Хромота у крупного рогатого скота молочного направления является одной из самых затратных патологий в животноводстве, уступая лишь маститу и проблемам с воспроизводством. Экономический ущерб складывается из снижения надоев на 30-40%, потери массы тела, затрат на ветеринарное лечение и преждевременной выбраковки животных. Традиционный визуальный локомоционный скоринг требует высокой квалификации, занимает много времени и крайне субъективен: расхождение в оценках между разными экспертами достигает 30-40%. Кроме того, симптомы, такие как изменение походки или перенос веса, выявляются уже на поздних стадиях, когда лечение становится сложным и дорогим. В связи с этим целью проекта является разработка и внедрение программно-аппаратного комплекса для автоматического, бесконтактного выявления хромоты у КРС на ранних стадиях с точностью не менее 90% в режиме реального времени.

Для достижения этой цели необходимо решить следующие задачи: собрать и размеченную выборку видео перемещения здоровых и хромых коров в условиях типового коровника; разработать алгоритмы компьютерного зрения для выделения ключевых точек суставов животного (плечо, локоть, тазобедренный, коленный суставы, копыта); обучить нейросетевую модель, комбинирующую сверточные сети и анализ временных рядов, для классификации типов походки и выявления асимметрии шага. Техническая архитектура включает IP-камеры глубины RGB-D с частотой не менее 30 кадров в секунду, Edge-вычислители на базе NVIDIA Jetson Orin для обработки видео без задержек, бэкенд на Python с брокером сообщений, модели детекции ключевых точек (например, YOLOv8), классификатор походки на основе пространственно-временных графовых нейросетей, а также базы данных PostgreSQL с TimeScaleDB для хранения временных рядов движений. Пользовательский интерфейс реализуется в виде веб-дашборда для ветеринарных врачей.

Минимально жизнеспособный продукт должен обеспечивать автоматическую идентификацию животного через интеграцию с RFID-метками, анализ походки за 3-10 секунд движения коровы по коридору или при выходе из доильного зала, выдачу оценки по шкале хромоты от 1 до 5 и раннее предупреждение субклинической хромоты за 3-5 дней до появления визуальных симптомов (по изменению геометрии спины и постановке конечностей). Разработка включает этапы:разработка технических и эксплуатационных рекомендаций по организации точки мониторинга (порядок монтажа, требования к обслуживанию, ограничения и условия корректной работы),разработка программы инженерного расчета параметров камер, разработка схемы размещения камер и оборудования, сбор данных на 2-3 коммерческих фермах (более 500 часов видео), создание базовых моделей детекции, обучение нейросетевой модели для распознавания хромоты , интеграцию с ERP-системами фермы, оптимизацию модели под Edge-устройства с помощью NVIDIA TensorRT и, наконец, промышленную эксплуатацию на пилотной ферме.

Планируемые показатели точности составляют более 92% при различении здоровой и хромой особи, чувствительность для субклинической хромоты не менее 85%, а скорость обработки одного животного — не более 2 секунд. Экономический эффект выражается в снижении затрат на ветеринарию на 25% и увеличении продуктивного долголетия коров на 10-15%. Основные риски связаны с разнородностью условий освещения и грязи на разных фермах, а также со сложностью разметки данных, требующей участия опытного ветеринара. Для их снижения планируется использовать синтетическую аугментацию данных, обучение на материалах с 5+ ферм и методы активного обучения, при которых нейросеть сама выбирает сложные кейсы для разметки экспертом. Потенциальными заказчиками выступают крупные молочные комплексы от 1000 голов, ветеринарные консалтинговые компании и поставщики решений «Цифровая ферма». В итоге проект позволит перейти от реактивной ветеринарии к предиктивной, снизив экономические потери от заболеваний конечностей КРС и улучшив благополучие животных.

На страницу проекта