Обнаружение хромоты у крупного рогатого скота с помощью глубинного изображения и глубокого обучения

Почему больные ноги коров важны для всех нас

Коровы, которые ходят с болью, могут показаться частной сельскохозяйственной проблемой, но хромота в молочных стадах незаметно повышает себестоимость молока, сокращает продолжительность жизни животных и вызывает серьёзные вопросы благополучия. Традиционно выявление прихрамывающей коровы опирается на внимательный человеческий глаз и много времени в стойле — то, чего многие занятые фермы не могут обеспечить ежедневно. В этой статье описана камера‑основанная система, которая автоматически наблюдает за коровами при выходе из доильного зала, используя глубинные изображения и искусственный интеллект для круглосуточного обнаружения ранних признаков проблем.

От переполненных хлевов к непрерывному бережному наблюдению

Хромота затрагивает примерно одну из пяти молочных коров в мире и может достигать значительно более высоких уровней в отдельных стадах. Она сокращает удой, ухудшает репродуктивные показатели и может вынуждать фермеров преждевременно выбраковывать животных, что обходится в сотни долларов на голову в год. При этом на практике на фермах ситуация часто далека от научных представлений: фермеры склонны недооценивать число страдающих животных, а экспертная оценка занимает много времени и остаётся субъективной. Ранние технологические решения предлагали пластины для измерения силы в проходах или носимые датчики движения, но они могут быть дорогими, навязчивыми и сложными в масштабировании. Авторы предлагают альтернативу в духе «точного животноводства»: бесконтактную потолочную глубинную камеру, которая фиксирует трёхмерный контур каждой коровы при естественном движении по коридору.

Как потолочная «глазница» читает спину коровы

На двух коммерческих молочных фермах в Японии одна камера времени‑полёта была установлена над узким проходом, по которому коровы возвращаются после доения. По мере того как животное идёт внизу, камера записывает вид сверху в виде глубинного изображения — по сути карту высот, показывающую контуры спины коровы. Система сначала отделяет каждую корову от фона с помощью продвинутой модели «инстанс‑сегментации». После тестирования нескольких вариантов исследователи обнаружили, что современная модель на базе YOLO обеспечивает одновременно высочайшую точность и быструю обработку, правильно обнаруживая и очерчивая коров более чем в 99% кадров и обрабатывая десятки изображений в секунду — достаточно быстро для работы в реальном времени в загруженном хлеву.

Отслеживание каждой коровы и превращение позы в сигнал о боли

Обнаружение коров — это только начало; система также должна сохранять идентичность животных по мере их прохождения через коридор. Для этого авторы разработали серию специализированных алгоритмов многократного слежения, которые последовательно улучшали способность системы поддерживать идентичность каждой коровы во времени. Финальная версия использует не только перекрытие ограничивающих прямоугольников, но и длительность слежения за коровой, а также направление её движения — слева направо или справа налево. Это простое, но изящное использование направления почти полностью устранило путаницу идентичностей, достигнув примерно 99,9% точности отслеживания на данных, не использованных в обучении, и на обеих фермах.

Обучая компьютер распознавать «жёсткость и боль»

Суть обнаружения хромоты заключается в форме и движении спины коровы. Боль в копытах или ногах часто приводит к более изогнутому или неровному позвоночнику, поскольку животное пытается снять нагрузку. Вместо того чтобы вручную выбирать несколько геометрических показателей, команда преобразует глубинное изображение каждой коровы в нормализованную карту высот спины, затем подаёт короткие последовательности таких карт в модель глубокого обучения. Современная свёрточная сеть (EfficientNet) обучается пространственным шаблонам в отдельных кадрах, а рекуррентная сеть LSTM улавливает эволюцию позы в течение нескольких шагов. Используя экспертные метки по четырёхточечной шкале — от здоровой до сильно хромающей — лучшая конфигурация (EfficientNet‑B7 с LSTM на последовательностях из пяти кадров) правильно классифицировала оценки хромоты на невидимых коровах с примерно 96% точностью и F1‑мерой, несмотря на реальные сложности, такие как несбалансированность классов и различные скорости хождения.

Что это значит для коров, фермеров и вашего стакана молока

В совокупности глубинная камера, модули обнаружения, отслеживания и оценки походки образуют сквозную систему круглосуточного мониторинга, способную наблюдать за каждой коровой, проходящей под ней, без использования недержателей, бирок или специального покрытия. Авторы утверждают, что такой объективный и непрерывный инструмент может сократить давний разрыв между тем, что знают исследователи о хромоте, и тем, что регулярно практикуется на фермах. Благодаря более раннему и последовательному выявлению коров с риском, эта технология может уменьшить страдания, сократить затраты на лечение и выбраковку, а также способствовать более гуманному и устойчивому производству молока. Хотя необходимы более широкие испытания на большем количестве ферм, исследование показывает, что одна потолочная глубинная камера в сочетании с тщательно подобранным глубоким обучением может превратить сложную ручную работу в автоматизированную систему защиты благополучия животных.

Цитирование: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Ключевые слова: хромота у крупного рогатого скота, глубинная визуализация, точное животноводство, компьютерное зрение, мониторинг благополучия животных