Современное развитие агропромышленного комплекса требует внедрения интеллектуальных цифровых технологий, позволяющих повышать эффективность производства и обеспечивать постоянный контроль за состоянием сельскохозяйственных животных. Одним из перспективных направлений является применение систем компьютерного зрения и методов машинного обучения в птицеводстве. Исследования в данной области активно ведутся учеными Белгородского государственного аграрного университета.
Научная работа направлена на разработку методов автоматизированного анализа состояния стаи птицы на основе обработки изображений, получаемых с камер видеонаблюдения. Основной задачей исследования является повышение точности классификации этапов роста и поведения птицы в производственных условиях крупных птицеводческих комплексов. Традиционные методы контроля предполагают визуальное наблюдение специалистами, что требует значительных трудозатрат и не всегда позволяет оперативно выявлять изменения состояния поголовья.
Анализ состояния исследования в области автоматизированного определения состояния стаи птицы показал, что существующие подходы не позволяют динамически учитывать положение птицы относительно зон пребывания в больших птицеводческих помещениях. В работе предлагается подход определения состояния стаи птицы, основанный на классификации птицы и зон пребывания с использованием сверточной нейронной сети (CNN). Разработанный подход предполагает выполнение следующих этапов: получение изображения с камеры видеонаблюдения, преобразование с использованием скользящего окна, классификация окон с помощью CNN. Используемый классификатор на основе CNN обучен на наборе данных, содержащем информацию о птице в различном состоянии и зонах ее пребывания. В результате экспериментов классификации птицы и ее зон пребывания были получены значения метрик «Точность» и «Полнота», соответственно равные 99.74% и 98.61%.
Предложенный учеными подход основан на использовании алгоритмов компьютерного зрения и сверточных нейронных сетей. Система анализирует изображения из птичника, разделяя их на фрагменты с помощью метода скользящего окна. Каждый фрагмент изображения затем обрабатывается нейронной сетью, которая выполняет классификацию объектов и определяет наличие птицы, а также особенности ее расположения в различных зонах помещения.
Особое внимание в исследовании уделено оценке качества классификации. Для обучения и тестирования модели была сформирована специализированная база изображений, отражающая различные стадии роста птицы и варианты ее поведения. Использование сверточных нейронных сетей позволило значительно повысить точность распознавания и обеспечить возможность автоматического мониторинга состояния стаи в режиме реального времени.
Разработанная система может использоваться для анализа распределения птицы по площади птичника, выявления зон повышенной активности и определения отклонений в поведении. Такие данные позволяют оперативно принимать управленческие решения, корректировать условия содержания и оптимизировать технологические процессы выращивания.
Результаты исследования демонстрируют высокий потенциал применения технологий искусственного интеллекта в аграрной отрасли. Внедрение систем компьютерного зрения в птицеводстве способствует цифровизации производства, снижению затрат на мониторинг и повышению биологической безопасности предприятий.
Таким образом, исследования ученых Белгородского ГАУ подтверждают перспективность использования методов машинного обучения и компьютерного зрения для автоматизации контроля роста и состояния птицы. Дальнейшее развитие данных технологий позволит создать интеллектуальные системы управления птицеводческими комплексами и повысить эффективность отрасли в целом.
Фото: пресс-служба Белгородского ГАУ
Это новость от журнала ММ «Машины и механизмы». Не знаете такого? Приглашаем прямо сейчас познакомиться с этим удивительным журналом.