Разработка интеллектуального алгоритма взвешивания молочных коров

Автор: Павкин Дмитрий Юрьевич, Юрочка Сергей Сергеевич, Хакимов Артем Рустамович, Довлатов Игорь Мамедяревич

Журнал: Агротехника и энергообеспечение @agrotech-orel

Рубрика: Технологии и средства механизации сельского хозяйства

Статья в выпуске: 3 (36), 2022 года.

Бесплатный доступ

Здоровые животные необходимы для наращивания производства животноводческой продукции, в частности молока и молочных продуктов. В статье представлена разработка интеллектуального алгоритма взвешивания молочных коров, позволяющего автоматизировать часть бонитировочных работ. На вход в алгоритм подаются уже известные в хозяйстве данные: № бирки коровы, факт нахождения коровы на весовой платформе, фактический вес (измеряемый используемой весовой платформой), данные по породе (в работе используется черно-пестрая и голштинизированные породы), возраст взвешиваемого животного, месяц стельности (если такой имеется). Данные передаются из племенной карточки животного, которые привязаны вручную к номеру RFID метки. RFID метка закреплена на шеи животного, которую при входе в станок считывает идентификационная антенна. Алгоритм определяет как показатели развития животных (фактический вес, кг; абсолютная скорость роста до 18 мес., кг; относительный прирост, % до 18 мес.), так и убойные показатели (кровь, кг; кожа, кг; голова и ноги, кг; внутренние органы, кг; внутренний жир, кг). Результаты расчетов алгоритма заносятся в карточку животного и доступны для оценки и сравнения.

Еще

Цифровизация фермы, бонитировка, корова, весовые параметры, интеллектуальный алгоритм

Короткий адрес: https://sciup.org/147239793

IDR: 147239793

Текст научной статьи Разработка интеллектуального алгоритма взвешивания молочных коров

Введение.

Важным этапом цифровизации молочных ферм является автоматизация бонитировочных работ. Взвешивание и получение весовых параметров необходимо для оценки физиологического состояния молочных коров [1, 2, 3, 4]. Здоровые животные необходимы для наращивания производства животноводческой продукции, в частности молока и молочных продуктов [5, 6, 7, 8]. Вычисление весовых параметров необходимо проводить регулярно, ведя точную статистику изменения состояния животных. Только полноценное сбалансированное кормление обеспечивает рост и развитие согласно генетической программе вида [9, 10]. Для точного измерения параметров необходимо учитывать все параметры, влияющие на точность измерения, например, налипание грязи на тело (навал) или расположение животного на весовой платформе.

Разработка интеллектуального алгоритма взвешивания молочных коров позволит ускорить процесс оценки физиологического состояния коров. Вычисление весовых параметров необходимо как для мясного, так и молочного производства. Использование интеллектуального алгоритма, встроенного в компьютерную систему, также позволит объединять в карточке животного полную информацию о животном, включая номер животного, возраст, породу и месяц стельности.

Цель работы разработать интеллектуальный алгоритм взвешивания молочных коров, позволяющий вычислять весовые параметры для мясного и молочного животноводства.

Материалы и методы.

Разработанный алгоритм взвешивания молочных коров разработан для использования в составе весовой платформы на основе предыдущего исследования [11]. В работе разработан алгоритм для молочного и мясного производства. На вход в алгоритм подаются уже известные в хозяйстве данные: № бирки коровы, факт нахождения коровы на весовой платформе, фактический вес (измеряемый используемой весовой платформой), данные по породе (в работе используется черно-пестрая и голштинизированные породы), возраст взвешиваемого животного, месяц стельности (если такой имеется). Данные передаются из племенной карточки животного, которые привязаны вручную к номеру RFID метки. RFID метка закреплена на шеи животного, которую при входе в станок считывает идентификационная антенна.

Животные в хозяйстве часто имеют загрязнения в виде налипшей грязи на теле. Скидка на навал равна 1% от фактической массы животного. Аналогично предусмотрена скидка на содержимое ЖКТ. В работе учтена скидка 3% от веса животного без навала.

Алгоритму необходимо определить, нужна ли скидка веса на стельность, а также определить возраст животного. От возраста животного зависит будет ли ПО выдавать аналитические данные по животному с целью отслеживания динамики развития и роста животного или выдавать ориентировочные данные по убою животных для предварительной оценки выхода животноводческой продукции при убое животных.

Строится график роста животного, а также прогнозирование роста на основе полученных данных, отслеживается отклонения развития животного от «нормального». Прогнозируется выход животноводческой продукции при убое животных.

Результаты и обсуждение.

Схема алгоритма представлена на рисунке 1 (а,б). Для старта алгоритма на вход подаются данные животного (см. Материалы и методы). Затем алгоритмом производится расчет показателей животного.

Интеллектуальный алгоритм включает в себя необходимые коэффициенты и поправки для обеспечения точности измерений. Производится скидка на навал и содержимое ЖКТ. Учитывается возраст животного в диапазоне с 1 до 18 месяцев. Для телочек введена скидка в весу в зависимости от месяца стельности в периоды с 4-го до 9-го.

Рассчитывается алгоритмом фактический вес (в кг), абсолютная скорость роста (в кг) до 18 мес., относительный прирост (в %) до 18 мес. Алгоритм также выводит сравнительные показатели нормы динамики изменения живой массы для животных в период роста и развития.

Рисунок 1а - Интеллектуальный алгоритм взвешивания

Рисунок 1б – Интеллектуальный алгоритм взвешивания

Норма динамики изменения живой массы телок в период роста и развития (среднестатистическое для Черно-пестрой породы):

  • •     ЖМ при рождении – 27,4-32,9 кг;

  • •      ЖМ 6 мес – 140-182 кг., сут.прирост 6 мес – 627-831 гр.;

  • •      ЖМ 10 мес – 213-287 кг., сут.прирост 10 мес – 606-873 гр;

  • •      ЖМ 12 мес – 248-335 кг., сут.прирост 12 мес – 598-803 гр;

  • •      ЖМ 18 мес – 353-470 кг., сут.прирост 18 мес – 583-741 гр;

Норма динамики живой массы бычков в период роста и развития (среднестатистическое для Черно-пестрой породы):

  •    ЖМ при рождении – 34-36 кг;

  •    ЖМ 6 мес – 175-181 кг., сут.прирост 6 мес – 784-1002 гр;

  • •      ЖМ 12 мес – 321-406 кг., сут.прирост 12 мес –709-979 гр;

  • •      ЖМ 18 мес – 487-619 кг. сут.прирост 18 мес – 1100-1300 гр;

Дополнительно алгоритм рассчитывает ориентировочные убойные показатели (кровь, кожа, голова и ноги, внутренние органы, внутренний жир). Убойные показатели рассчитываются исходя из: кровь – 7.9%, кг., кожа – 5,8%, кг., голова и ноги – 7,4%, кг., внутренние органы – 21%, кг., внутренний жир – 2,6% кг. Чем меньше корова весит, тем больше вес головы и ног, относительно всей туши. Чем больше корова весит, тем больше внутренний жир, относительно всей туши.

Разработанный алгоритм внедрен в устройство интеллектуальной весовой платформы, используемой для бонитировочных работ (рисунок 2).

Рисунок 2 – Пример внедрения интеллектуального алгоритма взвешивания молочных коров, где 1 – определение номера коровы; 2 – регистрация номера коровы; 3 – фактический вес животных; 4 – определенный балл упитанности; 5 – результат работы интеллектуального алгоритма по определению веса животных; 6 – определение роста животного; 7 – управление пневмоцилиндрами и переключение с ручного на автоматический режим управления воротами и исполнительными механизмами системы

Выводы.

Интеллектуальный алгоритм включает в себя необходимые коэффициенты и поправки для обеспечения точности измерений. Производится скидка на навал и содержимое ЖКТ. Учитывается возраст животного в диапазоне с 1 до 18 месяцев. Для телочек введена скидка в весу в зависимости от месяца стельности в периоды с 4-го до 9-го.

Рассчитывается алгоритмом фактический вес (в кг), абсолютная скорость роста (в кг) до 18 мес., относительный прирост (в %) до 18 мес. Алгоритм также выводит сравнительные показатели нормы динамики изменения живой массы для животных в период роста и развития.

Дополнительно алгоритм рассчитывает ориентировочные убойные показатели (кровь, кожа, голова и ноги, внутренние органы, внутренний жир). Убойные показатели рассчитываются исходя из: кровь – 7.9%, кг., кожа – 5,8%, кг., голова и ноги – 7,4%, кг., внутренние органы – 21%, кг., внутренний жир – 2,6% кг.

Разработанный алгоритм внедрен в устройство интеллектуальной весовой платформы, испол ьзуемой для бонитировочных работ.

48                  Агротехника и энергообеспечение. – 2022. – № 3 (36)

Работа выполнена при поддержке Совета по грантам Президента Российской Федерации на право получения гранта Президента Российской Федерации для государственной поддержки молодых российских ученых – кандидатов наук – МК-2513.2022.4.

Список литературы Разработка интеллектуального алгоритма взвешивания молочных коров

  • Косилов, В. И. Весовые параметры коров-первотёлок чёрно-пёстрой, голштинской пород и их помесей / В. И. Косилов, Б. Т. Кадралиева // Известия Оренбургского государственного аграрного университета. – 2020. – № 6(86). – С. 299-301.
  • Вильвер, Д. С. Влияние энергетической кормовой добавки на изменчивость показателей молочной продуктивности коров чёрно-пёстрой породы / Д. С. Вильвер, А. А. Фомина // Известия Оренбургского государственного аграрного университета. – 2017. – № 1(63). – С. 140-142.
  • Косилов, В. И. Потребление и использование кормов и энергии рациона тёлками чёрно-пёстрой породы и её помесями / В. И. Косилов, Е. А. Никонова, А. Г. Джалов // Известия Оренбургского государственного аграрного университета. – 2016. – № 4(60). – С. 124-127.
  • Устройство автоматического регулирования качества воздуха в животноводческих помещениях / А. Н. Колотушкин, С. С. Юрочка, М. Ю. Васина, И. М. Довлатов // Агротехника и энергообеспечение. – 2021. – № 3(32). – С. 17-23.
  • Новые технологические методы повышения молочной продуктивности коров на основе лазерного излучения / Н. К. Комарова, В. И. Косилов, Е. Ю. Исайкина, Е. А. Никонова. – Оренбург: Издательский центр ОГАУ, 2015. – 192 с.
  • Влияние пробиотической кормовой добавки Биодарин на рост и развитие телок симментальской породы / В. Г. Литовченко, С. С. Жаймышева, В. И. Косилов [и др.] // АПК России. – 2017. – Т. 24. – № 2. – С. 391-396.
  • Косилов, В. Эффективность скрещивания скота разного направления продуктивности / В. Косилов, В. Крылов, О. Жукова // Молочное и мясное скотоводство. – 2007. – № 1. – С. 13-14.
  • Сенченко, О. В. Молочная продуктивность и качество молока-сырья коров-первотёлок чёрно-пёстрой породы при скармливании энергетика Промелакт / О. В. Сенченко, И. В. Миронова, В. И. Косилов // Известия Оренбургского государственного аграрного университета. – 2016. – № 1(57). – С. 90-93.
  • Гудыменко, В. В. Перспективы использования трёхпородного скрещивания в скотоводстве / В. В. Гудыменко // Известия Оренбургского государственного аграрного университета. – 2012. – № 6(38). – С. 116-118.
  • Крылов, В. Н. Показатели крови молодняка казахской белоголовой породы и ее помесей со светлой-аквитанской / В. Н. Крылов, В. И. Косилов // Известия Оренбургского государственного аграрного университета. – 2009. – № 2(22). – С. 121-125.
  • Модуль базовой станции приема-передачи данных физиологического состояния КРС / В. В. Кирсанов, Д. Ю. Павкин, И. М. Довлатов, В. А. Жмылев // Агроинженерия. – 2022. – Т. 24. – № 1. – С. 28-34.
Еще
Статья научная