Работы прошли в рамках летней практики и стали частью проекта по созданию ИИ-системы цифрового фенотипирования КРС. Студенты приняли участие в настройке точки съемки, сборе данных, работе с камерами глубины и валидации результатов, полученных алгоритмом компьютерного зрения.
Разрабатываемая система позволяет автоматически оценивать линейные экстерьерные признаки животных по видеоданным. С помощью камер глубины формируется пространственная модель тела коровы, после чего алгоритм на базе 45-точечной скелетной модели определяет ключевые анатомические ориентиры и рассчитывает параметры экстерьера. Для проверки корректности работы ИИ-модели результаты дополнительно перепроверялись вручную.
Традиционно такая оценка проводится в рамках бонитировки — комплексной оценки племенных и продуктивных качеств животных. Сегодня значительная часть этого процесса выполняется вручную: специалист визуально оценивает животное и проводит измерения с использованием измерительных инструментов. Такой подход требует фиксации или длительного удержания животного, создает дополнительный стресс для КРС и зависит от человеческого фактора. Точность ручной оценки в практических условиях может составлять до 70%.
«Для нас было важно проверить алгоритм не только в лабораторных условиях, но и в реальной среде — на животных, с которыми ежедневно работают специалисты зоотехнического профиля. Система анализирует данные с камер глубины, строит 45-точечную скелетную модель животного и на ее основе рассчитывает линейные экстерьерные признаки. При этом мы обязательно сопоставляем результаты ИИ с ручной экспертной оценкой, чтобы понимать, где модель уже работает устойчиво, а где требуется дополнительная донастройка.
Такая апробация особенно ценна тем, что в ней участвуют студенты разных направлений: айтишники видят реальную отраслевую задачу, а будущие зоотехники — как цифровые технологии могут помочь в племенной оценке. Наша цель — не заменить специалиста, а дать ему инструмент, который снижает рутинную нагрузку, уменьшает стресс для животных и повышает объективность измерений», — отметил главный разработчик алгоритма Дмитрий Прошин.
Апробация на зоостанции показала, что применение компьютерного зрения и камер глубины позволяет существенно повысить объективность и воспроизводимость измерений. По результатам испытаний точность автоматизированной оценки превысила 93%.
Важной особенностью проекта стало междисциплинарное участие студентов: обучающиеся ИИ-направлений отвечали за цифровую часть — работу с данными, алгоритмами и моделью компьютерного зрения, а студенты Института зоотехнии и биологии обеспечивали зоотехническую экспертизу и проверку соответствия результатов методике экстерьерной оценки КРС.
Такая практика позволяет студентам уже на первом курсе работать с реальными отраслевыми задачами, а университету — развивать прикладные ИИ-решения для молочного животноводства, направленные на повышение точности племенной оценки, снижение нагрузки на специалистов и улучшение условий работы с животными.