Применение систем технического зрения для диагностики качества кормов КРС

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.

1. Никитин 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/10.33267/2072-9642-2019-11-32-34

2. Павкин 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/10.22314/2073-7599-2020-14-3-33-38

3. Neethirajan 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.2020.100367

4. Nasirahmadi 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.2017.05.014

5. Regoa 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.2020.105578

6. Wajizaha 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.2018.4L2.121

7. Rodionova 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.2020.107459

8. Piccioli-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.2019.1570829

9. Oetzel 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-X

10. Crofcheck 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/10.13031/2013.18488

11. Taneja 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.2020.114863

12. Kim 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/agronomy10111670

13. Dorokhov 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.pdf

14. Dorokhov 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