Анализ динамики физиологического состояния продуктивных коров на основе видеомониторинга

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.