного обслуживания кормового стола на животноводческих комплексах. Сельскохозяйственные машины и технологии. 2020;14(3):33-38. DOI: https://doi.org/10.22314/2073-7599-2020-14-3-33-38Pavkin D. Yu., Nikitin E. A., Zobov V. A. Sistema robotizirovannogo obsluzhivaniya kormovogo stola na zhivotnovodcheskikh kompleksakh. [Robotic system for maintenance of feed table for livestock complexes]. Sel'skokhozyaystvennye mashiny i tekhnologii = Agricultural Machinery and Technologies. 2020;14(3):33-38. (In Russ.). DOI: https://doi.org/10.22314/2073-7599-2020-14-3-33-38Neethirajan S. The role of sensors, big data and machine learning in modern animal farming. Sensing and Bio-Sensing Research. 2020;29:100367. DOI: https://doi.org/10.1016/j.sbsr.2020.100367Neethirajan S. The role of sensors, big data and machine learning in modern animal farming. Sensing and Bio-Sensing Research. 2020;29:100367. DOI: https://doi.org/10.1016/j.sbsr.2020.100367Nasirahmadi A., Edwards S., Sturm B. Implementation of machine vision for detecting behaviour of cattle and pigs. Livestock Science. 2017;202:25-38. DOI: https://doi.org/10.1016/j.livsci.2017.05.014Nasirahmadi A., Edwards S., Sturm B. Implementation of machine vision for detecting behaviour of cattle and pigs. Livestock Science. 2017;202:25-38. DOI: https://doi.org/10.1016/j.livsci.2017.05.014Regoa G., Ferreroa F., Valledora M., Campoa Ju. C., Forcadab S., Royob L. J., Soldadob A. A portable IoT NIR spectroscopic system to analyze the quality of dairy farm forage. Computers and Electronics in Agriculture. 2020;175:105578. DOI: https://doi.org/10.1016/j.compag.2020.105578Regoa G., Ferreroa F., Valledora M., Campoa Ju. C., Forcadab S., Royob L. J., Soldadob A. A portable IoT NIR spectroscopic system to analyze the quality of dairy farm forage. Computers and Electronics in Agriculture. 2020;175:105578. DOI: https://doi.org/10.1016/j.compag.2020.105578Wajizaha S. S., Munawarb A. A. Rapid and Simultaneous Determination of Feed Nutritive Values by Means of Near Infrared Spectroscopy. Tropical Animal Science Journal, August 2018;41(2):121-127. DOI: https://doi.org/10.5398/tasj.2018.4L2.121Wajizaha S. S., Munawarb A. A. Rapid and Simultaneous Determination of Feed Nutritive Values by Means of Near Infrared Spectroscopy. Tropical Animal Science Journal, August 2018;41(2):121-127. DOI: https://doi.org/10.5398/tasj.2018.4L2.121Rodionova O. Ye., Fernandez Pierna J. A., Baeten V., Pomerantsev A. L. Chemometric non-targeted analysis for detection of soybean meal adulteration by near infrared spectroscopy. Food Control. 2021;119:107459. DOI: https://doi.org/10.1016/j.foodcont.2020.107459Rodionova O. Ye., Fernandez Pierna J. A., Baeten V., Pomerantsev A. L. Chemometric non-targeted analysis for detection of soybean meal adulteration by near infrared spectroscopy. Food Control. 2021;119:107459. DOI: https://doi.org/10.1016/j.foodcont.2020.107459Piccioli-Cappelli F., Calegari F., Calamari L., Bani P., Minuti A. Application of a NIR device for precision feeding in dairy farms: effect on metabolic conditions and milk production. Italian Journal of Animal Science. 2019;18(1): 754-765. DOI: https://doi.org/10.1080/1828051X.2019.1570829Piccioli-Cappelli F., Calegari F., Calamari L., Bani P., Minuti A. Application of a NIR device for precision feeding in dairy farms: effect on metabolic conditions and milk production. Italian Journal of Animal Science. 2019;18(1): 754-765. DOI: https://doi.org/10.1080/1828051X.2019.1570829Oetzel G. R., Villalba F. P., Goodger W. J., Nordlund K. V. A Comparison of On-Farm Methods for Estimating the Dry Matter Content of Feed Ingredients. Journal of Dairy Science. 1993;76(1):293-299. DOI: https://doi.org/10.3168/jds.S0022-0302(93)77349-XOetzel G. R., Villalba F. P., Goodger W. J., Nordlund K. V. A Comparison of On-Farm Methods for Estimating the Dry Matter Content of Feed Ingredients. Journal of Dairy Science. 1993;76(1):293-299. DOI: https://doi.org/10.3168/jds.S0022-0302(93)77349-XCrofcheck C., Wade J., Swamy J. N., Aslan M. M., MenguQ M. P. Effect of Fat and Casein Particles in Milk on the Scattering of Elliptically Polarized Light. Biosystems and Agricultural Engineering Faculty Publications. 2005;48(3):1147-1155. DOI: https://doi.org/10.13031/2013.18488Crofcheck C., Wade J., Swamy J. N., Aslan M. M., MenguQ M. P. Effect of Fat and Casein Particles in Milk on the Scattering of Elliptically Polarized Light. Biosystems and Agricultural Engineering Faculty Publications. 2005;48(3):1147-1155. DOI: https://doi.org/10.13031/2013.18488Taneja P., Vasava H. K., Daggupati P., Biswas A. Multi-algorithm comparison to predict soil organic matter and soil moisture content from cell phone images. Geoderma. 2021;385:114863. DOI: https://doi.org/10.1016/j.geoderma.2020.114863Taneja P., Vasava H. K., Daggupati P., Biswas A. Multi-algorithm comparison to predict soil organic matter and soil moisture content from cell phone images. Geoderma. 2021;385:114863. DOI: https://doi.org/10.1016/j.geoderma.2020.114863Kim W.-S., Lee D.-H., Kim Y.-J., Kim Y.-S., Kim T., Park S.-U., Kim S.-S., Hong D.-H.g. Crop height measurement system based on 3D image and tilt sensor fusion. 2020;10(11):1670. DOI: https://doi.org/10.3390/agronomy10111670Kim W.-S., Lee D.-H., Kim Y.-J., Kim Y.-S., Kim T., Park S.-U., Kim S.-S., Hong D.-H.g. Crop height measurement system based on 3D image and tilt sensor fusion. 2020;10(11):1670. DOI: https://doi.org/10.3390/agronomy10111670Dorokhov A. S., Sibirev A. V., Aksenov A. G. Dynamic systems modeling using artificial neural networks for agricultural machines. INMATEH-AGRICULTURAL ENGINEERING. 2019;58(2):63-74. URL: https://inmateh.eu/INMATEH_2_2019/58-07%20Dorokhov.pdfDorokhov A. S., Sibirev A. V., Aksenov A. G. Dynamic systems modeling using artificial neural networks for agricultural machines. INMATEH-AGRICULTURAL ENGINEERING. 2019;58(2):63-74. URL: https://inmateh.eu/INMATEH_2_2019/58-07%20Dorokhov.pdfDorokhov A. S., Shepovalova O. V. Solar PV systems integrated into hardscape and sculptures. Technologies and materials for renewable energy, environment and sustainability: TMREES19GR. 2019;2190:020094. DOI: https://doi.org/10.1063/1.5138580Dorokhov A. S., Shepovalova O. V. Solar PV systems integrated into hardscape and sculptures. Technologies and materials for renewable energy, environment and sustainability: TMREES19GR. 2019;2190:020094. DOI: https://doi.org/10.1063/1.5138580

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