Проект «Око ЛПХ» относится к критическим технологиям: Агротехнологии (п. 7 — повышение продуктивности сельскохозяйственных животных и их устойчивости к заболеваниям), Информационно-коммуникационные технологии (п. 13 — доверенное и защищённое ПО, п. 25 — технологии искусственного интеллекта в отраслях экономики). Также проект соответствует сквозной технологии «Искусственный интеллект» и рынку НТИ FoodNet («Умная ферма»).

Уровень технологической новизны — существенное улучшение (c). Существующие методы компьютерного зрения и нейросетей впервые адаптируются для доступной ранней диагностики КРС в сегменте ЛПХ, обеспечивая точность 85% при цене подписки 300–500 руб./мес. против 50 000+ руб. у импортных датчиковых аналогов на стадо из 3–5 коров.

Влияние на технологический суверенитет — высокое (b). Проект снижает зависимость от импортных систем мониторинга (Allflex, Nedap, CowManager), использует собственное ПО и российские облачные серверы, укрепляя технологическую независимость в области точного животноводства.

Текущий уровень готовности технологии — TRL‑4. Создан лабораторный образец мобильного приложения с серверной нейросетью, проведены испытания на 50+ животных из реальных ЛПХ, собрана размеченная база видеоданных (15 000 сегментов), подтверждена базовая точность: хромота 82%, мастит 78%, прогноз отёла 80%.

Уровень готовности к рынку — MRL‑3. Сформулировано ценностное предложение, определены каналы продаж. Проведены опросы 50 владельцев ЛПХ: 92% подтвердили потребность, 62% готовы платить 300–500 руб./мес. Получены письма о заинтересованности от двух ветеринарных станций и сельхозкооператива.

Уровень команды — CRL‑3. В составе команды: CEO, маркетолог, аналитик, ветеринарный эксперт; есть внешняя поддержка (менторы акселератора). Ведутся переговоры с CTO и ML-инженером для закрытия недостающих IT-компетенций.

Уровень инвестиционной привлекательности — IRL‑3. Подана заявка на грант Фонда содействия инновациям («Старт-1»), ведутся переговоры с бизнес-ангелом. Выполнена базовая оценка рынка, разработан финансовый план с показателями: NPV 12,94 млн руб., IRR 118%, ROI 589%.

Основное продуктовое ограничение — необходимость формирования платёжной привычки у ЛПХ (владельцы не привыкли платить за цифровые подписки). Решение: бесплатный пробный период 30 дней и партнёрство с ветеринарными станциями (комиссия 10%).

Основное технологическое ограничение — сбор и разметка не менее 50 000 видеосегментов для обучения нейросетей с целевой точностью 85%. Поведение КРС варьируется в зависимости от породы, условий содержания и климата, требуются длительные полевые испытания.

Основное кадровое ограничение — отсутствие ML-инженера с опытом компьютерного зрения и мобильного разработчика (iOS/Android). Планируется найм за счёт грантовых средств или привлечение технического сооснователя.

Уверенность в экспертной оценке — средняя. Выводы основаны на опросах целевой аудитории и типичных практиках внедрения цифровых сервисов в АПК. Для высокой уверенности требуется завершение пилотных испытаний на 5+ ЛПХ.

Проблема

При традиционном визуальном осмотре мастит, хромота, кетоз и другие болезни крупного рогатого скота выявляются только спустя 3–7 дней после начала субклинической стадии, когда надой уже снизился на 10–30%, а лечение обходится в 3–5 раз дороже. В каждом пятом случае животное погибает или выбраковывается, нанося хозяйству прямой убыток в 40–80 тыс. рублей. Существующие альтернативы либо неэффективны (точность визуального осмотра 40–50%), либо дороги и сложны (импортные датчиковые системы Allflex, CowManager, Nedap требуют покупки оборудования от 50 тыс. рублей на стадо, монтажа и регулярного интернета), либо недоступны (выезд ветеринара в сельской местности стоит 1000–3000 рублей за визит и не всегда возможен оперативно). По оценкам, совокупные ежегодные потери от болезней КРС в сегменте ЛПХ в России составляют 5–7 млрд рублей. Внедрение доступной ранней диагностики способно сократить эти потери на 30–40% (до 2 млрд рублей ежегодно).

Решение

Мобильное приложение «Око ЛПХ» для iOS и Android, использующее нейросетевую видеоаналитику. Владелец животного снимает корову на камеру смартфона в течение 30–60 секунд, видео отправляется на сервер, где нейросеть анализирует походку (индекс хромоты 0–100%), состояние вымени (риск мастита 0–100%), поведение и упитанность, а также прогнозирует отёл за 24 часа и охоту. Через минуту пользователь получает результат и рекомендацию (наблюдать, показать ветеринару, вызвать врача). Все данные сохраняются в электронном паспорте животного, при критических отклонениях приходят push-уведомления. Подписка стоит 300–500 руб./мес. — ниже цены одного вызова ветеринара и не требует покупки датчиков или дополнительного оборудования.

Для типового ЛПХ с двумя коровами годовая экономия от использования приложения составляет 7 500–12 500 рублей (снижение затрат на лечение и потерь от падения надоев), что полностью окупает стоимость подписки (около 6 000 руб./год) и даёт чистую выгоду уже в первый год. Для фермы на 20 коров годовая экономия достигает 60–85 тыс. рублей при затратах на подписку около 12 тыс. рублей (ROI > 500%).

Методы решения

1. Сбор и разметка видеоданных КРС. Планируется собрать не менее 50 000 видеосегментов коров в разных состояниях (здоровье, хромота разных степеней, мастит, отёл, охота, аномальное поведение). Разметку выполняют ветеринарные эксперты. Технические требования: видео с разрешением не менее 720p, частота кадров 30 fps, съёмка при естественном освещении в условиях ЛПХ.
2. Разработка нейросетевых моделей. Создаются модели на базе архитектур CNN + Transformer для оценки хромоты (анализ скелетной модели коровы, углов суставов, асимметрии шага) и мастита (анализ формы и отёчности вымени, поведения животного), а также LSTM для прогнозирования отёла по временным рядам поведенческих признаков. Инференс выполняется на сервере (Yandex Cloud / VK Cloud), что позволяет использовать тяжёлые модели и упрощает их обновление.
3. Мобильное приложение и серверная инфраструктура. Разработка клиент-серверного решения: приложение для iOS/Android (React Native / Flutter) обеспечивает съёмку, отправку видео на сервер через защищённый канал, отображение результатов и push-уведомления. Серверная часть (Docker + Kubernetes, база данных PostgreSQL) обрабатывает запросы, запускает нейросетевой инференс на GPU-инстансах и хранит историю здоровья животных. Целевое время обработки одного видео — не более 60 секунд, доступность сервиса — 99,5%.

Рынок

Рынок решения «Око ЛПХ» формируется на стыке сегментов цифровых сервисов для животноводства и средств ранней диагностики КРС. Общий объём рынка программного обеспечения для управления скотоводством в России (TAM) составляет сотни миллиардов рублей; внедрение ИИ в АПК способно приносить до 500 млрд рублей дополнительной операционной прибыли ежегодно. Доступный рынок в сегменте цифровых сервисов для малых ферм и ЛПХ (SAM) оценивается в 1,04 млрд долларов по состоянию на 2025 год с ежегодным ростом 15,4%. Ключевой для проекта показатель — SOM: та доля SAM, которую «Око ЛПХ» может реалистично занять в первые 3 года. При активном пилотировании с ветеринарными станциями и кооперативами, а также прямых продажах через магазины приложений, возможно освоить около 1% от числа ЛПХ (≈20 000 платных подписчиков). Это соответствует выручке около 90 млн рублей в год на третий год.

Инвестиции в разработку до выхода на рынок — 4,5 млн руб.
Прогноз выручки: 1-й год — 1,6 млн руб. (500 подписчиков), 2-й год — 19 млн руб. (5 000 подписчиков), 3-й год — 90 млн руб. (20 000 подписчиков + B2B).
Чистая прибыль: 1-й год — убыток 2,4 млн руб., 2-й год — +8,4 млн руб., 3-й год — +67,1 млн руб.
Точка безубыточности — 1 200 платных подписчиков (достигается к концу 2-го года).
Маржинальность по чистой прибыли к 3-му году — 70%.

Инвестиционные показатели (при ставке дисконтирования 20%):
NPV = 12,94 млн руб., IRR = 118%, PI = 3,88, ROI = 589%, NCF за 3 года = 68,6 млн руб.

Именно этот сегмент — ограниченный, но достижимый рынок первых лет (≈1% ЛПХ) — является основной «зоной захвата» «Око ЛПХ» и базой для дальнейшего масштабирования на 10–15% доли ЛПХ и смежные виды животных (козы, овцы).

Научная основа проекта

Проект «Око ЛПХ» базируется на современных научных данных и методах, объединяя ветеринарную семиотику, зоотехнические стандарты и передовые технологии машинного обучения. В основе клинических критериев диагностики болезней крупного рогатого скота лежат, в частности, методики, разрабатываемые учёными РГАУ–МСХА имени К.А. Тимирязева, которые тестируют интеллектуальную систему ранней диагностики хромоты. Эта система объединяет технологии компьютерного зрения, искусственного интеллекта, тепловизионного мониторинга и трёхмерной видеосъёмки, что позволяет не только фиксировать нарушения походки на ранней стадии, но и оценивать сопутствующие физиологические показатели животных. Обзорная статья «Computer Vision in Dairy Farm Management: A Literature Review of Current Applications and Future Perspectives» (2025) подтверждает широкое применение компьютерного зрения для оценки хромоты, поведения, упитанности и даже ранних признаков мастита. Ещё один обзор «Automated dairy cattle lameness detection utilizing the power of artificial intelligence; current status quo and future research opportunities» (2024) подчёркивает, что автоматизированные системы на основе искусственного интеллекта способны классифицировать хромоту с адекватной надёжностью, превосходя традиционный визуальный осмотр, который трудоёмок и субъективен.

В основе оценки поведенческих норм здорового животного лежат многочисленные исследования, подтверждающие связь между руминацией, двигательной активностью и физиологическим статусом. Например, исследование «Assessment of feeding, ruminating and locomotion behaviors in dairy cows around calving – a retrospective clinical study to early detect spontaneous disease appearance» (2022) показало, что у больных коров время приёма корма и жвачки достоверно ниже, а время лежания выше по сравнению со здоровыми животными, что позволяет использовать эти параметры для раннего обнаружения заболеваний. Другая работа, «Ruminating, Eating, and Locomotion Behavior Registered by Innovative Technologies around Calving in Dairy Cows» (2023), выявила корреляцию различных параметров поведения с приближающимся отёлом, что является прямым научным обоснованием для прогностических алгоритмов.

Шкалы оценки упитанности (Body Condition Score, BCS) также имеют солидную научную базу. Приглашённый обзор «Invited review: Body condition score and its association with dairy cow productivity, health, and welfare» (2019) подтверждает, что BCS является важным фактором в управлении стадом и ассоциирован с молочной продуктивностью, репродукцией и здоровьем животных. Более поздний обзор «An update on body condition scoring (BCS) system in cattle production and reproduction management» (2024) подчёркивает, что поддержание оптимальной BCS связано с улучшением репродуктивных показателей, а достижения в области технологий, таких как автоматизированные инструменты оценки BCS, открывают новые возможности для фермеров. Исследование 2026 года предлагает алгоритмы для повышения точности детекции реперных анатомических ориентиров КРС при видеооценке упитанности, используя нейросетевые модели локализации ключевых точек и контуров с последующим прогнозом BCS.

И, наконец, выбор архитектур нейросетей для системы обоснован современными обзорами в области глубокого обучения для мониторинга животных. В систематическом обзоре «A systematic literature review on deep learning applications for precision cattle farming» (2021) указано, что среди всех моделей глубокого обучения для этих задач наиболее популярны свёрточные нейронные сети (CNN), за которыми следуют рекуррентные нейросети, в частности LSTM. Это подтверждает правильность выбора этих архитектур для вашего проекта. Отраслевая статья «Повышение эффективности мониторинга здоровья и физиологического состояния молочных коров за счет построения интеллектуальной цифровой системы, использующей единое видео- пространство» (2024) также подчёркивает, что использование нейросетевых методов обработки видеоданных, в особенности свёрточных нейронных сетей, является ключевым для извлечения значимых признаков из видеопотока. Исследование «Machine Learning-Based Prediction of Cattle Activity Using Sensor-Based Data» (2024) специально отмечает, что LSTM сохраняет преимущества при моделировании последовательностей поведения животных, в том числе для прогнозирования событий, требующих вмешательства человека.

Таким образом, предлагаемое технологическое решение базируется на актуальных научных данных и подтверждённых практикой методах, что обеспечивает его научную обоснованность и высокий потенциал для практического внедрения.

На страницу проекта