Инновационные технологии. Рубрика в журнале - Сельскохозяйственная биология
Анализ динамики физиологического состояния продуктивных коров на основе видеомониторинга
Статья научная
В условиях крупных современных молочных комплексов растет потребность в оперативном контроле здоровья и физиологического состояния высокопродуктивных коров с помощью концептуально новых и более совершенных технологий сбора и анализа информации на основе интеллектуальных систем видеомониторинга. Большую часть болезней животных можно выявить и предотвратить на ранних стадиях, тщательно фиксируя внешние проявления и поведение животных и оперативно реагируя на эти сигналы. Такие системы должны быть экономически целесообразными, обеспечивать требуемый прирост эффективности животноводства при минимальных расходах на мониторинг и обработку видеоинформации. Отсутствие точных методов обоснования требований к интеллектуальным системам видеомониторинга на молочных комплексах влечет за собой риски неоправданного расхода средств и тормозит разработку и применение систем мониторинга. В представленном сообщении описан предлагаемый нами метод обоснования требований к таким системам, основанный на разработанной марковской модели продуктивной жизни молочного стада и оценки эффективности производства продукции. Выделены 16 состояний этого процесса, включая состояния, связанные с заболеваниями коров: 1 - выранжировка; 2 - неосеменение здоровых коров в фазу стабилизации лактации (удлиненный сервис-период); 3 - стабилизация лактации здоровых коров (охота, осеменение, первый этап стельности); 4 - спад лактации здоровых коров (интенсивный рост плода и снижение молочной продуктивности); 5 - сухостойное состояние здоровых коров (не доятся, в запуске); 6 - транзитный период перед отелом здоровых коров (в родильном отделении); 7 - отел и послеотельный период у здоровых коров; 8 - раздой здоровых коров (рост молочной продуктивности, восстановление здоровья после отела, подготовка к осеменению); 9 - неосеменение больных коров в фазу стабилизации лактации; 10 - стабилизация лактации у больных коров; 11 - спад лактации больных коров; 12 - сухостойное состояние больных коров; 13 - транзитный период перед отелом больных коров; 14 - отел и послеотельный период больных коров; 15 - раздой больных коров; 16 - вынужденная выбраковка больных коров. Применяемая модель также может использоваться самостоятельно для анализа динамики физиологического состояния коров в различных условиях и прогнозирования возможных событий. С применением этой модели получены аналитические зависимости, связывающие во времени доход от продуктивных коров с их физиологическими состояниями и с вероятностями распознавания признаков и самих заболеваний животных интеллектуальной системой видеомониторинга. Зависимости реализованы через интенсивности лечебно-профилактических переходов коров из одних состояний в другие как функций от параметров развития различных заболеваний и мероприятий по их своевременному выявлению, предупреждению и лечению. Показано, что, задаваясь желаемой доходностью продуктивных коров, с использованием таких зависимостей можно успешно обосновывать требования к точности и своевременности решения задач видеомониторинга. Приведены графики, отражающие изменение интегральной эффективности молочного стада от различных возможностей системы видеомониторинга физиологического состояния коров в состояниях 2, 3, 4, 8 и в 9, 10, 11, 15. Сформулированы предложения по составу и структуре перспективной системы видеомониторинга, отражены возможные варианты ее конфигурации. Численно подтверждено, что основной фактор повышения экономической эффективности молочного стада за счет применения нейросетевого видеомониторинга - увеличение вероятности своевременного распознавания признаков заболеваний у коров и проведения соответствующих профилактических мероприятий. Это не только обеспечивает высокий уровень здоровья молочного стада, но и позволяет минимизировать затраты на сам видеомониторинг. Предложенная модель не противоречит объективным закономерностям продуктивной жизни коров стада. Для качественного использования модели планируется опираться на точные значения интенсивностей переходов коров из одних состояний коров в другие. В интересах этого планируется в дальнейшем провести анализ данных, накопленных в Ленинградской области. Также наряду с решением обратной задачи анализа с применением предложенной модели предусматривается прогнозирование состояний коров в зависимости от проводимых мероприятий.
Бесплатно
Статья научная
Нейросети позволяют извлекать ранее недоступную информацию из физиологических и молекулярно-генетических данных и визуализировать неявные зависимости. В представленной работе мы применили нейросетевой подход для анализа данных Ю.М. Возняковской с соавт. (Сельскохозяйственная биология, 1994), полученных в длительном опыте (1962-1991 годы, Северо-Западный регион Российской Федерации) по изучению влияния севооборотов и минеральных удобрений на микробиологические и биохимические характеристики дерново-подзолистых почв под картофелем и ячменем. В опыте, цель которого заключалась в выявлении микробиологических показателей, наиболее четко характеризующих уровень плодородия почвы, был определен состав почвенных микроорганизмов, измерена интенсивность выделения СО2, разложения целлюлозы, активности почвенных полифенолоксидаз и пероксидаз как показателей интенсивности процессов гумификации растительных остатков, а также инвертаз и уреаз для оценки накопления нитратов и аммония в почве. На этом основании к наиболее информативным микробиологическим показателям уровня эффективного плодородия почв авторы отнесли общую биогенность почвы, видовое разнообразие почвенных микроорганизмов, соотношение трофических групп микроорганизмов, граф трофических связей. Проведенный в настоящей работе анализ фрактальных профилей физиологических групп микроорганизмов, выделяемых на селективных средах, продемонстрировал уникальные возможности статистического анализа с привлечением вычислительных нейросетей. Их применение для обработки эмпирических микробиологических и физико-биохимических почвенных данных опыта Ю.М. Возняковской с соавторами позволило определить специфичность воздействия элементов использованных агротехнологий на плодородие почв под разными культурами. Микробиологическая активность почвы и почвенное плодородие представляют собой данные, характеризующие разнородные биологические объекты - почвенное микробное сообщество (индекс CSImicro) и растения (CSIyield), где CSI - Cognitive Salience Index. Поэтому для визуализации зависимости CSIyield = f (CSImicro) нами была использована нейросеть с построением матрицы Scale, ячейки которой с координатами CSIyield;CSImicro заполнялись соответствующими номерами варианта опыта. Фрактальные профили почвенных физиологических групп микроорганизмов, полученные в опыте, были подвергнуты нейросетевому анализу. В результате по виду матрице Scale удалось оценить зависимость CSIyield = f (CSImicro) и влияние удобрительных и севообротных агротехнологий на интенсивность накопления гумуса в почве и плодородие почв. В результате обнаружено, что максимальное значение индекса почвенного плодородия CSIyield не совпадает с максимальным значением индекса микробиологической активности почвы CSImicro. Предложенные нами оригинальные индексы позволяют оптимизировать агротехнологии применения органоминеральных удобрений и бактериальных препаратов для получения стабильно высоких урожаев сельскохозяйственных культур.
Бесплатно
Статья научная
Эффективность производства растительной продукции высокого качества в масштабируемых фитотехкомплексах и других сооружениях защищенного грунта во многом определяется качеством и безопасностью семенного материала. Обязательным и необходимым условием служит наличие в составе фитотехкомплексов и сооружений защищенного грунта Блока биологически полноценных семян, который при прочих технических условиях обеспечит эффективность, надежность и конкурентоспособность производства. В настоящей работе впервые были выявлены рентгенографические признаки внутренней структуры семян шпината в связи с их жизнеспособностью, показано совпадение результатов рентгенографического анализа дефектности семян с результатами их лабораторного проращивания. Нашей целью была разработка методики оценки и отбора биологически полноценного семенного материала на основе аппаратно-программных средств микрофокусной рентгенографии с использованием методик визуального и автоматизированного анализа рентгеновских изображений семян шпината, предназначенных для посева в фитотехкомплексах и других сооружениях защищенного грунта. Модельным объектом служили семена шпината огородного (Spinacia oleracea L.) сорта Стоик из коллекции ФГБНУ Федерального научного центра овощеводства (Одинцовский г.о., Московская обл.). Рентгеновскую съемку семян проводили с использованием рентгеновского микроскопа РМ-1 (ЗАО «ЭЛТЕХ-Мед», Россия). Полученные цифровые изображения анализировали как визуально, так и с использованием программного обеспечения ВидеоТесТ-Морфология (ООО «АргусСофт», Россия). Определяли среднюю яркость и среднеквадратическое отклонение яркости (ед. яркости). Посевные качества семян оценивали согласно ГОСТ 12038-84 (М., 1985). Дополнительно измеряли длину корня и ростка с использованием программного обеспечения «ВидеоТесТ-Морфология» (ООО «АргусСофт, Россия). Установлено, что неполноценные по данным рентгенографического анализа семена шпината сорта Стоик полностью совпали с нежизнеспособными семенами по результатам проращивания. Анализ корреляций между яркостными параметрами цифровых рентгеновских изображений семян и их ростовыми показателями выявил следующие закономерности: коэффициент корреляции средней яркости цифровых рентгеновских изображений и длины корня составил r = 0,49 (p function show_abstract() { $('#abstract1').hide(); $('#abstract2').show(); $('#abstract_expand').hide(); }
Бесплатно
