Земля Нижегородская


приемная: 468-57-45
рекламная служба: 468-55-76

Суббота, 24 Февраль 2018

Обновление:10:05:35 AM GMT

Вы здесь: Статьи ученых Система интеллектуального технического зрения для точного животноводства

Система интеллектуального технического зрения для точного животноводства

д.т.н. А.М. Башилов, к.т.н. Ю.И. Кириенко ГНУ ВИЭСХ, Москва, Россия

В статье изложен оригинальный материал по совершенствованию управления объектами аграрного производства на основе интеллектуальной системы видеонаблюдения подвижных объектов, в том числе животных, в закрытых помещениях, на открытых площадках и территориях.

1. Видеороботизация точного сельскохозяйственного производства.

Для любого конкретного случая на животноводческой ферме можно создать систему технического зрения, намного превышающую возможности человеческого глаза, а порой и человека как анализатора изображений. При этом использование специальных алгоритмов обработки получаемого изображения позволяет добиться совершенно неожиданных по эффективности решений, казалось бы, в невозможных условиях (при большом поголовье животных точно оценивать состояние каждого).

Существует мнение, что спрос рождает предложение. Однако во времена технологических прорывов предложения новых решений часто опережают спрос, а потенциальные потребители этих новаций либо не знают о них, либо не могут применить их в своей практике, ссылаясь на отсутствие инвестиций или на не дальновидное употребление их на другие цели.

Для управления животными на фермах КРС необходим системный взгляд на каждое животное, находящееся в стаде, помещённое в стойло или на пастбище. Системный взгляд может быть сформирован «всёвидящим оком», охватывающим внешние стати животного и его поведенческие реакции, отражающие внутреннее состояние и здоровье животного.

Непрерывное, панорамно-объёмное слежение за каждым животным может обеспечить видеосеть, способная различать животное попадающее в поле зрения видеокамер, расставленных по технологическим процессам. Выборочная видеофиксация может происходить для животных идущих на дойку, в проходах или переходах, на пастбище, на проходных весах, в станке для фиксации коров, в селекционных воротах, при раздаче корма, со стационарной или с подвижной интеллектуальной видеокамеры, распределяющей видеопоток в базу (видеоархив) персональных данных опознанного животного [1,2].

В результате системноорганизованной видеосъёмки на каждое животное, составляется видео-временной ряд отслеженных поведенческих актов, из анализа которых можно получить информацию об идентификационном коде (номер, штрих код, метка, пятна), геометрических параметрах (стати животного), кинематических параметрах (траектория и скорость движения), обеспечивающую высокоточную биометрию, бонитировку, 3D моделирование, формирование этологической модели поведения, диагностику физиологического состояния. Команды управления животными могут осуществляться путём сортирования, перераспределения, выделения, проведения профилактических и агротехнологических мероприятий направленных на обеспечение условий содержания, здоровья, продуктивности и качества выходной продукции.

Анализ видеоизображений и видеоклипов поведенческих актов животного может производиться зрительно специалистом на экране монитора, путём прокручивания видеоархива [3]. При более высоком уровне анализа персонального видеоархива животного некоторые информативные признаки можно автоматически выделять из просматриваемых сюжетов специальными алгоритмами, запрограммированными видеоконтроллером. При самом высоком уровне анализа видеозаписей, после автоматического распознавания и трёхмерного моделирования возможно построение бонитировочной или этологической модели животного с матрицей биометрических данных. Такие взаимно интегрированные, высокоточные, виртуальные модели будут доступны для быстрого изучения индивидуальных особенностей каждого животного, особенно при смене обслуживающего персонала. В базе данных будут находиться видеосессии каждого или интересуемого животного, рассортированные по основным технологическим процессам: на доение, при кормление, на пастбище, в группе, в стойле и др. Просматривая персональные данные животного в ручном, полуавтоматическом или автоматическом режиме анализа формируется полная картина поведения животного в суточных, сезонных или многолетних производственных циклах.

2. Методологические основы проектирования системы технического
зрения для наблюдения за животными.

При проектировании разветвлённой, интеллектуальной сети видеонаблюдения на животноводческой ферме возникает несколько научно-технических задач и проблем. Где установить видеокамеры? Как идентифицировать животных? Как распределять видеоинформацию в видеоархиве? Как анализировать поток видеоцифровых изображений? В каких случаях применять те или иные решения? Как управлять поведением животных?

Рассмотрим возможные пути решения этих проблем на общей структурной схеме интеллектуальной сети видеонаблюдения для животноводческой фермы (рис. 1).

Многоканальные кодеры и матричный коммутатор способны подавать сигнал на любой выход с любого входа и группировать или распределять видео со звуком и идентификационным кодом управления.

Задача поиска поведенческих закономерностей не может быть решена автоматически. Этот процесс подразумевает тесную связь с экспертом. Именно человек должен анализировать работу алгоритмов, проводить разные эксперименты с разными параметрами и анализировать результаты. На основании работы программируемых алгоритмов распознавания, актуализованные гипотезы могут быть подтверждены или отклонены. Программируемые алгоритмы являются только инструментов для принятия решений.



Рис.1. Общая структурная схема системы видеонаблюдения для животноводческой фермы.

Аналитически наблюдаемый временной ряд с различных групп видеокамер можно определить следующим образом. Пусть время наблюдения разбито на Nt интервалов. В каждый момент периода наблюдения [1, Nt] может произойти видеозапись животного с видеокамеры отражающей событие (действие животного) из множества допустимых поведенческих действий животного отображаемых событий ɛ. Соответственно, каждому типу событий соответствует множество моментов времени TS(A).

TS(A) = {TA,1 , … ,TA,Na}, A ϵ ɛ , 0 ≤ TA,i ≤ Nt (i = 1, …. , NA)

Программное обеспечение управления может быть сконфигурировано, чтобы производить опрос подвижных объектов в автоматическом режиме через определённые промежутки времени, или по заранее составленному графику, или же оператор управления может выполнять опрос вручную – выбирая объект или группу объектов из заранее составленного в программе списка подвижных объектов. По результатам формирования персонифицированного видеоархива и анализа поведения индивидуального животного специалисты должны направлять усилия, как на удовлетворение биофизиологических потребностей животного, так и на обеспечение её продуктивности.

Применение видеосети для наблюдения за животными потребует привлечения специалистов подготовленных для выполнения функций оператора видеонаблюдения, а инженеру и администратору также потребуются новые компетенции.

3. Практические задачи, решаемые в животноводстве на основе
применения систем компьютерного зрения:
  • Визуальное наблюдение реального местоположения, перемещения и поведения животных и других подвижных объектов.

  • Хранение истории координат и видеозаписей нахождения животных на территории фермы в заданный промежуток времени.

  • Воспроизведение маршрута движения на цифровой карте фермы.

  • Формирование данных об отклонении животного от маршрута движения или поведения.

  • Подача сигнала тревоги в реальном времени при отклонении от маршрута или не нормального поведения.

  • Определение общего состояния стада животных (число животных, скученность и обособленность животных, активность и беспокойство животных, борьба за лидерство).

  • Осмотр стада во время пастьбы, доения, кормления, поения и отдыха (выявление слабых и сильных животных, здоровых и больных).

  • Осмотр стада при стойловом или групповом содержании (определение общего состояния животных в группах).

  • Наблюдение условий содержания животных и работы технологического оборудования.

  • Определение индивидуальной характеристики животного (положение тела в пространстве, полнотелость, телосложение, состояние шерстного покрова и кожи, присутствие или отсутствие выделений из носа, глаз, влагалища).

  • Наблюдение акцентируемого животного и определение структуры поведения (продолжительность лежания, стояния, кормления, поения, движения в стойле, передвижения на пастбище).

  • Обнаружение больного животного путём селективного осмотра и наблюдения поведенческих реакций.

  • Обнаружение детальных признаков прохождения половой охоты и осеменения животных.

  • Наблюдение предродовых признаков и родов животного в специальном помещении.

  • Установление характера заболевания путём тщательного обследования частей животного в установленной последовательности: головы, шеи, грудной клетки, живота, вымени, матки, таза, конечностей.

Внедрение современных технологий определения местоположения, характера движения и поведенческих актов животного при дистанционном доступе к базам видеоданных значительно повышает эффективность производственной деятельности на животноводческой ферме.

Применяемое оборудование и технологии системы видеонаблюдения обеспечивают высокую эффективность работы, повышают оперативность реагирования, производительность диспетчерского центра управления фермой.

Внедрение системы эффективно приводит к реальному снижению уровня зоотехнических нарушений, а также травматизма среди животных. Неотвратимость наказания за совершенное агротехнологическое нарушение  повышает уровень дисциплины в среде операторов фермы.

 

Рис. 2. Структурно-функциональная схема интеллектуальной системы

видеонаблюдения поведения животных и транспортных средств:

1 – наблюдаемые животные; 2 – животноводческая ферма; 3 – выгульная площадка или пастбище; 4 - транспортное средство; 5 – видеокамеры; 6 – точки доступа, базовые станции радиочастотной идентификации; 7 – теги, метки радиочастотной идентификации; 8 – спутниковая система глобального позиционирования; 9 – сервер подсистемы определения местоположения; 10 – сервер подсистемы видеозаписи; 11 – видеоархив; 12 – автоматизированное рабочее место; 12 – оператор.

Большое количество видеокамер, большое количество пользователей, горизонтальная и вертикальная интеграция компонент и систем видеонаблюдения различных масштабов требуют тщательного подхода при выборе производителя современного высокотехнологичного оборудования системы видеонаблюдения для фермы. На рис. 2 приведена схема интеллектуальной системы видеонаблюдения поведения животных и движения транспортных средств

Система интеллектуального видеонаблюдения, основана на интеграции трёх компонентов: подсистемы видеонаблюдения, подсистемы определения локального местоположения и подсистемы спутниковой (глобальной) навигации. Система интеллектуального видеонаблюдения на основе локационных данных, поступающих от подсистемы определения местоположения, осуществляет автоматическое определение активной видеокамеры (в зоне видимости которой находится объект) и выбирает маршрут видеозаписи. Видеоподсистема получает видеопоток от активной камеры и передаёт по выбранному маршруту в видеоархив или посылает оператору. При использовании в системе поворотных камер осуществляется непрерывное видеосопровождение объекта наблюдения на протяжении участка его движения. Благодаря использованию данных от системы позиционирования и анализу видеоизображений, система интеллектуального видеонаблюдения осуществляет слежение за определенным объектом без привлечения оператора. Данную систему можно использовать, например, на фермах крупного рогатого скота.

Выводы:

1. Совместное использование глобального наведения, локального позиционирования и интеллектуального видеонаблюдения в аграрном производстве значительно расширит информационно-управляющие функции автоматизированных агротехнологических процессов на животноводческих фермах.

2. Система видеонаблюдения и позиционирования поведения животных и мобильно-транспортных средств повышает эффект присутствия специалистов в зонах производства, обеспечивает более пристальное внимание к состоянию интересуемого объекта и позволяет осуществлять постоянный контроль за его поведением, а следовательно осуществлять более эффективное управление.

 

 

Интересная статья? Поделись ей с другими: